Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.12701

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2507.12701 (cs)
[提交于 2025年7月17日 ]

标题: 特定任务的音频编码:机器学习的潜在特征是该机器的代码

标题: Task-Specific Audio Coding for Machines: Machine-Learned Latent Features Are Codes for That Machine

Authors:Anastasia Kuznetsova, Inseon Jang, Wootaek Lim, Minje Kim
摘要: 神经音频编解码器,利用量化算法,在各种语音/音频任务中产生了重大影响。 虽然高保真重建对于人类感知至关重要,但面向机器的音频编码(ACoM)优先考虑高效的压缩和下游任务性能,而不考虑感知细节。 本工作介绍了一种高效的ACoM方法,可以压缩和量化已训练的语音/音频下游模型的任何选定中间特征表示。 我们的方法结合了任务特定的损失指导和残差矢量量化(RVQ)损失,以极低的比特率(即低于200 bps)提供对下游模型性能的最小损失。 生成的分词器可适应各种比特率和模型大小,便于灵活部署。 在自动语音识别和音频分类上进行评估,我们的方法通过适当的正则化展示了其有效性和在更广泛任务和架构应用中的潜力。
摘要: Neural audio codecs, leveraging quantization algorithms, have significantly impacted various speech/audio tasks. While high-fidelity reconstruction is paramount for human perception, audio coding for machines (ACoM) prioritizes efficient compression and downstream task performance, disregarding perceptual nuances. This work introduces an efficient ACoM method that can compress and quantize any chosen intermediate feature representation of an already trained speech/audio downstream model. Our approach employs task-specific loss guidance alongside residual vector quantization (RVQ) losses, providing ultra-low bitrates (i.e., less than 200 bps) with a minimal loss of the downstream model performance. The resulting tokenizer is adaptable to various bitrates and model sizes for flexible deployment. Evaluated on automatic speech recognition and audio classification, our method demonstrates its efficacy and potential for broader task and architectural applicability through appropriate regularization.
主题: 声音 (cs.SD) ; 人工智能 (cs.AI); 音频与语音处理 (eess.AS)
引用方式: arXiv:2507.12701 [cs.SD]
  (或者 arXiv:2507.12701v1 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12701
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Anastasia Kuznetsova [查看电子邮件]
[v1] 星期四, 2025 年 7 月 17 日 00:32:07 UTC (276 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
eess
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.AI
cs.SD
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号