扩散模型

📄 Anysynth:Zero-Shot Instrument Cloning via In-Context Learning and Asymmetric Hierarchical Guidance 标签：#音乐生成 #流匹配 #扩散模型 #零样本 #音频理解 6.8/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 0.7/1.5 ✅ 6.8/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音乐生成 | #流匹配 | #扩散模型 #零样本 | arxiv 👥 作者与机构 第一作者：Chong Jing 通讯作者：未说明 作者列表：Chong Jing, Junan Zhang, Jing Yang, Yulun Wu, Fan Fan, Zhizheng Wu 💡 毒舌点评 论文的核心洞察——抛弃检索式嵌入、改用上下文学习——直击当前乐器克隆任务的要害，且非对称分层CFG的设计有内在逻辑。但最大的“但是”是：宣称的SOTA基于一个作者自建的、细节不完全透明的测试集，且整个系统完全闭源，使得其宣称的突破性大打折扣，更像是一份写得不错的工程报告而非可验证的里程碑。 ...

📄 Dance to Music Generation leveraging Pre-training with Unpaired data and Contrastive Alignment 标签：#音乐生成 #自监督学习 #多模态模型 #对比学习 #扩散模型 7.5/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.5/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #音乐生成 | #自监督学习 | #多模态模型 #对比学习 | arxiv 👥 作者与机构 第一作者：Ryota Keio（Keio University， Sony Computer Science Laboratories） 通讯作者：未说明 作者列表：Ryota Keio（Keio University， Sony Computer Science Laboratories）、Sangheon Park（Georgia Institute of Technology）、Natalia Polouliakh（Sony Computer Science Laboratories）、Taketo Akama（Sony Computer Science Laboratories） 💡 毒舌点评 论文将单模态预训练、跨模态对比对齐和ControlNet生成三个模块“缝合”起来，系统设计思路清晰，实验也证明了模块组合的有效性。然而，其核心的对比学习目标与最终的生成质量之间缺乏深入的理论联系，且实验主要在一个较小的数据集上验证，音乐生成的主观质量也未显著超越移除核心模块的变体，让人不禁怀疑这更多是一次成功的工程集成，而非根本性的技术突破。 ...

📄 MusicMark: A Robust Generative Watermarking Framework for Music Generation 标签：#音频水印 #扩散模型 #音乐生成 #鲁棒性 #音频理解 7.3/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音频水印 | #扩散模型 | #音乐生成 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Seohwan Yun（高丽大学人工智能系） 通讯作者：Sungwoong Kim（高丽大学人工智能系） 作者列表：Seohwan Yun（高丽大学人工智能系）、Jeeyoung Yun（高丽大学人工智能系）、Yongjin Kim（高丽大学人工智能系）、Juyeon Lee（仁荷大学计算机工程系）、Sungwoong Kim（高丽大学人工智能系） 💡 毒舌点评 论文瞄准了AI生成音乐版权保护的真实痛点，并提出了一套在生成阶段就深度耦合水印的完整框架，其在神经网络编解码器重合成攻击下的鲁棒性提升是显著且令人信服的。然而，论文在方法创新上更多是“组合式创新”——将成熟的生成式水印思路（如在文本生成领域）迁移到复杂的音乐生成扩散模型上，并辅以巧妙的工程设计；同时，论文声称的“第一个生成式音乐水印框架”可能忽略了某些未被充分引用的相关工作，且未开源代码与模型的做法严重削弱了其影响力与可验证性。此外，评估中对“翻唱”攻击的定义与主流理解存在偏差，且评估数据均来自AI生成平台，其结论对真实世界音乐的泛化能力存疑。 ...

📄 Qwen-Music Technical Report 标签：#音乐生成 #多模态模型 #歌唱生成 #扩散模型 #大语言模型 7.4/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.4/1.5 ✅ 7.4/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #音乐生成 | #多模态模型 | #歌唱生成 #扩散模型 | arxiv 👥 作者与机构 作者列表：来自 Qwen Team。论文附录列出了 Core Contributors 和 Contributors 的名单，其中 Jin Xu 标注为通讯作者。机构未在论文中明确说明。 💡 毒舌点评 亮点在于其将大语言模型的生成范式与专业音乐渲染管线深度融合，构建了一个完整、可控且在评测中表现突出的工业级系统，展现了团队强大的工程整合能力。短板在于整个系统完全闭源，且训练数据筛选、奖励模型构建等关键工程细节的“黑箱”属性，使其学术贡献的可验证性和可复现性大打折扣。 📌 核心摘要 本文介绍了Qwen-Music，一个用于生成带有人声完整歌曲的大规模音乐生成系统。该系统旨在解决从文本描述、歌词和音乐属性生成高质量、结构连贯歌曲，以及基于参考音频进行翻唱的技术挑战。核心方法是将生成过程解耦为语义作曲与声学渲染两个阶段，构建了Qwen-Music-Tokenizer、Qwen-Music-LLM和Qwen-Music-Render三大组件，并引入了旋律链式思维（Melody-CoT）机制进行显式旋律规划。相较于现有方法，其创新在于将大语言模型用于语义token序列建模，并设计了质量分级预训练课程和多阶段偏好对齐策略。在600个中英文提示词的客观评测中，Qwen-Music在16项音乐性和音频质量指标中的13项上取得最优结果；在盲测主观评估中，其生成质量优于MiniMax Music 2.6、Mureka V8、Suno V5等多个商业系统，并相对于最强的Suno V5.5略有优势（50.3% vs 49.7%）。该系统的实际意义在于推动了可控、高保真、结构连贯的端到端歌曲生成技术。主要局限性在于整个系统完全闭源，且训练数据筛选、奖励模型构建等关键工程细节不够透明，限制了其可复现性与学术影响力。 ...

