خب قصه‌ی مدل‌های generative که با text prompt آهنگ یا صوت تولید می‌کنن مدت زیادیه که بوده. از همون اولای چت‌جی‌پی‌تی و diffusion ها. ولی نسبت به اونها خیلی عقب‌تره چون پیچیدگی خیلی خیلی زیادتری داره از جهات مختلف. شرکت‌ها و گروه‌های مختلف مدل‌های مختلفی رو…