计算机科学 > 声音
[提交于 2025年11月6日
]
标题: PromptSep:通过多模态提示的生成音频分离
标题: PromptSep: Generative Audio Separation via Multimodal Prompting
摘要: 语言查询音频源分离(LASS)的最新突破表明,生成模型可以实现比传统基于掩码的方法更高的分离音频质量。 然而,两个关键限制阻碍了它们的实际应用:(1)用户通常需要超出分离的操作,例如声音移除;(2)仅依赖文本提示在指定声音源时可能不够直观。 在本文中,我们提出了PromptSep,以将LASS扩展为一个更广泛的通用声音分离框架。 PromptSep利用了一个增强的数据模拟条件扩散模型,以实现音频提取和声音移除。 为了超越仅文本查询,我们通过引入Sketch2Sound作为数据增强策略,将语音模仿作为一种额外且更直观的条件模态融入到我们的模型中。 在多个基准上的客观和主观评估表明,PromptSep在声音移除和语音模仿引导的源分离方面达到了最先进的性能,同时在语言查询源分离上保持了有竞争力的结果。
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.