IT 之家 5 月 13 日消息，科技媒体 marktechpost 昨日（5 月 12 日）发布博文，报道称英伟达携手麻省理工学院（MIT），推出了 Audio-SDS，一种基于文本条件的音频扩散模型扩展技术。

音频扩散模型近年来在生成高质量音频方面表现卓越，但其局限在于难以优化明确且可解释的参数。

英伟达和 MIT 的科研团队首次将 Score Distillation Sampling（SDS）方法应用于音频领域，结合预训练模型的生成能力与参数化音频表示，无需大规模特定数据集，可应用于 FM 合成器参数校准、物理冲击音合成和音源分离三大任务。

SDS 技术广泛应用于文本生成 3D 图像和图像编辑中，英伟达融合该技术推出 Audio-SDS，结合预训练模型的生成先验知识，能够直接根据高级文本提示调整 FM 合成参数、冲击音模拟器或分离掩码。

研究团队通过基于解码器的 SDS、多步去噪和多尺度频谱图等方法，实验结果表明，Audio-SDS 在主观听觉测试和客观指标（如 CLAP 分数、信号失真比 SDR）上均表现出色。

Audio-SDS 的创新在于，它用单一预训练模型支持多种音频任务，消除了对大规模领域特定数据集的依赖。尽管如此，研究团队也指出，模型覆盖范围、潜在编码伪影和优化敏感性等问题仍需解决。

IT 之家附上参考地址