論文の概要: Diffused Responsibility: Analyzing the Energy Consumption of Generative Text-to-Audio Diffusion Models

• arxiv url: http://arxiv.org/abs/2505.07615v1
• Date: Mon, 12 May 2025 14:36:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.436401
• Title: Diffused Responsibility: Analyzing the Energy Consumption of Generative Text-to-Audio Diffusion Models
• Title（参考訳）: 拡散責任:生成的テキスト・音声拡散モデルのエネルギー消費の分析
• Authors: Riccardo Passoni, Francesca Ronchini, Luca Comanducci, Romain Serizel, Fabio Antonacci,
• Abstract要約: 我々は、7つの最先端テキストからオーディオへの拡散に基づく生成モデルのエネルギー使用量分析を行う。 また,音質とエネルギー消費の最適バランスを同定することを目的とする。
• 参考スコア（独自算出の注目度）: 15.100667215184036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-audio models have recently emerged as a powerful technology for generating sound from textual descriptions. However, their high computational demands raise concerns about energy consumption and environmental impact. In this paper, we conduct an analysis of the energy usage of 7 state-of-the-art text-to-audio diffusion-based generative models, evaluating to what extent variations in generation parameters affect energy consumption at inference time. We also aim to identify an optimal balance between audio quality and energy consumption by considering Pareto-optimal solutions across all selected models. Our findings provide insights into the trade-offs between performance and environmental impact, contributing to the development of more efficient generative audio models.
• Abstract（参考訳）: 近年,テキスト記述から音声を生成するための強力な技術として,テキスト音声モデルが登場している。 しかし、その高い計算要求は、エネルギー消費と環境への影響に関する懸念を引き起こす。 本稿では,7種類のテクストからオーディオへの拡散に基づく生成モデルのエネルギー使用量分析を行い,生成パラメータの変動が推定時間におけるエネルギー消費に与える影響を評価する。 また,選択したモデル間のパレート最適解を考慮し,音質とエネルギー消費の最適バランスを求める。 本研究は,より効率的な生成音声モデルの開発に寄与し,性能と環境への影響のトレードオフに関する知見を提供する。

関連論文リスト

• Green MLOps to Green GenOps: An Empirical Study of Energy Consumption in Discriminative and Generative AI Operations [2.2765705959685234]
  本研究では,実世界のMLOpsパイプラインにおける識別型および生成型AIモデルのエネルギー消費について検討する。 さまざまな構成、モデル、データセットにわたるレプリケーションの容易性を保証するために、ソフトウェアベースのパワー測定を採用しています。
  論文  参考訳（メタデータ） (2025-03-31T10:28:04Z)
• Double-Exponential Increases in Inference Energy: The Cost of the Race for Accuracy [3.6731536660959985]
  コンピュータビジョンにおけるディープラーニングモデルは、エネルギー消費と持続可能性に対する懸念を増大させる。 1200画像ネット分類モデルの推定エネルギー消費の包括的分析を行う。 我々は、エネルギー消費に寄与する重要な要因を特定し、エネルギー効率を向上させる方法を示す。
  論文  参考訳（メタデータ） (2024-12-12T21:44:08Z)
• Can Large Audio-Language Models Truly Hear? Tackling Hallucinations with Multi-Task Assessment and Stepwise Audio Reasoning [55.2480439325792]
  大規模な音声言語モデル (LALM) は、音声および音声情報の理解と推論に優れた能力を示している。 これらのモデルは、既存の音のイベントを幻覚させ、音のイベントの順序を誤認し、誤って音源を帰属させるなど、依然として課題に直面している。
  論文  参考訳（メタデータ） (2024-10-21T15:55:27Z)
• Breaking Down Power Barriers in On-Device Streaming ASR: Insights and Solutions [20.180037657388763]
  重みパラメータが消費電力に与える影響は,起動頻度やメモリ割り当てなどの要因によって異なることがわかった。 本稿では,デバイス上での音声認識モデルを改善する設計原則を提案する。
  論文  参考訳（メタデータ） (2024-02-20T15:22:25Z)
• Utilizing Language Models for Energy Load Forecasting [11.670324826998968]
  エネルギー負荷予測に言語モデルを活用する新しい手法を提案する。 我々は、エネルギー消費データを記述文に変換するためのプロンプト技術を採用している。 その結果,エネルギー負荷予測における言語モデルの利用は,エネルギー効率の向上を約束することを示す。
  論文  参考訳（メタデータ） (2023-10-26T21:36:06Z)
• Neural Acoustic Context Field: Rendering Realistic Room Impulse Response With Neural Fields [61.07542274267568]
  このレターでは、音声シーンをパラメータ化するためのNACFと呼ばれる新しいニューラルネットワークコンテキストフィールドアプローチを提案する。 RIRのユニークな性質により、時間相関モジュールとマルチスケールエネルギー崩壊基準を設計する。 実験の結果,NACFは既存のフィールドベース手法よりも顕著なマージンで優れていた。
  論文  参考訳（メタデータ） (2023-09-27T19:50:50Z)
• On Feature Diversity in Energy-based Models [98.78384185493624]
  エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。 EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
  論文  参考訳（メタデータ） (2023-06-02T12:30:42Z)
• Analysing the Impact of Audio Quality on the Use of Naturalistic Long-Form Recordings for Infant-Directed Speech Research [62.997667081978825]
  早期言語習得のモデリングは、幼児が言語スキルをブートストラップする方法を理解することを目的としている。 近年の進歩により、より自然主義的なトレーニングデータを計算モデルに利用できるようになった。 音質がこれらのデータに対する分析やモデリング実験にどう影響するかは、現時点では不明である。
  論文  参考訳（メタデータ） (2023-05-03T08:25:37Z)
• Conditional Diffusion Probabilistic Model for Speech Enhancement [101.4893074984667]
  本稿では,観測された雑音の音声信号の特徴を拡散・逆過程に組み込む新しい音声強調アルゴリズムを提案する。 本実験では, 代表的な生成モデルと比較して, 提案手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-10T18:58:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。