論文の概要: FlowSonic: Stable Zero-Shot Music Editing via High-Order Trajectory Integration
- arxiv url: http://arxiv.org/abs/2607.17526v1
- Date: Mon, 20 Jul 2026 04:00:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.495324
- Title: FlowSonic: Stable Zero-Shot Music Editing via High-Order Trajectory Integration
- Title（参考訳）: FlowSonic: 高次軌道統合による安定的なゼロショット音楽編集
- Abstract要約: FlowSonicは、修正フローでトレーニングされた事前訓練された拡散トランスフォーマー上に構築されたゼロショット音楽編集フレームワークである。
実世界の録音を潜伏空間に逆転させ、インバージョン時に抽出したクロスアテンション表現を再利用することにより、編集中の音楽構造を保ちます。
セマンティックアライメント、調和保存、構造的整合性、知覚音質など、既存の音楽編集方法よりも一貫して優れています。
- 参考スコア（独自算出の注目度）: 3.096755173613532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Zero-shot text-guided editing of real-world music recordings requires balancing semantic modification with faithful preservation of the original musical structure. Although recent diffusion transformers trained with rectified flow have achieved remarkable success in text-to-music generation, extending them to edit existing recordings remains challenging because editing requires accurate deterministic inversion, reliable structural preservation, and numerically stable integration throughout the inversion and generation processes. We present FlowSonic, a zero-shot music editing framework built upon a pretrained diffusion transformer trained with rectified flow. FlowSonic first deterministically inverts a real-world recording into the latent space and preserves its musical structure during editing by reusing cross-attention representations extracted during inversion. To improve the numerical reliability of inversion-based editing, we introduce a high-order ODE solver and systematically investigate how different numerical integration schemes influence trajectory stability, structural preservation, and semantic controllability. Comprehensive experiments on timbre-transfer and genre-modification tasks demonstrate that FlowSonic consistently outperforms existing music editing methods across semantic alignment, harmonic preservation, structural consistency, and perceptual audio quality. We further provide geometric and empirical analyses showing how the proposed numerical integration strategy improves latent trajectory stability and leads to more reliable music editing.
- Abstract（参考訳）: 実世界の音楽録音のゼロショットテキスト誘導編集は、意味的な修正と元の音楽構造を忠実に保存するバランスをとる必要がある。
近年の拡散変圧器はテキスト・音楽生成において顕著な成功を収めているが, 編集には正確な決定論的逆転, 信頼性の高い構造保存, 数値的に安定な積分が必要であるため, 既存の録音を編集するための拡張は依然として困難である。
本稿では,修正フローをトレーニングした事前学習拡散変換器上に構築したゼロショット音楽編集フレームワークであるFlowSonicを紹介する。
FlowSonicは、まず実世界の録音を潜伏空間に決定論的に反転させ、インバージョン時に抽出したクロスアテンション表現を再利用することにより、編集中にその音楽構造を保存する。
インバージョンベース編集の数値信頼性を向上させるため,高次ODEソルバを導入し,異なる数値積分方式が軌道安定性,構造保存,意味制御性に与える影響を系統的に検討した。
音色変換タスクとジャンル修正タスクに関する総合的な実験により、FlowSonicはセマンティックアライメント、調和保存、構造的整合性、知覚的オーディオ品質など、既存の音楽編集方法よりも一貫して優れていることが示された。
さらに,提案手法が潜在軌道の安定性を向上し,より信頼性の高い音楽編集に繋がることを示す幾何学的,経験的な分析を行った。
関連論文リスト
- Spatial Temporal Synergy: Balancing Change and Invariance in Text Driven 3D Human Motion Editing [78.44034844227868]
テキスト駆動型人間の動作編集は、自然言語の指示に従って既存の動作シーケンスを変更することを目的としている。
変化と不変性 (Change and Invariance Motion Editing, CIME) は、変化と不変性を空間的ポーズと時間的リズム次元に包括的に分離する統合フレームワークである。