📄 FreyaTTS Technical Report 标签：#语音合成 #扩散模型 #流匹配 #音频理解 #Transformer 7.7/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.4/1.5 ✅ 7.7/10 | 前25% | 文档类型：系统技术报告 | 评分置信度：高 | #语音合成 | #扩散模型 | #流匹配 #音频理解 | arxiv 👥 作者与机构 第一作者：未说明（贡献者列表为 Ahmet Erdem Pamuk, Ömer Yentür, Ahmet Tunga Bayrak, Yavuz Alp Sencer Öztürk, Mustafa Yavuz，论文未明确标注第一作者或通讯作者） 通讯作者：未说明 作者列表：Ahmet Erdem Pamuk（未说明）、Ömer Yentür（未说明）、Ahmet Tunga Bayrak（未说明）、Yavuz Alp Sencer Öztürk（未说明）、Mustafa Yavuz（未说明） 💡 毒舌点评 这篇技术报告在土耳其语TTS的垂直领域里，将已有的非自回归流匹配架构与冻结的VAE潜空间结合，做出了一套完整、高效且经过“生产硬化”的系统，工程实现和部署考量比大多数学术论文都扎实。然而，其核心创新（非自回归DiT在冻结潜空间中生成）并非全新范式，且实验评估仅限于一个自建的495句基准，在通用性和与其他真正为土耳其语优化过的系统（而非通用英语系统的土耳其语分支）的严格对比上仍有说服力缺口。论文作者也坦诚地指出了其模型在干净对话文本上的错误率仍高于两个基于音素的紧凑VITS基线，这是一个重要的性能界限。 ...

📄 ReGen: Hierarchical Multi-Prompt Representation Generation for Efficient Waveform Diffusion Models 标签：#语音合成 #扩散模型 #流匹配 #语音编码 #高效推理 7.5/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.5/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #语音合成 | #扩散模型 | #流匹配 #语音编码 | arxiv 👥 作者与机构 第一作者：Sang-Hoon Lee 通讯作者：未说明 作者列表：Sang-Hoon Lee（未说明）、Ha-Yeong Choi（未说明） 💡 毒舌点评 本文提出的“从表示对齐到表示生成”的范式转变是深刻且有效的，层次化解耦设计显著提升了低比特率场景下的生成质量，实验结果令人信服。然而，其核心创新（ReGen框架与GFM）本质上是将现有表示学习、流匹配和对抗训练等成熟技术进行巧妙的工程整合与优化，并非根本性的理论突破，创新高度有限。 📌 核心摘要 本文针对极低比特率波形生成中，表示对齐（REPA）可能隐式纠缠潜在表示、限制模型生成能力的问题，提出了ReGen框架。其核心是将REPA的正则化范式转变为显式的层次化多提示表示生成，在单一扩散模型内联合估计语义、声学和波形多个层级的向量场。此外，论文引入广义流匹配（GFM）以改善条件流匹配的泛化性，防止多模态轨迹坍缩。实验表明，ReGen在神经音频编解码器（25 Hz, 400 bps）和VAE（12.5 Hz）上显著提升了波形生成质量。基于此，论文进一步构建了高效的LDM文本到语音系统ReGenVoice，以6.25 Hz的极低帧率运行，在4块GPU上仅需1天训练，在可懂度和说话人相似性上表现出色，并实现了0.08的RTF。主要局限是模型仍需对抗后训练来优化和加速采样，且当前开源承诺尚未完全兑现。 ...

📄 Wan-Dancer: A Hierarchical Framework for Minute-scale Coherent Music-to-Dance Generation 标签：#音乐生成 #扩散模型 #音频理解 #Transformer #模型评估 5.6/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 1/1.5 📝 5.6/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音乐生成 | #扩散模型 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：黄明阳（通义实验室，阿里巴巴集团） 通讯作者：未说明 作者列表：黄明阳（通义实验室，阿里巴巴集团）、张鹏（通义实验室，阿里巴巴集团）、胡力（通义实验室，阿里巴巴集团）、王广源（通义实验室，阿里巴巴集团）、张磅（通义实验室，阿里巴巴集团） 💡 毒舌点评 亮点：提出了一种“全局规划+局部精修”的分层架构，并配合动态帧率和光流损失，为生成分钟级、720p/30fps的连贯音乐驱动舞蹈视频提供了一套工程上可行的方案。论文写作结构清晰，实验图表直观。 槽点：1）评估严重依赖作者自行设计的主观打分，完全缺失独立的人类评估，使得所有宣称的“SOTA”得分可靠性存疑。2）基线选择存在严重问题，仅对比了两个较早或能力受限的方法（MusicInfuser, X-Dancer），刻意回避了与其基础模型Wan-I2V以及近期提出的强基线（如Seedance, FramePack）的直接对比，难以证明其优越性源于方法创新而非更强大的基座。3）全文未提及任何开源计划，所有实验在私有数据集上进行，可复现性几乎为零，严重削弱了其作为学术贡献的影响力。4）关键组件（如“Music block”）细节模糊，消融实验不完整。 📌 核心摘要 本文要解决的核心问题是：当前视频扩散模型受限于计算复杂度和长程时间一致性建模困难，无法生成超过20秒的连贯、高分辨率、且与音乐节奏精准同步的舞蹈视频。 为解决此问题，论文提出了名为Wan-Dancer的层次化框架。其核心创新在于将生成过程解耦为“全局关键帧规划”和“局部时序精修”两个阶段。在全局阶段，模型利用音乐的完整上下文生成稀疏的关键帧序列以把握整体编舞结构；在局部阶段，模型以这些关键帧为锚点，生成高质量的中间帧，确保细节连贯。 与已有方法相比，Wan-Dancer的新颖性体现在：1）提出了一种将RoPE与绝对时间映射结合的动态帧率适应机制，以处理不同时长的音乐；2）引入了基于光流的损失函数来增强运动连续性；3）采用运动速度分层训练策略。 实验结果表明，该框架能够生成时长超过1分钟、720p/30fps的连贯舞蹈视频。在与MusicInfuser和X-Dancer的定量对比中，Wan-Dancer在舞蹈质量、视频质量和提示对齐度上均取得了显著优势（例如，在舞蹈质量平均分上达到8.46分，而MusicInfuser和X-Dancer分别为6.23和6.06分）。消融实验验证了全局规划、光流损失和动态帧率等关键组件的有效性。 实际意义在于，该工作为生成长序列、高保真且与音频严格同步的视频内容提供了一套有效的工程解决方案，对内容创作领域有直接应用价值。 主要局限性包括：1）未开源任何代码、模型或数据，可复现性差；2）缺乏与更多先进端到端视频生成模型（如论文中提及的Wan、HunyuanVideo等）的对比；3）评估仅限于有限的定量指标和定性展示，缺少人类主观评估；4）框架仅处理单人舞蹈，未扩展到多人交互场景。 ...

