arXiv cs.AI· Kam Man Wu, Yu Zhang, Pengjun Fang, Mingfei Chen, Weijia Chen, Zeyue Tian, Qifeng Chen·· 14 小时前AI 评分29
AMBIT：用可执行 ScenePlans 与自蒸馏 Transfusion 实现空间音频生成与编辑
Spatial Audio Generation and Editing with Executable Plans and Self-Distilling Transfusion
AI 导读
AMBIT 是一个统一框架，原生支持一阶 Ambisonics（FOA）空间音频生成与编辑，通过可执行 ScenePlans 指定声源内容、活动状态与 3D 轨迹，并用共享 Transfusion 主干耦合自回归规划与整流流渲染。
正文 · AI 翻译
摘要：空间音频创作将声源决策与声场合成相协调。在编辑时，计划指定要更改和保留的内容，而参考音频则提供进一步的声学细节。我们提出 AMBIT，一个用于原生一阶 Ambisonics（FOA）生成与编辑的统一框架，包含三项相互关联的贡献。首先，一个共享的 Transfusion 主干通过可执行的 ScenePlans 将自回归规划与整流流渲染耦合，ScenePlans 指定声源内容、活动和 3D 轨迹。对于编辑，计划描述完整的目标场景，包括保留的声源；对比特征为所请求的更改提供依据，而完整参考潜变量则为保留提供残余声学细节。其次，一个 FOA 感知的连续 VAE 结合共享解码器全向恢复、非对称分组 KL 和空间协方差匹配，以保留内容和通道间结构。第三，联合 Transfusion 在线策略自蒸馏（OPSD）在学生生成的 prefix 上细化规划，并在学生计划下达到的采样状态处细化渲染，由目标条件教师监督共享学生的两种模式。在语音、音乐和声音上的评估表明，与对比基线相比，生成内容和空间质量、指令引导编辑期间的声学保真度以及未编辑声源的保留均有所改善。项目页面：此 https URL
| 评论： | 28 页，2 幅图 |
| 主题： | 声音（cs.SD）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.34415 [cs.SD] |
| （或 arXiv:2610.34415v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.34415 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kam Man Wu [查看电子邮件]
[v1]
2026 年 10 月 25 日星期日 16:13:07 UTC（1,747 KB）
来源：arXiv cs.AI · arxiv.org