SDS 技術首次用於音頻：英偉達攜手 MIT 推 Audio-SDS，參數化控制 AI 音效生成

IT之家 5 月 13 日消息，科技媒體 marktechpost 昨日（5 月 12 日）發佈博文，報導稱英偉達攜手麻省理工學院（MIT），推出了 Audio-SDS，一種基於文本條件的音頻擴散模型擴展技術。

音頻擴散模型近年來在生成高質量音頻方面表現卓越，但其局限在於難以優化明確且可解釋的參數。

英偉達和 MIT 的科研團隊首次將 Score Distillation Sampling（SDS）方法應用於音頻領域，結合預訓練模型的生成能力與參數化音頻表示，無需大規模特定數據集，可應用於 FM 合成器參數校準、物理衝擊音合成和音源分離三大任務。

SDS 技術廣泛應用於文本生成 3D 圖像和圖像編輯中，英偉達融合該技術推出 Audio-SDS，結合預訓練模型的生成先驗知識，能夠直接根據高級文本提示調整 FM 合成參數、衝擊音模擬器或分離掩碼。

研究團隊通過基於解碼器的 SDS、多步去噪和多尺度頻譜圖等方法，實驗結果表明，Audio-SDS 在主觀聽覺測試和客觀指標（如 CLAP 分數、信號失真比 SDR）上均表現出色。

Audio-SDS 的創新在於，它用單一預訓練模型支持多種音頻任務，消除了對大規模領域特定數據集的依賴。儘管如此，研究團隊也指出，模型覆蓋範圍、潛在編碼偽影和優化敏感性等問題仍需解決。

IT之家附上參考地址