📄 Vidu S1: A Real-Time Interactive Video Generation Model 标签：#音视频交互 #扩散模型 #多模态模型 #语音识别 #音频理解 5.2/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 0/1.5 | 清晰 0.7/1 | 影响 0.5/1.5 | 开源 0.2/1.5 | 复现 0.1/0.5 | 工程 1.3/1.5 📝 5.2/10 | 后50% | 文档类型：系统技术报告 | 评分置信度：中 | #音视频交互 | #扩散模型 | #多模态模型 #语音识别 | arxiv 👥 作者与机构 作者列表：Jintao Zhang, Kai Jiang, Jintao Chen, et al. 机构信息：论文摘要中未提供任何机构信息，无法确认作者所属机构，均写为“未说明”。 💡 毒舌点评 这篇所谓的“论文”更像一份精心包装的产品技术白皮书，而非严谨的学术贡献。它成功地将一个具有巨大应用潜力的系统（实时语音驱动数字人）推向市场，但代价是完全牺牲了学术论文的基本准则：透明性与可复现性。通篇充斥着性能声明（如“最佳性能”、“42FPS”），却吝啬于提供任何可验证的数据、对比基线或技术细节。其核心组件“TurboDiffusion”和“TurboServe”被当作营销黑话而非可理解的算法，这使得整个工作沦为一个无法被学术界学习、验证和跟进的黑箱。审稿人只能为其在应用前景和工程集成度上鼓掌，但必须因其对科学可验证性的漠视而给予严厉的批评。 📌 核心摘要 本文介绍了Vidu S1，一个声称支持通过语音指令实时控制数字角色、并生成无限长度高质量视频的交互式系统。该系统基于名为“TurboDiffusion”的生成模型和“TurboServe”的推理服务框架构建。论文宣称其能在普通消费级GPU上实现540p分辨率下高达42FPS的实时生成，解决了长时间视频生成中常见的模糊、漂移和视觉失真问题。此外，系统支持用户上传自定义角色图像并选择语音音色以实现个性化。论文声称实验表明Vidu S1在所有测试指标上均达到最佳性能，并提供了一个在线Demo。然而，摘要中未提供任何关于具体实验指标、数值、对比基线、模型架构细节或训练方法的信息，其所有技术声明均缺乏证据支撑。 ...

📄 Vidu S1: A Real-Time Interactive Video Generation Model 标签：#音视频生成 #扩散模型 #实时处理 #高效推理 6.4/10 | 创新 1.2/2 | 严谨 1.5/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.4/1.5 | 开源 0.2/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 6.4/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #音视频生成 | #扩散模型 | #实时处理 #高效推理 | arxiv 👥 作者与机构 第一作者：张锦涛、姜凯、陈锦涛、王旭、罗洋、王玉洁（共同第一作者） 通讯作者：邓志劼、包凡、陈建飞、朱军 作者列表：张锦涛（清华大学， 生数科技）、姜凯（清华大学， 生数科技）、陈锦涛（清华大学， 生数科技）、王旭（清华大学， 生数科技）、罗洋（清华大学， 生数科技）、王玉洁（清华大学， 生数科技）、陈德川（清华大学， 生数科技）、李俊刚（清华大学， 生数科技）、叶成洋（未说明机构）、Marco Chen（未说明机构）、朱弘洲（清华大学， 生数科技）、赵旻（清华大学， 生数科技）、蒋宇轩（清华大学， 生数科技）、黄正坤（清华大学， 生数科技）、向辰东（清华大学， 生数科技）、郑凯文（清华大学， 生数科技）、王浩旭（清华大学， 生数科技）、王小航（清华大学， 生数科技）、贾琦（未说明机构）、陈鑫（未说明机构）、陈逸民（未说明机构）、蒋佑和（清华大学， 生数科技）、付方程（清华大学， 生数科技）、邓志劼（清华大学）、包凡（清华大学）、陈建飞（清华大学）、朱军（清华大学） 💡 毒舌点评 本文是一份典型的“工程重于科学”的系统技术报告。其最大价值在于详尽地展示了如何将学术界已有的技术（扩散模型、蒸馏、缓存策略、注意力加速）整合成一个可工作的实时交互视频生成产品，并坦诚地描述了工程实现中的关键瓶颈与解决方案（如TwinCache、量化策略选择）。然而，作为一篇寻求学术认可的论文，其严谨性令人失望：核心模型架构细节、训练超参数、数据集规模完全黑箱，实验设计回避与最强开源基线的直接对抗，评估深度不足，更像一份精心包装的营销技术白皮书而非可验证的科研贡献。对于追求可复现性与学术深度的读者，这篇文章提供的信息密度太低。 ...

