Scenema Audio ist ein Diffusionsmodell für expressives Text-to-Speech und Voice Cloning, das als Teil der Video-Produktionsplattform scenema.ai entstanden ist. Das zentrale Designprinzip: Stimmidentität (wer spricht) und emotionale Performance (wie gesprochen wird) sind voneinander entkoppelt. Per Prompt lässt sich die Darstellung beschreiben – etwa „Wut", „Trauer" oder „kindliche Begeisterung" – während optionales Referenzaudio die Stimme festlegt. Das Modell basiert auf einem Diffusionsprozess und wurde von 50 auf 8 Denoising-Schritte destilliert, ohne nennenswerten Qualitätsverlust. Typische Schwächen sind gelegentliche Wiederholungen oder Nonsense-Ausgaben bei bestimmten Seeds; der empfohlene Workflow ist generieren, bestes Take auswählen und bei Bedarf nachbearbeiten. Die Bereitstellung erfolgt als Docker-Container mit REST API und automatischer VRAM-Verwaltung – von INT8 auf 16-GB-GPUs bis hin zu bf16 auf 48 GB. Komplexe Eigennamen müssen phonetisch buchstabiert werden, da kein Aussprache-Wörterbuch vorhanden ist. Die Modellgewichte basieren auf der LTX-2 Community License, der gesamte Inferenz- und Pipeline-Code steht unter MIT-Lizenz.