論文の概要: StrixAE: An Intelligent Agent for Audio Enhancement under Complex Distortion Coupling in Real-World Scenarios

• arxiv url: http://arxiv.org/abs/2609.03414v1
• Date: Thu, 03 Sep 2026 06:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.942046
• Title: StrixAE: An Intelligent Agent for Audio Enhancement under Complex Distortion Coupling in Real-World Scenarios
• Title（参考訳）: StrixAE:実世界のシナリオにおける複雑な歪みカップリング下での音声強調のためのインテリジェントエージェント
• Abstract要約: マルチモーダル大言語モデル(MLLM)に基づくエージェントであるStrixAEを提案する。 StrixAEは2段階のプロセスを通じて訓練される。第1に、CoTはAcoustBenchの微調整を監督し、基本的な推論とツールの実行を基礎にしている。第2に、APRL(Audio Perception Reinforcement Learning)である。 一般的なRLファインチューニングとは異なり、APRLは実行可能なパイプラインと論理区間の順序を強制する構造的な報酬を導入し、エージェントは幻覚ツールを使わずに信頼性が高く解釈可能な拡張プランを作成できる。
• 参考スコア（独自算出の注目度）: 39.05615315059762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Audio enhancement in real-world scenarios involves complex distortion couplings and requires personalized enhancement. Existing solutions struggle to address both simultaneously. To improve robustness and enable autonomous operation in such scenarios, we propose StrixAE, an agent based on a multimodal large language model (MLLM). StrixAE leverages the MLLM as a controller to coordinate multiple audio enhancement and personalization models. To further enhance system robustness, reduce artifacts, and improve generalization across diverse real-world scenarios, StrixAE is trained through a two-stage process: first, CoT supervised fine-tuning on AcoustBench to ground basic reasoning and tool invocation; second, Audio Perception Reinforcement Learning (APRL), a reward design specifically tailored for audio restoration pipelines that jointly optimizes format validity, structural coherence, and perceptual quality. Unlike generic RL fine-tuning, APRL introduces structured rewards that enforce executable pipelines and logical section ordering, enabling the agent to produce reliable, interpretable enhancement plans without hallucinated tools. Based on real-world test datasets, our proposed method outperforms most existing open-source and proprietary solutions, achieving state-of-the-art performance across multiple perceptual metrics and demonstrating strong generalization robustness.
• Abstract（参考訳）: 現実のシナリオにおけるオーディオの強化には複雑な歪み結合があり、パーソナライズされた拡張が必要である。 既存のソリューションは、両方を同時に扱うのに苦労しています。 本研究では,マルチモーダル大言語モデル(MLLM)に基づくエージェントであるStrixAEを提案する。 StrixAEはMLLMをコントローラとして利用し、複数のオーディオ拡張とパーソナライゼーションモデルを調整する。 システムロバスト性をさらに強化し、アーティファクトを削減し、さまざまな実世界のシナリオにわたる一般化を改善するため、StrixAEは2段階のプロセスを通じてトレーニングされる: まず、CoTがAcoustBenchの微調整を監督し、基本的な推論とツールの実行を基礎にすること、そして第2に、オーディオ知覚強化学習(APRL)は、フォーマットの妥当性、構造的一貫性、知覚品質を共同で最適化するオーディオ復元パイプラインに特化された報酬設計である。 一般的なRLファインチューニングとは異なり、APRLは実行可能なパイプラインと論理区間の順序を強制する構造的な報酬を導入し、エージェントは幻覚ツールを使わずに信頼性があり、解釈可能な拡張プランを作成できる。 実世界のテストデータセットに基づいて、提案手法は、既存のオープンソースおよびプロプライエタリなソリューションよりも優れ、複数の知覚的メトリクスにわたって最先端のパフォーマンスを実現し、強力な一般化ロバスト性を示す。

