Fugu-MT 論文翻訳(概要): Fast and Flexible Audio Bandwidth Extension via Vocos

論文の概要: Fast and Flexible Audio Bandwidth Extension via Vocos

arxiv url: http://arxiv.org/abs/2603.07285v1
Date: Sat, 07 Mar 2026 17:12:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-10 15:13:14.202997
Title: Fast and Flexible Audio Bandwidth Extension via Vocos
Title（参考訳）: Vocosによる高速かつフレキシブルな帯域拡張
Abstract要約: 本稿では,8-48kHzの帯域幅拡張モデルを提案する。このモデルは、NVIDIA A100 GPUで0.0001、8コアCPUで0.0053をリアルタイムに実行しながら、競合する対数スペクトル距離を達成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We propose a Vocos-based bandwidth extension model that enhances audio at 8-48 kHz by generating missing high-frequency content. Inputs are resampled to 48 kHz and processed by a neural vocoder backbone, enabling a single network to support arbitrary upsampling ratios. A lightweight Linkwitz-Riley-inspired refiner merges the original low band with the generated high frequencies via a smooth crossover. On validation, the model achieves competitive log-spectral distance while running at a real-time factor of 0.0001 on an NVIDIA A100 GPU and 0.0053 on an 8-core CPU, demonstrating practical, high-quality BWE at extreme throughput.
Abstract（参考訳）: 本稿では,8-48kHzの帯域幅拡張モデルを提案する。入力は48kHzに再サンプリングされ、ニューラルボコーダのバックボーンによって処理される。ライトウェイトなLinkwitz-Rileyにインスパイアされた精製機は、元の低帯域とスムーズなクロスオーバーによって生成された高周波数をマージする。検証では、NVIDIA A100 GPUで0.0001、8コアCPUで0.0053のリアルタイム係数で実行しながら、競合する対数スペクトル距離を達成し、実用的で高品質なBWEを極端なスループットで示す。