📄 BlueMagpie-TTS: A Token-Efficient Tokenizer, Language Model, and TTS for Taiwanese-Accent Code-Switching Speech #语音合成 #多语言 #领域适应 #参数高效微调 #扩散模型 6.5/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.5/10 | 前50% | #语音合成 | #领域适应 | #多语言 #参数高效微调 | arxiv 👥 作者与机构 第一作者：Ho Lam Chung（未说明） 通讯作者：未说明 作者列表：Ho Lam Chung（未说明）、Bo-Xuan Zheng（未说明）、Cheng-Chieh Huang（未说明）、Cheng-Han Chang（未说明）、Jung-Ching Chen（未说明）、Lok-Lam Ieong（未说明）、Ting-Lin Hsiao（未说明）、Yu-Cheng Lee（未说明）、Yi-Hsin Chung（未说明）、Yu-Kai Guo（未说明）、Hung-yi Lee（未说明） 💡 毒舌点评 论文从字节级 BPE 的 tokenizer 到十亿参数语言模型前端再到 TTS 合成，堆出了一条完整的台湾本土化语音合成栈。PangolinTokenizer 在台湾多脚本文本上做到了最低 token 率和最高词汇效率，Barbet 作为前端在中文生成任务上压过同类模型，BlueMagpie-TTS 的 CER 从 11.45% 降到 4.81%，盲听偏好遥遥领先。但整套方案的核心（声学堆栈、BPE、Mamba 混合架构）几乎全部复用现有组件，真正的创新在于针对台湾语境做数据适配和前端替换，并通过桥接蒸馏与联合微调把各部分粘在一起。更致命的是，所有资源一概未开源，整个 pipeline 的复现性极差，学术价值和社区推动力因此大打折扣。 ...

📄 DELTA-TTS: Adapting Autoregressive Model into Diffusion Language Model for Text-to-Speech #语音合成 #扩散模型 #参数高效微调 #低资源 7.5/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ✅ 7.5/10 | 前25% | #语音合成 | #扩散模型 | #参数高效微调 #低资源 | arxiv 👥 作者与机构 第一作者：Junwon Moon（未说明） 通讯作者：未说明 作者列表：Junwon Moon、Seungbeom Kim、Yejin Lee、Hoseong Ahn、Sewoong Park、Heeseung Kim、Kyuhong Shim（七位作者均未说明所属机构，但从致谢与主观评测部分可推断其隶属韩国学术机构） 💡 毒舌点评 本文把“先做容易的”这条直觉从文本领域搬运到语音合成，工程上灵巧干净，仅用585小时数据就在WER上掀翻了自家骨干和若干数据量百倍于己的对手。但数据量的鸿沟是荣耀也是隐忧，零开源更是让所有这些漂亮数字只能停留在纸面上，社区无法验证，只能姑妄听之。 📌 核心摘要 要解决的问题：传统自回归（AR）文本转语音（TTS）模型采用严格的从左到右依次生成语音token的方式，推理速度随序列线性增长，且无法利用未来上下文信息，导致在序列起始等证据不足的位置置信度极低，容易产生幻觉和错误累积。 方法核心：提出DELTA-TTS，一个基于LoRA的轻量级适配框架。它冻结预训练的AR TTS骨干网络，通过增加双向注意力、块级LoRA适配器和Conformer风格卷积模块，将其转换为一个按置信度排序生成的离散扩散语言模型（dLLM）。 新颖性：首次将AR-to-dLLM的转换范式从文本领域迁移到语音TTS。针对语音信号强烈的局部时序相关性，引入了卷积模块来弥补全局双向注意力对局部结构建模的不足，并设计了配套的1/t加权损失和时间偏移推理调度策略，系统性地实现了“先易后难”的生成顺序。 主要实验结果：仅使用585小时的LibriTTS数据训练，在Seed-TTS test-en基准上取得了1.75%的词错误率（WER），优于其AR骨干CosyVoice3的2.02%，并超越了多个参数量和数据量远大于它的基线模型，同时推理速度提升3.3倍。 类型 模型 参数量 训练数据 (小时) Seed-TTS test-en WER (%) ↓ SIM ↑ AR CosyVoice3 0.5B 1000K Multilingual 2.02 0.692 AR Seed-TTS N/A N/A 2.25 0.762 AR VoxCPM 0.5B 1800K Multilingual 1.85 0.729 NAR MaskGCT (50 NFE) 1.1B 100K Emilia 2.62 0.714 NAR F5-TTS (32 NFE) 0.3B 100K Emilia 2.00 0.647 Ours DELTA-TTS 0.5B+94M 0.585K LibriTTS 1.75 0.688 实际意义：为工业界大规模部署的AR TTS模型提供了一条低成本（仅需15%新增参数和少量适配数据）、高效率的升级路径，能显著提升推理速度并缓解幻觉问题，尤其是在长语音合成场景下加速效果更佳（4.46倍）。 主要局限性：目标语音长度目前依赖于一个基于文本长度的启发式规则，不够鲁棒；方法目前仅在英语和CosyVoice3这一单一骨干模型上进行了验证。 🔗 开源详情 代码：否。论文中未提及代码链接。 模型权重：否。论文中未提及。 数据集： 训练数据：LibriTTS（585小时），论文中未提供下载链接。 评估数据：Seed-TTS test‑en（1088条）、LibriSpeech‑PC test‑clean Subset B（1127条），论文中未提供下载链接。 Demo：否。论文中未提及。 复现材料：否。附录A.1提供了部分实现细节（LoRA配置、卷积核大小、学习率、batch size、混合精度训练等），但未提供代码、配置文件或模型检查点。 论文引用的开源项目或资源链接： CosyVoice: https://github.com/FunAudioLLM/CosyVoice CosyVoice HuggingFace评估页: https://huggingface.co/FunAudioLLM/CosyVoice-300M Spark TTS: https://github.com/SparkAudio/Spark-TTS FireRedTTS(FireRedTTS2): https://github.com/FireRedTeam/FireRedTTS2 IndexTTS2: https://github.com/IndexTeam/IndexTTS2 Llasa: https://github.com/LlasaTeam/Llasa VoxCPM: https://github.com/VoxCMTeam/VoxCPM DiTAR: https://github.com/DiTAR-project/DiTAR MaskGCT: https://github.com/open-mmlab/Amphion/tree/main/models/tts/maskgct E2 TTS: https://github.com/SWivid/E2-TTS F5-TTS: https://github.com/SWivid/F5-TTS Whisper: https://github.com/openai/whisper faster-whisper: https://github.com/SYSTRAN/faster-whisper WavLM: https://github.com/microsoft/unilm/tree/master/wavlm SpeechMOS (UTMOS): https://github.com/tarepan/SpeechMOS LoRA (Hu et al., 2022): https://github.com/microsoft/LoRA Conformer (Gulati et al., 2020): 未提供单独开源链接（通常指ESPnet等实现） 🏗️ 方法概述和架构 DELTA-TTS的整体流程是一个将预训练AR TTS模型转换为离散扩散语言模型（dLLM）的框架。其核心思想是冻结原AR模型的主体参数，仅通过添加少量可训练模块来改变其生成范式。输入为标准零样本TTS输入（文本、提示语音等），输出为目标语音波形。 ...

