计算机科学 > 声音
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.