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:2509.00683v1

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2509.00683v1 (cs)
[提交于 2025年8月31日 ]

标题: PicoAudio2:基于自然语言描述的时序可控文本到音频生成

标题: PicoAudio2: Temporal Controllable Text-to-Audio Generation with Natural Language Description

Authors:Zihao Zheng, Zeyu Xie, Xuenan Xu, Wen Wu, Chao Zhang, Mengyue Wu
摘要: 可控制的文本到音频生成(TTA)最近引起了广泛关注。 尽管现有工作可以基于时间戳信息实现细粒度的控制,但声音事件类别仅限于固定集合。 此外,由于仅使用模拟数据进行训练,生成的音频质量和在真实数据上的泛化性能受到限制。 为了解决这个问题,我们提出了PicoAudio2,通过新的数据处理流程和模型架构来改进时间可控的TTA。 具体来说,我们使用一个定位模型对真实音频-文本数据集中的事件时间戳进行注释,以整理时间性强的真实数据,除了现有工作中使用的模拟数据。 该模型在真实数据和模拟数据的组合上进行训练。 此外,遵循PicoAudio,我们将时间戳信息编码成时间戳矩阵,以在粗粒度文本描述的基础上,为模型提供额外的细粒度时间对齐信息。 实验表明, PicoAudio2在时间可控性和音频质量方面表现出优越的性能。
摘要: Controllable text-to-audio generation (TTA) has attracted much attention recently. Although existing works can achieve fine-grained controllability based on timestamp information, sound event categories are limited to a fixed set. Moreover, since only simulated data is used for training, the generated audio quality and generalization performance on real data are limited. To tackle this issue, we propose PicoAudio2, improving temporal-controllable TTA via a new data processing pipeline and model architecture. Specifically, we use a grounding model to annotate event timestamps of real audio-text datasets to curate temporally-strong real data, in addition to simulation data from existing works. The model is trained on the combination of real and simulation data. Moreover, following PicoAudio, we encode timestamp information into a timestamp matrix to provide extra fine-grained time-aligned information to the model, on top of the coarse-grained textual description. Experiments show that PicoAudio2 exhibits superior performance in terms of temporal controllability and audio quality.
评论: 演示页面:https://HiRookie9.github.io/PicoAudio2-Page
主题: 声音 (cs.SD) ; 音频与语音处理 (eess.AS)
MSC 类: 68Txx
ACM 类: I.2
引用方式: arXiv:2509.00683 [cs.SD]
  (或者 arXiv:2509.00683v1 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.00683
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Zihao Zheng [查看电子邮件]
[v1] 星期日, 2025 年 8 月 31 日 03:47:10 UTC (7,060 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:
cs.SD
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
eess
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