📄 DuplexChat: Constructing Speaker-Separated Full-Duplex Dialogue Speech at Scale for Spoken Dialogue Language Modeling #语音交互 #扩散模型 #语音分离 5.9/10 | 创新 0.6/2 | 严谨 0.7/1.5 | 实验 0.4/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 1.2/1.5 📝 5.9/10 | 前50% | #语音交互 | #扩散模型 | #语音分离 | arxiv 👥 作者与机构 第一作者：Wataru Nakata（The University of Tokyo, Japan） 第二作者：Yuki Saito（The University of Tokyo / JST BOOST） 第三作者：Hiroshi Saruwatari（The University of Tokyo） 通讯作者：未明确标注，推测为 Wataru Nakata 💡 毒舌点评 DuplexChat通过播客管道规模化构建说话人分离的全双工对话语料，填补了公开大规模双通道训练数据的空白，工程集成能力扎实，构建了当前最大规模对话语音资源（~415k小时）。但下游SDLM训练实验完全缺失，使得"适合全双工建模"的核心断言悬空；单通道混合到双通道估计的分离链路引入模型噪声，其分离错误对下游对话建模的长期影响并未讨论。更致命的是，论文仅与Fisher这一电话窄带语料对比声学质量，既未与J-CHAT等相近的播客/音视频对话语料对比，也未讨论pyannote日志模型的级联误差，导致语料真实可用性缺乏说服力。整体来看，这是一个优秀的工程基础设施论文，但缺少SDLM训练验证使其影响力大打折扣——就像造了一条高速公路却从未让它跑过车。 ...

📄 Lights, Camera, Carbon: Architectural Scaling Laws for Video Generation Energy Consumption #音视频生成 #扩散模型 6.9/10 | 创新 1.4/2 | 严谨 1.3/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 0.4/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.9/10 | 前50% | #音视频生成 | #扩散模型 | arxiv 👥 作者与机构 第一作者：Nidhal Jegham（University of Rhode Island, Sustainable AI Group） 通讯作者：未说明 作者列表：Nidhal Jegham（University of Rhode Island, Sustainable AI Group）、Boris Gamazaychikov（Sustainable AI Group, Paris, France）、Sasha Luccioni（Sustainable AI Group, Montreal, Canada） 💡 毒舌点评 该论文从架构第一性原理出发推导了一套视频生成能耗缩放律，在多模型、多GPU上实现了低于3% MAPE的预测精度，工程框架设计扎实。然而，其核心贡献完全面向视频生成领域，与语音、音乐、音频社区的关联极弱——即便涉及音视频联合生成，分析也仅将音频视为CFG引入的额外视频前向pass开销，未探讨音频模态本身的任何特性。对音频领域读者而言，其直接价值微乎其微。 ...

📄 DreamID-Omni: Unified Framework for Controllable Human-Centric Audio-Video Generation #音视频生成 #扩散模型 #多模态模型 #说话人验证 #多任务学习 8/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 8/10 | 前25% | #音视频生成 | #扩散模型 | #多模态模型 #说话人验证 | arxiv 👥 作者与机构 第一作者：Xu Guo（清华大学） 通讯作者：Xiangwang Hou（清华大学）、Songtao Zhao（字节跳动） 作者列表：Xu Guo（清华大学）、Fulong Ye（字节跳动）、Qichao Sun（字节跳动）、Liyang Chen（清华大学）、Bingchuan Li（字节跳动）、Pengze Zhang（字节跳动）、Jiawei Liu（字节跳动）、Songtao Zhao（字节跳动）、Qian He（字节跳动）、Xiangwang Hou（清华大学） 💡 毒舌点评 这篇文章的工程野心令人印象深刻——硬生生把三个各自为战的音视频生成任务塞进一个框架，双边对称注入、多阶段课程学习、双层级解耦，把身份绑定和任务冲突这些硬骨头啃了一遍。但读完之后如鲠在喉：Syn-RoPE本质上是RoPE的Margin分区技巧，结构化字幕是MLLM提示工程的产物，三阶段训练是课程学习的实例化——这些精巧的“组合创新”固然有效，却掩盖不了方法层面未见根本性突破的事实。更要命的是，一个号称“统一框架”的顶会投稿，代码和模型权重双双缺失，数据集获取方式也语焉不详，这严重削弱了其学术可信度和传播潜力。论文把“统一”的故事讲得挺好，但开源精神上显然还没“统一”过来。 ...

