論文の概要: Woosh: A Sound Effects Foundation Model

• arxiv url: http://arxiv.org/abs/2604.01929v1
• Date: Thu, 02 Apr 2026 11:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.715539
• Title: Woosh: A Sound Effects Foundation Model
• Title（参考訳）: Woosh:サウンドエフェクトの基礎モデル
• Authors: Gaëtan Hadjeres, Marc Ferras, Khaled Koutini, Benno Weck, Alexandre Bittar, Thomas Hummel, Zineb Lahrici, Hakim Missoum, Joan Serrà, Yuki Mitsufuji,
• Abstract要約: ソニーAIが公開しているサウンドエフェクト基礎モデルであるWooshを紹介します。 音響効果に最適化されているため,(1)高品質なオーディオエンコーダ/デコーダモデル,(2)コンディショニングのためのテキスト・オーディオアライメントモデルを提供する。 拡張されたテキスト・トゥ・オーディオモデルやビデオ・トゥ・オーディオモデルもこのリリースに含まれており、低リソースの操作と高速な推論が可能になっている。
• 参考スコア（独自算出の注目度）: 58.759449707459474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The audio research community depends on open generative models as foundational tools for building novel approaches and establishing baselines. In this report, we present Woosh, Sony AI's publicly released sound effect foundation model, detailing its architecture, training process, and an evaluation against other popular open models. Being optimized for sound effects, we provide (1) a high-quality audio encoder/decoder model and (2) a text-audio alignment model for conditioning, together with (3) text-to-audio and (4) video-to-audio generative models. Distilled text-to-audio and video-to-audio models are also included in the release, allowing for low-resource operation and fast inference. Our evaluation on both public and private data shows competitive or better performance for each module when compared to existing open alternatives like StableAudio-Open and TangoFlux. Inference code and model weights are available at https://github.com/SonyResearch/Woosh. Demo samples can be found at https://sonyresearch.github.io/Woosh/.
• Abstract（参考訳）: オーディオ研究コミュニティは、新しいアプローチを構築し、ベースラインを確立するための基礎ツールとして、オープンな生成モデルに依存している。 本稿では、Sony AIが公開しているサウンドエフェクト基礎モデルであるWooshを紹介し、アーキテクチャ、トレーニングプロセス、および他の人気のあるオープンモデルに対する評価について詳述する。 音響効果に最適化されているため,(1)高品質なオーディオエンコーダ/デコーダモデル,(2)コンディショニングのためのテキスト・オーディオアライメントモデル,(3)テキスト・トゥ・オーディオモデル,(4)ビデオ・トゥ・オーディオ生成モデルを提供する。 拡張されたテキスト・トゥ・オーディオモデルやビデオ・トゥ・オーディオモデルもこのリリースに含まれる。 公開データとプライベートデータの両方に対する評価は、StableAudio-OpenやTangoFluxのような既存のオープンな代替手段と比較して、各モジュールのパフォーマンスが競争力または向上していることを示している。 推論コードとモデルウェイトはhttps://github.com/SonyResearch/Woosh.comで公開されている。 デモサンプルはhttps://sonyresearch.github.io/Woosh/で見ることができる。

関連論文リスト

• MOVA: Towards Scalable and Synchronized Video-Audio Generation [91.56945636522345]
  高品質で同期した映像コンテンツを生成できるオープンソースモデルMOVA(MOSS Video and Audio)を紹介する。 モデルウェイトとコードをリリースすることによって、研究を進め、クリエーターの活気あるコミュニティを育むことを目指しています。
  論文  参考訳（メタデータ） (2026-02-09T15:31:54Z)
• MMAudioSep: Taming Video-to-Audio Generative Model Towards Video/Text-Queried Sound Separation [34.79792511587843]
  MMAudioSepは,ビデオ/テキスト検索音声分離のための生成モデルである。 事前訓練された音声生成モデルを用いて学習した映像・テキストと音声の関係について知識を利用することで、より効率的にモデルを訓練することができる。
  論文  参考訳（メタデータ） (2025-10-10T07:13:06Z)
• Can Synthetic Audio From Generative Foundation Models Assist Audio Recognition and Speech Modeling? [40.3708221702947]
  本研究の目的は,学習データとして使用することの有効性を検証し,音質を評価することである。 具体的には,音声認識における合成音声の利用について検討する。 また、音声関連モデリングにおいて、合成音声がデータ拡張の資源となるかどうかについても検討する。
  論文  参考訳（メタデータ） (2024-06-13T04:33:05Z)
• Tango 2: Aligning Diffusion-based Text-to-Audio Generations through Direct Preference Optimization [70.13218512896032]
  テキストプロンプトから音声を生成することは、音楽や映画産業におけるそのようなプロセスの重要な側面である。 我々の仮説は、これらのオーディオ生成の側面が、限られたデータの存在下でのオーディオ生成性能をどのように改善するかに焦点を当てている。 我々は、各プロンプトが勝者の音声出力と、拡散モデルが学習するための敗者音声出力を持つ選好データセットを合成的に作成する。
  論文  参考訳（メタデータ） (2024-04-15T17:31:22Z)
• Audiobox: Unified Audio Generation with Natural Language Prompts [37.39834044113061]
  本稿では,様々な音響モダリティを生成可能なフローマッチングに基づく統一モデルであるAudioboxを提案する。 我々は、制御性を高め、音声および音声生成パラダイムを統一するために、記述ベースおよび例ベースプロンプトを設計する。 Audioboxは、音声と音声の生成に関する新しいベンチマークを設定し、新しい音声と音響のスタイルで音声を生成する新しいメソッドをアンロックする。
  論文  参考訳（メタデータ） (2023-12-25T22:24:49Z)
• AudioLDM 2: Learning Holistic Audio Generation with Self-supervised Pretraining [46.22290575167155]
  本稿では, 音声, 音楽, 音響効果生成のための同じ学習手法を用いた枠組みを提案する。 私たちのフレームワークでは、LOA(Language of Audio)と呼ばれる音声の一般的な表現を導入しています。
  論文  参考訳（メタデータ） (2023-08-10T17:55:13Z)
• Make-An-Audio: Text-To-Audio Generation with Prompt-Enhanced Diffusion Models [65.18102159618631]
  マルチモーダル生成モデリングは、テキスト・ツー・イメージとテキスト・ツー・ビデオ生成においてマイルストーンを生み出した。 高品質のテキストオーディオペアを備えた大規模データセットの欠如、長期連続的なオーディオデータのモデリングの複雑さ、という2つの主な理由から、オーディオへの適用は依然として遅れている。 本稿では,これらのギャップに対処する急激な拡散モデルを用いたMake-An-Audioを提案する。
  論文  参考訳（メタデータ） (2023-01-30T04:44:34Z)

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。