関連論文リスト

TurboT2VA: Fast Large-Scale Text-to-Video-Audio Generation via Score-Regularized Consistency Distillation [105.14745366152725]
TurboT2VAは、ジョイントテキスト・ツー・ビデオ・オーディオ生成のための蒸留および推論フレームワークである。 LTX-2では、4段階の蒸留により512$times$768の標準評価解像度でジェネレータのレイテンシを50.52sから2.51sに短縮する。完全なスタックは、ジェネレータのレイテンシを318.74sから1つのNVIDIA H20で5.83sに短縮し、54.67$times$ジェネレータのみのスピードアップを達成した。
論文参考訳（メタデータ） (2026-08-25T15:09:02Z)
Fast, accurate, and differentiable: a neural-network surrogate for NRSur7dq4 precessing binary black hole waveforms [0.0]
NRSur7dq4重力波形モデルをエミュレートするニューラルネットワークサロゲートモデルを提案する。我々は、NRSur7dq4に対するサロゲートを、その全パラメータ空間にまたがる10,000の波形に対して検証する。これは、評価されたNR忠実な精度と完全に微分可能なGPU加速推論パイプラインを組み合わせた、先行する数値相対性理論波形モデルの初めてのニューラルネットワークサロゲートである。
論文参考訳（メタデータ） (2026-07-27T18:08:33Z)
BASENet: Band-Adapted Speech Enhancement Network with Cross-Band Attention [0.8594140167290097]
BASENetは、スペクトルをバークスケールのバンドに分割し、それぞれに臨界帯域密度から派生したスケール容量エンコーダを割り当てる。クロスバンドアテンションモジュールは、線形複雑度でコンパクトな周波数プール表現を通じて、バンド間の高調波依存性をキャプチャする。因果的変種(3.44 PESQ)はいくつかの非因果的ベースラインを超え、リソース制約のあるデバイス上でのリアルタイムストリーミングに適していることを確認した。
論文参考訳（メタデータ） (2026-06-10T20:45:09Z)
WavFlow: Audio Generation in Waveform Space [25.62432990858879]
WavFlowは、中間表現なしで生波形空間で直接高忠実なオーディオを生成するフレームワークである。自動データパイプラインを活用して、500万の高品質のビデオテキストオーディオトリプルをキュレートします。 WavFlowは、VGGSound (FD_PaSST: 59.98, IS_PANNs: 17.40, DeSync: 0.44)とAudioCaps (FD_PANNs: 10.63, IS_PANNs: 12.62)の競合性能を達成した。
論文参考訳（メタデータ） (2026-05-18T17:59:10Z)
CodecFlow: Efficient Bandwidth Extension via Conditional Flow Matching in Neural Codec Latent Space [13.286622421661313]
音声帯域拡張は、低帯域音声に対して適切な高周波コンテンツを再生/推論することにより、明瞭さと知性を向上させる。既存の手法はしばしばスペクトログラムや波形モデリングに依存しており、高い計算コストを発生させ、高周波の忠実度を制限できる。我々は、コンパクトな潜在空間で効率的な音声再構成を行うニューラルネットワークベースのBWEフレームワークであるCodecFlowを提案する。
論文参考訳（メタデータ） (2026-03-02T16:03:46Z)
EuleroDec: A Complex-Valued RVQ-VAE for Efficient and Robust Audio Coding [18.199202388702144]
ほとんどの周波数領域のニューラルコーデックは位相情報を無視するか、2つの独立した実数値チャネルとして符号化し、空間的忠実度を制限する。これは、収束速度と訓練安定性を犠牲にして、敵対的差別者を導入する必要がある。本研究では,解析量子化合成パイプライン全体にわたる大域的位相結合を保存する,終端から終端までの複雑なRVQ-VAEオーディオを紹介する。
論文参考訳（メタデータ） (2026-01-24T16:34:07Z)
U-Codec: Ultra Low Frame-rate Neural Speech Codec for Fast High-fidelity Speech Generation [71.59514998928833]
U-Codecは5Hzの超低フレームレートで高忠実度再構成と高速音声生成を実現する。 U-Codecを大規模言語モデル(LLM)ベースの自動回帰TSモデルに適用する。
論文参考訳（メタデータ） (2025-10-19T05:09:20Z)
Frieren: Efficient Video-to-Audio Generation Network with Rectified Flow Matching [51.70360630470263]
Video-to-audio (V2A) は、サイレントビデオからコンテンツマッチング音声を合成することを目的としている。本稿では,修正フローマッチングに基づくV2AモデルであるFrierenを提案する。実験により、フリーレンは世代品質と時間的アライメントの両方で最先端のパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2024-06-01T06:40:22Z)
Ultra-lightweight Neural Differential DSP Vocoder For High Quality Speech Synthesis [9.916195285279931]
DSPヴォコーダは、過度に滑らかな音響モデル予測を消費するため、音質が低下することが多い。 DSPボコーダと共同最適化された音響モデルを用いた超軽量DSP(DDSP)ボコーダを提案し,声道スペクトルの特徴を抽出せずに学習する。
論文参考訳（メタデータ） (2024-01-19T02:51:00Z)
High Fidelity Neural Audio Compression [92.4812002532009]
我々は、ニューラルネットワークを利用した最先端のリアルタイム、高忠実、オーディオを導入する。ストリーミングエンコーダ-デコーダアーキテクチャと、エンドツーエンドでトレーニングされた量子化潜在空間で構成されている。単一マルチスケール・スペクトログラム・アドバイザリーを用いて、トレーニングを簡素化し、高速化する。
論文参考訳（メタデータ） (2022-10-24T17:52:02Z)
Neural Vocoder is All You Need for Speech Super-resolution [56.84715616516612]
音声スーパーレゾリューション(SR)は、高周波成分を生成して音声サンプリング率を高めるタスクである。既存の音声SR法は、固定的なアップサンプリング比のような制約のある実験環境で訓練される。本稿では,ニューラルボコーダを用いた音声超解法(NVSR)を提案する。
論文参考訳（メタデータ） (2022-03-28T17:51:00Z)
NU-Wave: A Diffusion Probabilistic Model for Neural Audio Upsampling [0.0]
NU-Waveは、粗い16kHzまたは24kHz入力からサンプリングレート48kHzの波形を生成する最初のニューラルオーディオアップサンプリングモデルです。 NU-Waveは、信号対雑音比(SNR)、ログスペクトル距離(LSD)、ABXテストの精度で高性能を実現する高品質のオーディオを生成します。
論文参考訳（メタデータ） (2021-04-06T06:52:53Z)
NU-GAN: High resolution neural upsampling with GAN [60.02736450639215]
NU-GANはサンプリングレート(アップサンプリング)の低値から高値へのオーディオ再サンプリング法であるこのようなアプリケーションは44.1kHzまたは48kHzの解像度でオーディオを使用するが、現在の音声合成法は最大24kHzの解像度で処理できる。 ABX選好試験は、我々のNU-GAN再サンプリング装置が22kHzから44.1kHzのオーディオを再サンプリングでき、これは元のオーディオと区別できるが、単一の話者データセットのランダムな確率より7.4%高く、マルチスピーカーデータセットの確率より10.8%高い。
論文参考訳（メタデータ） (2020-10-22T01:00:23Z)

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。