論文の概要: How Much Audio Is Left In An Embedding? An Inversion Audit Of Audio Encoders

• arxiv url: http://arxiv.org/abs/2610.12250v1
• Date: Thu, 08 Oct 2026 16:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.180693
• Title: How Much Audio Is Left In An Embedding? An Inversion Audit Of Audio Encoders
• Title（参考訳）: オーディオエンコーダーのインバージョンオーディエンス
• Abstract要約: 凍結表現から5秒44.1kHzのステレオ音楽を再構成する。 エンコーダファミリー間の再構成可能性の相違を見出した。 圧縮されたタスク指向の埋め込みでさえ、測定可能なソース特異性を保持する再構築をサポートする。
• 参考スコア（独自算出の注目度）: 4.000776870258476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained audio encoders are reused for downstream tasks that are often unknown when the encoder is trained, so their usefulness depends partly on which signal properties survive the pretext objective. We study this retained information through paired source reconstruction. Using a shared Stable Audio Open latent diffusion decoder, we reconstruct five-second, 44.1-kHz stereo music from frozen representations produced by supervised classifiers (VGGish, ConvNeXt), an audio-text contrastive model (CLAP), and a waveform-reconstruction model (EnCodec). These objectives impose different pressures to preserve source detail, while their exposed interfaces vary substantially in temporal and spectral resolution. Evaluating on the Million Song Dataset (MSD), we find clear differences in reconstructability across encoder families, while within encoder comparisons show improved recovery when finer temporal or spectral structure is exposed. Even compressed task oriented embeddings support reconstructions that preserve measurable source specificity and high level musical content.
• Abstract（参考訳）: 事前訓練されたオーディオエンコーダは、エンコーダが訓練されたときにしばしば未知の下流タスクのために再利用されるため、その有用性は、プリテキスト目的のどの信号特性が生き残るかに部分的に依存する。 我々は、この保持情報をペアのソース再構成を通して研究する。 共有オーディオオープン遅延拡散デコーダを用いて、教師付き分類器(VGGish, ConvNeXt)、音声テキストコントラストモデル(CLAP)、波形再構成モデル(EnCodec)による凍結表現から、5秒44.1kHzのステレオ音楽を再構成する。 これらの目的はソースの詳細を保持するために異なる圧力を課し、露出したインターフェースは時間分解能とスペクトル分解能で大きく異なる。 百万曲データセット (MSD) を用いて, エンコーダ群間での再構成可能性の差異が明らかであり, エンコーダ比較では, より微細な時間構造やスペクトル構造が露出した場合の回復性が向上した。 圧縮されたタスク指向の埋め込みでさえ、測定可能なソース特異性と高いレベルの音楽コンテンツを保存する再構築をサポートする。

関連論文リスト

• SAGE: Semantic Audio Generative Encoder [13.954815501280786]
  本稿では,SAGE, Semantic Audio Generative: a compact variational autoencoderについて紹介する。 オートエンコーダは8倍大きく4倍遅く、客観的な知覚と分布の両指標を上回りながら、聞き取りテストの質に達する。
  論文  参考訳（メタデータ） (2026-09-26T16:21:44Z)
• MOSS-Audio Technical Report [80.01042232102883]
  MOSS-Audioは、音声、環境音、音楽理解のための統一された音声言語モデルである。 音声キャプション、タイムアウェアな質問応答、タイムスタンプによる書き起こし、音声による推論をサポートする。
  論文  参考訳（メタデータ） (2026-06-01T07:19:22Z)
• Faster Diffusion: Rethinking the Role of the Encoder for Diffusion Model Inference [95.42299246592756]
  本稿では,UNetエンコーダについて検討し,エンコーダの特徴を実証的に分析する。 エンコーダの特徴は最小限に変化するが,デコーダの特徴は時間段階によって大きく異なる。 我々は、テキスト・ツー・ビデオ、パーソナライズド・ジェネレーション、参照誘導ジェネレーションといった他のタスクに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-12-15T08:46:43Z)
• 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)
• Diffsound: Discrete Diffusion Model for Text-to-sound Generation [78.4128796899781]
  本稿では,テキストエンコーダ,ベクトル量子化変分自動符号化(VQ-VAE),デコーダ,ボコーダからなる新しいテキスト音声生成フレームワークを提案する。 フレームワークは、まず、デコーダを使用して、テキストエンコーダから抽出したテキスト特徴をVQ-VAEの助けを借りてメルスペクトルに転送し、次いで、ボコーダを使用して生成されたメルスペクトルを波形に変換する。
  論文  参考訳（メタデータ） (2022-07-20T15:41:47Z)
• Audio Defect Detection in Music with Deep Networks [8.680081568962997]
  一般的な音楽コールのクリックなどのアーティファクトを、データ中心でコンテキストに敏感な検出ソリューションとして使用すること。 本稿では、エンド・ツー・エンドのエンコーダ・デコーダの構成に従って畳み込みネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-02-11T15:56:14Z)
• Audio Spectral Enhancement: Leveraging Autoencoders for Low Latency Reconstruction of Long, Lossy Audio Sequences [0.0]
  本稿では,低品質MP3音声波の長いシーケンスから高周波数を再構成するための新しい手法を提案する。 本アーキテクチャは,スキップ接続による音声波のスペクトル構造を保ちながら,いくつかのボトルネックを生じさせる。 差分量子化手法を用いて初期モデルのサイズを半減し、同時に推論時間を短縮する方法を示す。
  論文  参考訳（メタデータ） (2021-08-08T18:06:21Z)
• Voice Activity Detection for Transient Noisy Environment Based on Diffusion Nets [13.558688470594674]
  過渡音と定常音の音響環境における音声活動検出について検討する。 音声フレームと非音声音声フレームの空間パターンを独立に学習し,その基礎となる幾何学的構造を学習する。 ディープニューラルネットワークは、音声フレームと非音声フレームを分離するように訓練される。
  論文  参考訳（メタデータ） (2021-06-25T17:05:26Z)

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。