論文の概要: SAME: A Semantically-Aligned Music Autoencoder

• arxiv url: http://arxiv.org/abs/2605.18613v1
• Date: Mon, 18 May 2026 16:23:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:50.014973
• Title: SAME: A Semantically-Aligned Music Autoencoder
• Title（参考訳）: セマンティックにアライズされた音楽オートエンコーダー
• Authors: Julian D. Parker, Zach Evans, CJ Carr, Zachary Zukowski, Josiah Taylor, Matthew Rice, Jordi Pons,
• Abstract要約: セマンティック・アラインド・ミュージック・オートエンコーダ(Semantically-Aligned Music autoEncoder)は、ステレオ音楽と一般的なオーディオのためのオートエンコーダである。 トランスフォーマーベースのバックボーンとセマンティックな正規化アプローチの組み合わせ,フェーズアウェアな再構成損失,識別器設計の改善によって実現した。 2つの変種(大きなITT-LとCPUデプロイ可能なITT-S)をオープンウェイト形式でリリースする。
• 参考スコア（独自算出の注目度）: 12.48765465843236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent representations are at the heart of the majority of modern generative models. In the audio domain they are typically produced by a neural-audio-codec autoencoder. In this work we introduce SAME (Semantically-Aligned Music autoEncoder), an autoencoder for stereo music and general audio that reaches a 4096$\times$ temporal compression ratio while maintaining reconstruction quality and downstream generative performance. We achieve this by combining a tranformer-based backbone with set of semantic regularisation approaches, phase-aware reconstruction losses and improved discriminator designs. The architecture delivers substantial computational cost benefits, through both its high compression ratio and its reliance on well-optimised transformer primitives. Two variants (a large SAME-L and a CPU-deployable SAME-S) are released in open-weights form.
• Abstract（参考訳）: 潜在表現は現代の生成モデルの大半の中心にある。 オーディオ領域では、通常はニューラルオーディオコーデックオートエンコーダによって生成される。 本研究では,ステレオ音楽と一般オーディオのオートエンコーダであるPame(Semantically-Aligned Music AutoEncoder)を,再生品質と下流生成性能を維持しながら4096$\times$時間圧縮比で導入する。 トランスフォーマーベースのバックボーンとセマンティックな正規化アプローチの組み合わせ,フェーズアウェアな再構成損失,識別器設計の改善によって実現した。 このアーキテクチャは、高い圧縮比と、最適化されたトランスフォーマープリミティブに依存することにより、かなりの計算コストの恩恵をもたらす。 2つの変種(大きなITT-LとCPUデプロイ可能なITT-S)をオープンウェイト形式でリリースする。

関連論文リスト

• 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)
• CoDiCodec: Unifying Continuous and Discrete Compressed Representations of Audio [7.093237513313511]
  CoDiCodecは、要約埋め込みを通じてグローバル機能を効率的に符号化することで、制限を克服する新しいオーディオオートエンコーダである。 11Hzで圧縮された連続埋め込みと、同じ訓練されたモデルから2.38kbpsの速度で離散トークンを生成する。 我々の研究は、連続的な生成的モデリングパラダイムと離散的なモデリングパラダイムのギャップを埋め、オーディオ圧縮に対する統一的なアプローチを可能にする。
  論文  参考訳（メタデータ） (2025-09-11T20:31:18Z)
• HH-Codec: High Compression High-fidelity Discrete Neural Codec for Spoken Language Modeling [6.313337261965531]
  HH-Codecは、24kHzのオーディオに対して毎秒24トークンで極端な圧縮を実現するニューラルコーデックである。 提案手法では,音声言語モデリングのためのベクトル量子化空間を慎重に設計し,情報損失を最小限に抑えながら圧縮効率を最適化する。 HH-Codecは、0.3kbpsの超低帯域で音声再構成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-07-25T02:44:30Z)
• MagiCodec: Simple Masked Gaussian-Injected Codec for High-Fidelity Reconstruction and Generation [19.998635838159217]
  MagiCodecは、トランスフォーマーベースの新しいシングルレイヤー・ストリーミングオーディオである。 周波数領域におけるノイズ注入の効果を解析的に導出し,その有効性を示す。 MagiCodecは、再構築品質と下流タスクの両方において最先端のコーデックを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-05-31T04:31:02Z)
• Epsilon-VAE: Denoising as Visual Decoding [61.29255979767292]
  復号化は1段階の再構成から反復的改良へと移行する。 具体的には、デコーダを拡散処理に置き換え、ノイズを反復的に改善して元の画像を復元する。 拡散による反復的再構成により, 自己エンコーダであるEpsilon-VAEは高い再構成品質を実現する。
  論文  参考訳（メタデータ） (2024-10-05T08:27:53Z)
• High-Fidelity Audio Compression with Improved RVQGAN [49.7859037103693]
  44.1KHzの音声をたった8kbpsの帯域でトークンに90倍圧縮する,高忠実なユニバーサルニューラルオーディオ圧縮アルゴリズムを提案する。 我々は、すべてのドメイン(音声、環境、音楽など)を単一の普遍モデルで圧縮し、全てのオーディオの生成モデルに広く適用する。
  論文  参考訳（メタデータ） (2023-06-11T00:13:00Z)
• 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)
• RAVE: A variational autoencoder for fast and high-quality neural audio synthesis [2.28438857884398]
  本稿では,高速かつ高品質な音声波形合成が可能なリアルタイムオーディオ変分自動エンコーダ(RAVE)を提案する。 我々のモデルは48kHzのオーディオ信号を生成できる最初のモデルであり、同時に標準のラップトップCPU上で20倍高速に動作可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-09T09:07:30Z)
• SoundStream: An End-to-End Neural Audio Codec [78.94923131038682]
  本稿では,音声,音楽,一般音声を効率よく圧縮できる新しいニューラルオーディオシステムSoundStreamを紹介する。 SoundStreamは完全な畳み込みエンコーダ/デコーダネットワークと残留ベクトル量子化器に頼っている。 エンコーダまたはデコーダ側で、追加のレイテンシなしで、共同圧縮と拡張を行うことができます。
  論文  参考訳（メタデータ） (2021-07-07T15:45:42Z)

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。