论文解读
SwitchCodec: Adaptive Residual-Expert Sparse Quantization for High-Fidelity Neural Audio Coding
音频生成 | 8.5/10
音频生成
子标签
下方只统计已核验方向的论文记录，按已核身份去重，身份待核时按页面保留。“直接”只含明确标注该方向的论文；“含子树”同时包含下级方向。点击名称进入论文库继续筛选；数量与上方按标签名称收录的页面数不同。
- 视频到声音生成 直接 59 篇 · 含子树 59 篇
论文解读
Synthcloner: Synthesizer-Style Audio Transfer via Factorized Codec with ADSR Envelope Control
音频生成 | 8.5/10
论文解读
TAG: Structured Temporal Audio Generation via LLM-Guided Manual Scription and Control
音频生成 | 7.5/10
论文解读
Taming Audio VAEs via Target-KL Regularization
音频生成 | 6.5/10
论文解读
Text2Move: Text-To-Moving Sound Generation via Trajectory Prediction and Temporal Alignment
空间音频 | 8.0/10
论文解读
Training-Free Multimodal Guidance for Video to Audio Generation
音频生成 | 8.0/10
论文解读
Universr: Unified and Versatile Audio Super-Resolution Via Vocoder-Free Flow Matching
音频超分辨率 | 8.0/10
论文解读
Via Score to Performance: Efficient Human-Controllable Long Song Generation with Bar-Level Symbolic Notation
音乐生成 | 7.5/10
论文解读
UniSonate: A Unified Model for Speech, Music, and Sound Effect Generation with Text Instructions
音频生成 | 8.5/10
论文解读
Materialistic RIR: Material Conditioned Realistic RIR Generation
音频生成 | 7.5/10
论文解读
BEAT: Tokenizing and Generating Symbolic Music by Uniform Temporal Steps
本文针对符号音乐生成中主流的事件序列（event-based）tokenization方法隐含处理时间规律、导致模型需额外学习时间网格的问题，提出了一种名为**BEAT**的新型网格化tokenization框架。其核心思想是将音乐在时间上均匀离散化为“拍”（beat）作为基本单位，将每拍内每个音高
论文解读
Latent Fourier Transform
这篇论文旨在解决现有音乐生成模型难以对**任意时间尺度**上的音乐模式进行精确控制的问题。作者提出了**潜在傅里叶变换（LatentFT）** 框架，其核心是将离散傅里叶变换应用于由扩散自编码器编码得到的**潜在向量序列**，从而得到“潜在频谱”。通过在训练过程中对潜在频谱进行随机频率掩码，迫使解码
论文解读
ControlFoley: Unified and Controllable Video-to-Audio Generation with Cross-Modal Conflict Handling
本文提出了ControlFoley，一个统一且可控的视频到音频生成框架，旨在解决现有方法在跨模态冲突下文本控制力弱、以及参考音频控制中音色与时间信息纠缠的问题。其核心贡献包括：1）提出联合视觉编码范式
论文解读
Enhancing time-frequency resolution with optimal transport and barycentric fusion of multiple spectrogram
**核心问题**：短时傅里叶变换（STFT）生成的谱图受制于不确定性原理，无法同时获得优异的时间和频率分辨率。传统融合方法（如几何平均）要求输入谱图网格对齐，且性能有限。 **核心方法**：本文提出一
论文解读
Four Decades of Digital Waveguides
这篇论文旨在全面回顾数字波导物理建模技术自诞生以来四十年的发展历程、核心应用与最新进展。它要解决的核心问题是，如何在保证物理模拟准确性的同时，实现声波传播模拟的高效计算，以满足实时音频处理（如虚拟乐器
论文解读
Geo2Sound: A Scalable Geo-Aligned Framework for Soundscape Generation from Satellite Imagery
这篇论文提出了一个名为 **Geo2Sound** 的新任务和框架，旨在从卫星图像生成地理上一致且逼真的声音景观。**要解决的问题**是现有图像到音频模型在处理自上而下的卫星视图时面临三大挑战：缺乏结
论文解读
Tora3: Trajectory-Guided Audio-Video Generation with Physical Coherence
本文针对现有音视频（AV）生成模型中存在的运动不真实、声音与运动事件不同步、声音强度与运动强度不匹配等问题，提出了Tora3框架。其核心创新在于**将物体轨迹视为连接视觉与听觉模态的共享运动学先验**