📄 Dual-View Predictive Diffusion: Lightweight Speech Enhancement via Spectrogram-Image Synergy #语音增强 #语音增强 #扩散模型 8.4/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.4/1.5 | 复现 0.4/0.5 | 工程 1.2/1.5 🔥 8.4/10 | 前25% | #语音增强 | #扩散模型 | arxiv 👥 作者与机构 第一作者：Ke Xue（北京理工大学网络空间安全学院） 通讯作者：Rongfei Fan（北京理工大学网络空间安全学院） 作者列表：Ke Xue（北京理工大学网络空间安全学院）、Rongfei Fan（北京理工大学网络空间安全学院）、Kai Li（清华大学计算机科学与技术系、BNRist）、Shanping Yu（北京理工大学网络空间安全学院）、Puning Zhao（中山大学网络空间安全学院）、Jianping An（北京理工大学网络空间安全学院） 💡 毒舌点评 亮点：在轻量级语音增强方向上，DVPD用不到PGUSE 40%的参数量和MACs，在大部分指标上实现了反超，效率-质量权衡玩得漂亮。TLB策略作为从图像扩散模型（FreeU）迁移到语音频谱的"拿来主义"式改造，以零训练成本的即插即用特性在多个U-Net扩散模型上生效，为后续语音扩散推理优化立了一个低成本标杆。短板：整体框架套壳"预测+扩散并行分支"并未跳出现有范式，更像在PGUSE的骨架上做了精巧的频谱感知化装修。TLB虽好，但其分层调参本质上是基于测试集PESQ的oracle选择，实际部署中DNSMOS的映射关系仅做了三档粗糙划分，严格来说存在一定的"test-set tuning"嫌疑，其在新场景下的无参考自适应能力还未被严格验证。论文的理论贡献更多在工程洞察（频谱物理先验编码）而非方法论突破，这使得其离真正顶会oral级影响力尚有一步之遥。 📌 核心摘要 论文要解决的核心问题是：现有扩散语音增强模型将频谱图当作普通2D图像进行空间均匀处理，忽略了音频频谱内在的非均匀信息密度（低频谐波密集、高频能量稀疏）和强各向异性（水平和垂直维度分别对应谐波和瞬态），导致计算效率低、参数冗余大的问题。 核心方法是提出DVPD（Dual-View Predictive Diffusion），从"视觉纹理"与"声学物理"双重视角设计轻量级语音增强框架，包含三个关键创新组件：（a）频率自适应非均匀压缩编码器（FANC），对0-2kHz不加压缩以保留谐波完整性，对2-4kHz、>4kHz频段以递增压缩比和异构膨胀卷积核进行差异化处理；（b）轻量级图像基础频谱感知模块（LISA），通过三阶段动态条纹卷积（沿频率轴和时间轴）捕获频谱的各向异性特征，其中动态核由全局上下文经过卷积和tanh生成；（c）训练无关无损增强策略（TLB），在推理阶段对U-Net的跳跃连接和主干特征按2kHz分界进行分频段调制，并根据输入样本的质量层级自适应地选择不同的放缩因子组合。 与PGUSE等SOTA并行预测-扩散架构相比，DVPD的核心新颖性在于将频谱图的内在物理结构显式编码进网络设计中：FANC的非均匀压缩和LISA的各向异性动态卷积是对频谱声学特性的针对性建模，而非简单采用空间均匀的通用卷积。TLB策略将FreeU式的U-Net特征调制技巧迁移到语音增强，并针对语音频谱的低频谐波完整性要求和高频噪声残留问题做了分频段设计。 主要实验结果如下表所示（WSJ0-UNI测试集）： Method Para. MACs Type PESQ↑ ESTOI↑ CSIG↑ CBAK↑ COVL↑ WV-MOS↑ Degraded - - - 1.67±0.60 0.70±0.18 2.41±1.15 1.92±0.60 2.01±0.87 1.79±2.13 MP-SENet 2.26M 34.58G P 2.71±0.89 0.88±0.13 3.99±0.76 2.90±0.58 3.38±0.89 4.16±0.25 PGUSE 5.1M 26.3G D+P 2.95±0.91 0.91±0.06 4.01±0.77 2.61±0.60 3.53±0.91 3.44±0.66 DVPD (w/o TLB) 1.9M 10.2G D+P 2.99±0.88 0.91±0.12 4.06±0.71 2.93±0.57 3.43±0.87 4.16±0.25 DVPD (w/ TLB) 1.9M 10.2G D+P 3.15±0.79 0.92±0.05 4.21±0.37 3.01±0.47 3.51±0.99 4.27±0.31 DVPD以1.9M参数、10.2G MACs在WSJ0-UNI上取得PESQ 3.15，显著超过PGUSE（5.1M, 26.3G MACs, PESQ 2.95）。即使不使用TLB策略，DVPD（2.99 PESQ）也已超过PGUSE，且纯预测分支DVPD-P仅0.61M参数、2.41G MACs即可达到与2.26M/34.58G MACs的MP-SENet相当的性能（PESQ 2.70 vs 2.71）。 ...