関連論文リスト

• Enhancing Multilingual LLM-based ASR with Mixture of Experts and Dynamic Downsampling [13.034743616461618]
  大規模言語モデル(LLM)が自動音声認識(ASR)のための新たなフロンティアをオープンした 本研究は多言語一般化とモダリティアライメントの重要な課題を対象としたプロジェクタベースのLLM-ASRフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-09T05:35:31Z)
• OmniNFT: Modality-wise Omni Diffusion Reinforcement for Joint Audio-Video Generation [60.95158352332569]
  近年のジョイント・オーディオ・ビデオ・ジェネレーションの進歩は、モダリティ毎の忠実度、クロスモーダルアライメント、きめ細かい同期を強く要求している。 これらの欠点は、単一のグローバルな優位性を持つバニラRL微調整戦略が、しばしば準最適結果をもたらすことを示唆している。 提案するOmniNFTは,新しいモダリティ対応オンライン拡散RLフレームワークである。
  論文  参考訳（メタデータ） (2026-05-12T17:56:59Z)
• LaST-R1: Reinforcing Robotic Manipulation via Adaptive Physical Latent Reasoning [90.86828952599147]
  提案するLaST-R1(LaST-R1)は,「最近の推論・行動」政策を活用するために設計された,新しい強化学習フレームワークである。 LaST-R1 は LIBERO ベンチマークで 99.9% の平均成功率を達成した。 実世界の展開では、LaST-R1はSOTAが監督する微調整アプローチよりも22.5%平均的に改善されている。
  論文  参考訳（メタデータ） (2026-04-30T17:59:52Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• JAL-Turn: Joint Acoustic-Linguistic Modeling for Real-Time and Robust Turn-Taking Detection in Full-Duplex Spoken Dialogue Systems [3.0789720666469407]
  JAL-Turnは、音声認識と完全に並行して動作する、音声のみのターンテイクフレームワークである。 JAL-Turnは、優れたリアルタイム性能を維持しながら、検出精度において、強い最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-27T15:25:38Z)
• ASTRA: Automated Synthesis of agentic Trajectories and Reinforcement Arenas [13.919124676472022]
  ASTRAは、ツール拡張言語モデルエージェントをトレーニングするためのエンドツーエンドフレームワークである。 ASTRAはスケーラブルなデータ合成と検証可能な強化学習を統合している。 複数のエージェントツール使用ベンチマークの実験は、ASTRA訓練されたモデルが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） (2026-01-29T11:22:23Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Fun-ASR Technical Report [89.84148151617022]
  本稿では,大規模データ,大規模モデル容量,LLM統合,強化学習を組み合わせた大規模ALSシステムFun-ASRを提案する。 Fun-ASRは特に実用的なデプロイメントに最適化されており、ストリーミング機能、ノイズの堅牢性、コードスイッチング、ホットワードのカスタマイズ、その他の現実世界のアプリケーション要件を満たすことができる。 運用指向の最適化により、Fun-ASRは実際のアプリケーションデータセット上での最先端のパフォーマンスを実現し、実用的設定におけるその有効性と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-09-15T23:19:36Z)
• RLAE: Reinforcement Learning-Assisted Ensemble for LLMs [21.77261258691006]
  大規模言語モデル(LLM)は、様々なモデルの多様な強みを効果的に組み合わせ、様々なタスクのパフォーマンスを高めるための有望なアプローチを提供する。 マルコフ決定プロセス(MDP)のレンズを通してアンサンブルを再構成する新しいフレームワークであるLLMのための強化学習支援アンサンブルを提案する。 提案手法では,入力コンテキストと中間生成状態の両方を考慮してアンサンブル重みを動的に調整するRLエージェントを提案する。
  論文  参考訳（メタデータ） (2025-05-31T07:38:41Z)
• When Parameter-efficient Tuning Meets General-purpose Vision-language Models [65.19127815275307]
  PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。 実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-16T17:13:08Z)

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。