AudioX는 ICLR 2026에서 발표된 멀티모달 통합 오디오 생성 프레임워크로, 텍스트·영상·이미지·오디오 등 다양한 입력 조건으로부터 고품질 오디오와 음악을 생성합니다. 핵심 모듈인 Multimodal Adaptive Fusion(MAF)을 통해 이종 모달리티를 효과적으로 통합하며, 7백만 건 이상의 curated 데이터셋 IF-caps로 학습되었습니다. 텍스트→오디오, 텍스트→음악, 영상→오디오, 영상→음악 등 4가지 생성 태스크를 단일 모델에서 지원하고, Gradio 데모와 Python API를 제공해 손쉽게 실험할 수 있습니다.