📄 From Inpainting to Editing: Unlocking Robust Mask-Free Visual Dubbing via Generative Bootstrapping #扩散模型 #多模态模型 7.6/10 | 创新 1.7/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.6/1 | 影响 0.9/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.6/10 | 前25% | #扩散模型 | #扩散模型 | #多模态模型 | arxiv 👥 作者与机构 第一作者：Xu He（清华大学深圳国际研究生院） 通讯作者：Zhiyong Wu（清华大学深圳国际研究生院, 香港中文大学） 作者列表：Xu He（清华大学深圳国际研究生院）、Haoxian Zhang（快手Kling团队）、Hejia Chen（快手Kling团队）、Changyuan Zheng（清华大学深圳国际研究生院）、Liyang Chen（清华大学深圳国际研究生院）、Songlin Tang（快手Kling团队）、Jiehui Huang（香港科技大学）、Xiaoqiang Liu（快手Kling团队）、Pengfei Wan（快手Kling团队）、Zhiyong Wu（清华大学深圳国际研究生院 / 香港中文大学） 💡 毒舌点评 亮点：论文提出了一种极具洞察力的“生成式自举”范式，从根本上解决了视觉配音领域因掩码修复带来的唇形泄露、身份漂移等顽疾，实现了无掩码、高保真的视觉配音。时间步自适应多阶段学习策略巧妙解耦了编辑任务中的多目标冲突，模型在复杂场景下的鲁棒性令人印象深刻。短板：技术方案对预训练 DiT 和 Whisper 等强大先验的依赖程度过高，自身基础方法的创新有限，且未能提供对基底模型更换后的鲁棒性分析。提出的 X-DubBench 数据集和模型权重均未公开，仅有的推理代码严重限制了社区复现与公平对比。 ...

📄 Joint Enhancement and Classification using Coupled Diffusion Models of Signals and Logits #语音识别 #语音增强 #鲁棒性 #扩散模型 #多模态模型 9.3/10 | 创新 1.8/2 | 严谨 1.4/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 🔥 9.3/10 | 前10% | #语音识别 | #扩散模型 | #语音增强 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Gilad Nurko（Technion – Israel Institute of Technology） 通讯作者：Gilad Nurko（Technion – Israel Institute of Technology） 作者列表：Gilad Nurko（Technion – Israel Institute of Technology）、Roi Benita（Technion – Israel Institute of Technology）、Yehoshua Dissen（Technion – Israel Institute of Technology）、Tomohiro Nakatani（NTT, Inc., Japan）、Marc Delcroix（NTT, Inc., Japan）、Shoko Araki（NTT, Inc., Japan）、Joseph Keshet（Technion – Israel Institute of Technology） 💡 毒舌点评 信号与logits扩散的耦合想法聪明又实用，让增强和识别双向奔赴，确实比傻乎乎的“先增强后分类”高出几个段位。但计算开销是硬伤，Nested和Alternating策略的NFE（神经功能评估）倍数（10×和7×）让部署侧直呼受不了，且ASR实验一直抱着受限词表不放，似乎有点逃避大词汇量连续识别的hard mode。整体瑕不掩瑜，ICML的spotlight水平，但别想让审稿人给full oral。 ...

📄 Listening Through the Noise: Cauchy-Driven Diffusion Bridges for Robust Gastrointestinal Auscultation and Clinical Benchmarking #音频修复 #语音增强 #扩散模型 #音频事件检测 7.4/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0.2/1.5 | 复现 0.4/0.5 | 工程 1.1/1.5 ✅ 7.4/10 | 前50% | #音频修复 | #扩散模型 | #语音增强 #音频事件检测 | arxiv 👥 作者与机构 第一作者：Dian Ding（上海交通大学计算机科学与工程系） 通讯作者：Yu Lu（上海交通大学计算机科学与工程系，yulu01@sjtu.edu.cn） 作者列表：Dian Ding（上海交通大学）、Liren Dong（陕西师范大学人工智能与计算机科学学院）、Yu Lu（上海交通大学）、Juntao Zhou（上海交通大学）、Ran Wang（上海交通大学）、Peng Li（陕西师范大学）、Zhenyi Jia（上海交通大学医学院附属第六人民医院普外科）、Guangtao Xue（上海交通大学） 💡 毒舌点评 本文在扩散桥框架内引入 Cauchy 噪声假设，对临床肠鸣音去噪具有扎实的理论动机——但“语音干扰呈重尾分布”这一核心动机仅通过 Fig.2 的目视对比来论证，并未给出正式的统计拟合优度检验，有“看图说话”之嫌。CLINBS 数据集填补了病理肠鸣音空白值得肯定，然而论文未提供任何代码、模型权重或数据集获取方式，严重削弱了可复现性与实际影响力。此外，所有评估均在人工加性混合的语音干扰下进行，即使在附录 C.4 补充了真实病房噪声实验，该实验仍采用加性混合模型（将无肠鸣音的背景录音与纯净肠鸣音线性混合），未涉及真实含噪临床录音的直接去噪，临床适用性仍有待证明。 ...

📄 Optimality of FSQ Tokens for Continuous Diffusion for Categorical Data with Application to Text-to-Speech #语音合成 #扩散模型 8/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 8/10 | 前25% | #语音合成 | #扩散模型 | arxiv 👥 作者与机构 第一作者：Vadim Popov（Huawei Noah’s Ark Lab, National Research University Higher School of Economics） 通讯作者：Vadim Popov（popov.vadim1@huawei.com） 作者列表：Vadim Popov（Huawei Noah’s Ark Lab, National Research University Higher School of Economics）、Wenju Gu（Huawei Noah’s Ark Lab）、Tasnima Sadekova（Huawei Noah’s Ark Lab, National Research University Higher School of Economics）、Georgii Aparin（Huawei Noah’s Ark Lab, National University of Science and Technology MISIS）、Assel Yermekova（Huawei Noah’s Ark Lab） 💡 毒舌点评 这篇论文巧妙地将 FSQ 的几何结构注入了连续扩散混合生成的理论框架, 从路径测度 KL 散度给出了一个漂亮的解释, 并用一套完整的 TTS 系统秀了肌肉。但理论的华美长袍下藏着“等先验”的致命伤疤, 一旦面对真实世界中不平衡的 token 分布, 所谓“最优性”可能瞬间沦为纸上谈兵, 而作者在实验中对此几乎是讳莫如深。 ...