MotionFixとSTANCE調整データセットの実験は、CIMEがアライメントと構造的忠実さの編集において最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-08-17T01:54:44Z) - DirectEdit: Step-Level Accurate Inversion for Flow-Based Image Editing [51.56484100374058]
我々は、事前訓練されたテキスト・ツー・イメージ(T2I)モデルのトレーニング不要な編集方法であるDirectEditを提案する。
DirectEditは、追加の神経機能評価(NFE)を導入することなく、固有の再構成エラーを除去する
実験により、DirectEditは効率よく正確な画像編集を実現し、最先端の手法よりも優れたパフォーマンスを提供することが示された。
論文 参考訳（メタデータ） (2026-05-04T10:09:18Z) - CoSyncDiT: Cognitive Synchronous Diffusion Transformer for Movie Dubbing [76.74048814837336]
映画ダビングは、ターゲット映像中の唇の動きと同期しながら、参照音声の音声アイデンティティを保持する音声を合成することを目的としている。
既存の方法は正確なリップシンクを達成できず、持続時間レベルでの明示的なアライメントによって自然性を欠いている。
認知同期拡散変換器(CoSync-DiT)により駆動される新しいフローマッチング型フィルムダビングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-14T05:03:57Z) - NarraScore: Bridging Visual Narrative and Musical Dynamics via Hierarchical Affective Control [59.6128550986024]
ナラスコア(NarraScore)は、感情が物語論理の高密度圧縮として働くという中心的な洞察に基づく階層的なフレームワークである。
NarraScoreは、グローバルな構造とローカルなダイナミズムを調和させるために、Dual-Branch Injection戦略を採用している。
NarraScoreは、無視可能な計算オーバーヘッドを伴う最先端の一貫性と物語のアライメントを実現している。
論文 参考訳（メタデータ） (2026-02-09T09:39:42Z) - Scalable Music Cover Retrieval Using Lyrics-Aligned Audio Embeddings [7.3788020779010255]
音楽カバー検索(英: Music Cover Retrieval)またはバージョン識別(英: Version Identification)は、同じ音楽作品の異なる再考を認識することを目的としている。
LIVI(Lyrics-Informed Version Identification)は,検索精度と計算効率のバランスをとる手法である。
論文 参考訳（メタデータ） (2026-01-16T13:11:38Z) - The Devil is in Attention Sharing: Improving Complex Non-rigid Image Editing Faithfulness via Attention Synergy [71.39358554558667]
我々は,SynPSを紹介した。SynPSは位置埋め込みとセマンティック情報を利用して,忠実な非剛性画像編集を行う手法である。
本稿では,各段階で必要な編集規模を定量化する編集計測手法を提案する。
位置と意味を適応的に統合することで、SynPSはオーバー編集とアンダー編集の両方を効果的に避ける。
論文 参考訳（メタデータ） (2025-12-16T14:08:00Z) - MusRec: Zero-Shot Text-to-Music Editing via Rectified Flow and Diffusion Transformers [3.096755173613532]
MusRecは、現実世界の音楽の多様な編集タスクを効率よく効率的に実行できる最初のゼロショットテキスト-音楽編集モデルである。
実験により,本手法は音楽コンテンツ保存,構造的整合性,忠実さの編集において,既存の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-11-06T14:01:52Z) - Virtual Consistency for Audio Editing [29.848819764769058]
本稿では,拡散モデルのサンプリングプロセスを適用することで,インバージョンを回避した仮想一貫性に基づく音声編集システムを提案する。
私たちのパイプラインはモデルに依存しないため、微調整やアーキテクチャの変更は不要です。
論文 参考訳（メタデータ） (2025-09-21T19:54:20Z) - RFM-Editing: Rectified Flow Matching for Text-guided Audio Editing [21.479883699581308]
そこで本研究では,音声編集のための効率のよいフロー整合型拡散フレームワークを提案する。
実験の結果,補助的なキャプションやマスクを必要とせず,忠実なセマンティックアライメントを実現することができた。
論文 参考訳（メタデータ） (2025-09-17T14:13:40Z) - EditGen: Harnessing Cross-Attention Control for Instruction-Based Auto-Regressive Audio Editing [54.10773655199149]
自動回帰モデルにおける効率的な音声編集のためのクロスアテンション制御の活用について検討する。
画像編集手法に触発されて,横断的・自己認識的メカニズムを通じて編集をガイドするPrompt-to-Promptライクなアプローチを開発した。
論文 参考訳（メタデータ） (2025-07-15T08:44:11Z) - FlowDirector: Training-Free Flow Steering for Precise Text-to-Video Editing [2.7248421583285265]
FlowDirectorは、新しいインバージョンフリーのビデオ編集フレームワークである。
我々のフレームワークは、編集プロセスをデータ空間の直接進化としてモデル化する。
局所的かつ制御可能な編集を実現するために,注意誘導型マスキング機構を導入する。
論文 参考訳（メタデータ） (2025-06-05T13:54:40Z) - Uniform Attention Maps: Boosting Image Fidelity in Reconstruction and Editing [66.48853049746123]
構造的視点から再構築を解析し、従来の横断的注意を一様注意マップに置き換える新しいアプローチを提案する。
本手法は,ノイズ予測時のテキスト条件の変化による歪みを効果的に抑制する。
実験結果から,本手法は高忠実度画像再構成に優れるだけでなく,実際の画像合成や編集のシナリオにも頑健に機能することが示された。
論文 参考訳（メタデータ） (2024-11-29T12:11:28Z)
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。