論文の概要: Synth-JEPA: Joint Embedding Prediction for Renderer-Free Synthesizer Parameter Search

• arxiv url: http://arxiv.org/abs/2609.31024v1
• Date: Fri, 25 Sep 2026 09:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.321942
• Title: Synth-JEPA: Joint Embedding Prediction for Renderer-Free Synthesizer Parameter Search
• Title（参考訳）: Synth-JEPA:Renderer-Free Synthesizerパラメータ探索のための共同埋め込み予測
• Abstract要約: 本稿では,ペア合成データから相互予測音声とパラメータ表現を学習するSynth-JEPAを紹介する。 推論において、候補パラメータは、この学習空間で直接スコアされ、XTフリーの目的が得られる。 Synth-JEPAはドメイン内のすべてのベースラインを上回り、ドメイン外での競争力を維持します。
• 参考スコア（独自算出の注目度）: 7.952582509792971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sound matching can be formulated as optimizing synthesizer parameters against an audio-domain objective. However, objectives derived from generic audio representations are often difficult to optimize, while direct search requires rendering every candidate. We introduce Synth-JEPA, which learns mutually predictive audio and parameter representations from paired synthesizer data. At inference, candidate parameters are scored directly in this learned space, yielding a renderer-free objective whose audio geometry is shaped by parameter correspondences rather than generic audio similarity. We evaluate Synth-JEPA on Surge XT using held-out synthesizer sounds and out-of-domain NSynth and FSD50K targets, against inverse models, direct search, and learned proxy objectives. Synth-JEPA outperforms all baselines in-domain and remains competitive out-of-domain. Its matching quality continues to improve with additional test-time search, allowing compute to be traded for match quality. In pairwise listening tests, listeners preferred Synth-JEPA in 85% of trials overall. Together, these results show that an audio representation with a parameter-induced geometry allows synthesizer sound matching to be approached as an effective renderer-free search problem.
• Abstract（参考訳）: サウンドマッチングは、音声領域の目的に対してシンセサイザーパラメータを最適化するものとして定式化することができる。 しかし、一般的な音声表現から派生した目的はしばしば最適化が困難であり、直接探索には全ての候補をレンダリングする必要がある。 本稿では,ペア合成データから相互予測音声とパラメータ表現を学習するSynth-JEPAを紹介する。 推論において、候補パラメータは、この学習空間で直接スコアされ、一般的なオーディオ類似性ではなくパラメータ対応によって音響幾何学が形作られるレンダラフリーな対象となる。 我々は,Surge XT上のSynth-JEPAを,逆モデル,直接探索,学習されたプロキシ目的に対して,ホールドアウトシンセサイザー音とドメイン外NSynthおよびFSD50Kターゲットを用いて評価した。 Synth-JEPAはドメイン内のすべてのベースラインを上回り、ドメイン外での競争力を維持します。 そのマッチング品質は、追加のテスト時間検索によって改善され続けており、一致品質のために計算を交換することができる。 ペアワイズテストでは、リスナーは全体の85%でSynth-JEPAを好んだ。 これらの結果から,パラメータ誘導幾何を用いた音声表現は,効率的なレンダラーフリー探索問題として,合成音のマッチングにアプローチできることが示唆された。

関連論文リスト

• SynSonic: Augmenting Sound Event Detection through Text-to-Audio Diffusion ControlNet and Effective Sample Filtering [13.592413960039044]
  本研究では,音事象検出に適したデータ拡張手法であるSynSonicを提案する。 そこで,SynSonicはPSDS1とPSDS2を改良し,時間的局所化と音響クラス識別の両面で改善した。
  論文  参考訳（メタデータ） (2025-09-23T03:48:26Z)
• Synthesizer Sound Matching Using Audio Spectrogram Transformers [2.5944208050492183]
  音声スペクトログラム変換器を用いた合成音声マッチングモデルを提案する。 本モデルでは,16個のパラメータの集合から生成されたサンプルのパラメータを再構成可能であることを示す。 また、音声の模倣をエミュレートする際、ドメイン外モデルの性能を示す音声例も提供する。
  論文  参考訳（メタデータ） (2024-07-23T16:58:14Z)
• AV-GS: Learning Material and Geometry Aware Priors for Novel View Acoustic Synthesis [62.33446681243413]
  ビュー音響合成は、音源が3Dシーンで出力するモノのオーディオを考慮し、任意の視点でオーディオを描画することを目的としている。 既存の手法では、音声合成の条件として視覚的手がかりを利用するため、NeRFベースの暗黙モデルが提案されている。 本研究では,シーン環境全体を特徴付ける新しいオーディオ・ビジュアル・ガウス・スプレイティング(AV-GS)モデルを提案する。 AV-GSが実世界のRWASやシミュレーションベースのSoundSpacesデータセットの既存の代替品よりも優れていることを検証する。
  論文  参考訳（メタデータ） (2024-06-13T08:34:12Z)
• Synthesizer Preset Interpolation using Transformer Auto-Encoders [4.213427823201119]
  本稿では,マルチヘッドアテンションブロックを用いてプリセットを同時に処理するバイモーダルオートエンコーダニューラルネットワークと,畳み込みを用いたオーディオを導入する。 このモデルは、100以上のパラメータを持つ一般的な周波数変調シンセサイザーでテストされている。 トレーニング後、提案したモデルは、ライブまたはサウンドデザインタスクのための商用シンセサイザーに統合することができる。
  論文  参考訳（メタデータ） (2022-10-27T15:20:18Z)
• FastDiff: A Fast Conditional Diffusion Model for High-Quality Speech Synthesis [90.3069686272524]
  本稿では,高品質音声合成のための高速条件拡散モデルであるFastDiffを提案する。 FastDiffは、長期の依存関係を効率的にモデル化するために、さまざまな受容的フィールドパターンの時間認識可能な位置可変の畳み込みを使用する。 我々は、FastDiffに基づいて、高忠実度音声波形を生成するエンドツーエンドのテキスト音声合成器FastDiff-TTSを設計する。
  論文  参考訳（メタデータ） (2022-04-21T07:49:09Z)
• Pretraining Strategies, Waveform Model Choice, and Acoustic Configurations for Multi-Speaker End-to-End Speech Synthesis [47.30453049606897]
  得られたオーディオブックデータからマルチ話者モデルを微調整することで、合成音声の未確認話者と自然性や類似性を向上させることができる。 また16kHzから24kHzのサンプリングレートでリスナーが識別でき、WaveRNNはWaveNetに匹敵する品質の出力波形を生成する。
  論文  参考訳（メタデータ） (2020-11-10T00:19:04Z)
• VaPar Synth -- A Variational Parametric Model for Audio Synthesis [78.3405844354125]
  本稿では,条件付き変分オートエンコーダ(CVAE)を用いた変分パラメトリックシンセサイザVaPar Synthを提案する。 提案するモデルの性能は,ピッチを柔軟に制御した楽器音の再構成と生成によって実証する。
  論文  参考訳（メタデータ） (2020-03-30T16:05:47Z)

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。