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:2509.05256

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2509.05256 (cs)
[提交于 2025年9月5日 ]

标题: Recomposer:事件滚动引导的生成音频编辑

标题: Recomposer: Event-roll-guided generative audio editing

Authors:Daniel P. W. Ellis, Eduardo Fonseca, Ron J. Weiss, Kevin Wilson, Scott Wisdom, Hakan Erdogan, John R. Hershey, Aren Jansen, R. Channing Moore, Manoj Plakal
摘要: 编辑复杂的现实世界声音场景很困难,因为各个声音源在时间上会重叠。 生成模型可以根据其对数据领域的强大先验理解来填补缺失或损坏的细节。 我们提出了一种系统,能够在复杂场景中编辑单独的声音事件,能够根据文本编辑描述(例如“增强门”)和从“事件滚动”转录中派生出的声音事件时间图形表示来删除、插入和增强单独的声音事件。 我们提出了一种在SoundStream表示上工作的编码器-解码器变压器,在合成的(输入,期望输出)音频示例对上进行训练,这些示例是通过将孤立的声音事件添加到密集的真实世界背景中形成的。 评估揭示了每个编辑描述部分的重要性——动作、类别、时间。 我们的工作展示了“重新组合”是一个重要且实用的应用。
摘要: Editing complex real-world sound scenes is difficult because individual sound sources overlap in time. Generative models can fill-in missing or corrupted details based on their strong prior understanding of the data domain. We present a system for editing individual sound events within complex scenes able to delete, insert, and enhance individual sound events based on textual edit descriptions (e.g., ``enhance Door'') and a graphical representation of the event timing derived from an ``event roll'' transcription. We present an encoder-decoder transformer working on SoundStream representations, trained on synthetic (input, desired output) audio example pairs formed by adding isolated sound events to dense, real-world backgrounds. Evaluation reveals the importance of each part of the edit descriptions -- action, class, timing. Our work demonstrates ``recomposition'' is an important and practical application.
评论: 5页,5图
主题: 声音 (cs.SD) ; 人工智能 (cs.AI); 机器学习 (cs.LG); 音频与语音处理 (eess.AS)
引用方式: arXiv:2509.05256 [cs.SD]
  (或者 arXiv:2509.05256v1 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.05256
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Daniel Ellis [查看电子邮件]
[v1] 星期五, 2025 年 9 月 5 日 17:14:29 UTC (2,104 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
许可图标 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
cs.AI
cs.LG
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