Эта модель преобразует текстовые подсказки в разнообразные аудиозаписи, охватывающие несколько языков и различные звуки, такие как речь и невербальные сигналы, например смех или вздохи. Разработанная для научных исследований, она обеспечивает высококачественные возможности генерации многоязычного аудио.