📄 Polyphonia: Zero-Shot Timbre Transfer in Polyphonic Music with Acoustic-Informed Attention Calibration #音乐生成 #扩散模型 #零样本 6.5/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 0.5/1.5 | 复现 0.2/0.5 | 工程 1.2/1.5 ✅ 6.5/10 | 前50% | #音乐生成 | #扩散模型 | #零样本 | arxiv 👥 作者与机构 第一作者：Haowen Li（华南理工大学未来技术学院） 通讯作者：Qi Liu（华南理工大学未来技术学院） 作者列表：Haowen Li（华南理工大学未来技术学院）、Tianxiang Li（华南理工大学未来技术学院）、Yi Yang（华南理工大学未来技术学院）、Boyu Cao（华南理工大学未来技术学院）、Qi Liu†（华南理工大学未来技术学院）(*表示共同第一作者，†表示通讯作者) 💡 毒舌点评 这篇论文找到了一个非常漂亮的insight——将BSS的判别式输出（IRM）转化为扩散模型里的软注意力约束，以此解决复调音乐中纯语义注意力“找不到北”的问题。想法本身是成立的，实验也基本撑住了SOTA的claim。但问题是，整个框架厚重地寄生在预训练AudioLDM 2的躯体上，推理慢如牛（10秒音频需24秒），且对BSS模型的质量有硬依赖——本质上是用一个黑箱去修另一个黑箱的缺陷。更致命的是，最强对手PPAE被以“复现困难”为由直接踢出局，这让实验的公平性打上问号。代码和模型权重均未公开，同态可复现性堪忧，这让论文更像一场精巧的概念验证秀，而非社区可信赖的基线。 📌 核心摘要 问题：本文要解决的是零样本、声部级（stem-specific）的复调音乐音色迁移——即精准改变特定声部的音色（如人声→小提琴），同时严格保留其他声部和整体音乐结构不变。现有方法（如Melodia、SteerMusic）因依赖纯语义交叉注意力而缺乏频谱分辨率，在密集混音中遭遇“语义-声学不对齐”（Semantic-Acoustic Misalignment），导致非目标声部失真（Non-target Distortion）或目标声部编辑失败（Target Misalignment）。 方法核心：提出Polyphonia框架，核心是“声学先验校准注意力”（Acoustic-Informed Attention Calibration）。通过盲源分离（BSS）模型HT-Demucs提取概率化的理想比率掩码（IRM）作为声学先验 \(G_{IRM}\)，将其注入预训练扩散模型AudioLDM 2的T-UNet注意力层，实施两种校准操作：源插值（Source Interpolation）保背景，声学调制（Acoustic Modulation）强目标，从而在粗粒度频谱边界内进行精粒度语义合成。 新颖性：首次形式化复调音乐编辑中的“语义-声学不对齐”问题；将判别式的BSS输出（IRM）转化为生成式扩散模型内的软注意力偏差，统一了判别与生成范式；提出了在Pre-Softmax logit空间进行注意力干预的机制，利用Softmax的非线性放大效应以实现更锐利的决策边界。 主要实验结果：在MUSDB18-HQ和MusicDelta数据集上，使用自建的PolyEvalPrompts基准（1170个编辑任务）进行评测。Polyphonia的CLAP分数比最优基线Melodia提升约15.5%（MusicDelta: 0.437 vs. 0.380）。在结构保持与音色对齐的综合指标（ASB, AMB）上取得最优平衡，但在LPAPS和CQT1-PCC等结构保真度指标上并非最优，展现了灵敏度-保真度的清晰trade-off。主观评估中，Polyphonia在目标音色准确性（TTA）和全局音频一致性（GAC）上得分最高。 实际意义：为音乐制作提供了一种零样本的声部级精确编辑工具，避免了对昂贵监督微调（如Music ControlNet）的依赖，具有直接集成的工程潜力。 主要局限性：推理速度慢（扩散迭代100步），高度依赖BSS模型的分离质量和预训练生成模型的能力天花板。作者声称将探索flow-matching等加速策略。 🔗 开源详情 代码：未提供任何代码仓库链接。 模型权重：未发布 Polyphonia 自身的模型权重。实验依赖于预训练的第三方模型：AudioLDM 2 的 cvssp/audioldm checkpoint、MusicGen 的 facebook/musicgen-melody checkpoint、HT-Demucs、Open-Unmix 等，这些均为公开可获取的开放权重。 数据集：使用公开数据集 MUSDB18-HQ 和 MusicDelta（来自MedleyDB）。自建的 PolyEvalPrompts 数据集已公开在Demo页面，但未提供直接下载链接。 Demo：https://polyphonia2026.github.io/polyphonia-demo/ 复现材料：论文附录（C、E、G、J）提供了详细的实现细节、超参数配置与评估方法，并包含核心算法的伪代码。但缺少实际源码、配置文件或模型权重，不能直接复现。 论文中引用的开源项目： AudioLDM 2：https://github.com/haoheliu/AudioLDM2 HT-Demucs：https://github.com/facebookresearch/demucs Open-Unmix：https://github.com/sigsep/open-unmix-pytorch LAION-CLAP：https://github.com/LAION-AI/CLAP MusicGen（来自 AudioCraft）：https://github.com/facebookresearch/audiocraft T5（text-to-text-transfer-transformer） GPT-2：https://github.com/openai/gpt-2 nnAudio：https://github.com/KinWaiCheuk/nnAudio Qwen-Audio：https://github.com/QwenLM/Qwen-Audio Qwen3：https://github.com/QwenLM/Qwen3 fadtk（FAD 工具）：https://github.com/gudgud96/fadtk 🏗️ 方法概述和架构 Polyphonia是一个基于预训练AudioLDM 2扩散模型的双路径零样本编辑框架。其核心思想是：利用盲源分离（BSS）获得的概率化频谱掩码作为外部声学先验，在扩散模型的逆序推理（Inversion）和编辑去噪（Editing）过程中，对T-UNet的注意力图进行校准，从而解决纯语义注意力在复调音乐中无法精确定位目标声部的问题。整体流程分为三个阶段： ...