論文の概要: TAPE: Learning General Audio Effect Representations

• arxiv url: http://arxiv.org/abs/2610.40759v1
• Date: Thu, 29 Oct 2026 17:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.459537
• Title: TAPE: Learning General Audio Effect Representations
• Title（参考訳）: TAPE: 一般音響効果表現の学習
• Abstract要約: ミュージシャンやミキシングエンジニアは、しばしばレファレンス録音で聞いた信号処理チェーンを解読し、それを新しい素材に適応させることができる。 本稿では,この処理を,処理された参照音声のみから推定するTAPEを提案する。
• 参考スコア（独自算出の注目度）: 20.210477229460725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Musicians and mixing engineers often can decipher the signal processing chain they hear on a reference recording, then adapt it to new material. We present TAPE (Transformations of Audio Parameter Embeddings), which estimates this processing from the processed reference audio alone. An encoder trained to identify processors in eight major effect families maps the reference to an embedding. A differentiable digital signal processing (DSP) chain decodes the embedding into editable parameters in one forward pass and applies them to a different unprocessed recording. Its modules are equalization, compression, waveshaping, a small residual network, and reverberation. TAPE achieves lower spectral error than DeepAFx-ST, the previous state of the art for single-step regression, and lower spectral error than per-example search over a chain approximating ST-ITO's, while running 275$\times$ faster than that search. Because the decoder outputs DSP parameters, its chain can also run causally: a C++ implementation with the trained weights processed 128-sample buffers 1.8$\times$ faster than real time, with no missed deadlines.
• Abstract（参考訳）: ミュージシャンやミキシングエンジニアは、しばしばレファレンス録音で聞いた信号処理チェーンを解読し、それを新しい素材に適応させることができる。 本稿では,TAPE(Transformations of Audio Parameter Embeddings)を提案する。 8つの主要なエフェクトファミリーのプロセッサを識別する訓練されたエンコーダは、埋め込みへの参照をマップする。 微分可能なデジタル信号処理(DSP)チェーンは、編集可能なパラメータへの埋め込みを1つのフォワードパスでデコードし、異なる未処理レコードに適用する。 そのモジュールは等化、圧縮、波浪、小さな残留ネットワーク、残響である。 TAPEは1段階回帰のための先行技術であるDeepAFx-STよりも低いスペクトル誤差を達成し、ST-ITOを近似する連鎖上のサンプルごとの探索よりも低いスペクトル誤差を275$\times$で処理する。 デコーダはDSPパラメータを出力するので、そのチェーンは因果的に実行することもできる。トレーニングされた重み付きC++実装は、18サンプルバッファを処理し、実時間よりも1.8$\times$で、期限を逃さずに実行することができる。

関連論文リスト

• GS-Codec: A Gaussian-Splatting Bottleneck for Neural Audio Coding [7.525883733645578]
  本稿では、量子化器ではなくパラメトリック信号分解をボトルネックとするニューラルネットワークであるGS-Codecを紹介する。 内部最適化ループは、各エンコーダセグメントを1次元ガウス原始体の重み付け和として適合する。 そしてデコーダは、描画された和から波形を再構成する。
  論文  参考訳（メタデータ） (2026-10-03T16:49:17Z)
• AudioTQ: A Data-Oblivious 6-Bit CPU Audio Codec via Randomized Hadamard Rotation and Lloyd-Max Quantization [0.0]
  音響圧縮アルゴリズムは伝統的に精神音響モデルと周波数領域表現に依存している。 本稿では、時間領域内で直接動作するデータ公開損失オーディオフレームワークであるAudioTQの設計と数学的定式化について述べる。
  論文  参考訳（メタデータ） (2026-08-15T18:44:27Z)
• Temporal Contrastive Decoding: A Training-Free Method for Large Audio-Language Models [56.91801348360746]
  大規模な音声言語モデル(LALM)は、音声、音声、音楽にまたがって一般化される。 統一デコーダは 時空間のスムーズなバイアスを示します LALMの学習自由復号法であるemphTemporal Contrastive Decoding (TCD)を提案する。
  論文  参考訳（メタデータ） (2026-04-16T02:30:41Z)
• 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)
• VALL-E R: Robust and Efficient Zero-Shot Text-to-Speech Synthesis via Monotonic Alignment [101.2489492032816]
  VALL-E Rは、堅牢で効率的なゼロショットテキスト音声合成システムである。 この研究は、失語症に罹患した人々のためのスピーチの作成を含む有意義なプロジェクトに適用される可能性がある。
  論文  参考訳（メタデータ） (2024-06-12T04:09:44Z)
• Autoregressive Diffusion Transformer for Text-to-Speech Synthesis [39.32761051774537]
  連続空間$mathbb Rd$のベクトル列として音響を符号化し、これらの列を自己回帰的に生成する。 高ビットレート連続音声表現は、ほとんど欠陥のない再構成を可能にし、我々のモデルは、ほぼ完璧な音声編集を実現できる。
  論文  参考訳（メタデータ） (2024-06-08T18:57:13Z)
• Decoder Tuning: Efficient Language Understanding as Decoding [84.68266271483022]
  本稿では,タスク固有のデコーダネットワークを出力側で最適化するデコーダチューニング(DecT)を提案する。 勾配ベースの最適化により、DecTは数秒以内にトレーニングでき、サンプル毎に1つのPクエリしか必要としない。 我々は、広範囲にわたる自然言語理解実験を行い、DecTが200ドル以上のスピードアップで最先端のアルゴリズムを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2022-12-16T11:15:39Z)
• 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)
• Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging [142.11622043078867]
  圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。 HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
  論文  参考訳（メタデータ） (2022-05-20T11:37:44Z)

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。