FoleyForge 论文:一条指令即可编辑音效,指令遵循达 SOTA
kastnerkyle · x · 2026-11-09
arXiv 新论文 FoleyForge 提出一个基于指令的音效编辑生成模型:输入音频片段加自由文本指令,模型在保留原素材身份的前提下施加编辑。
- 单一模型可处理语义类、风格类及类 DSP(信号处理)的编辑
- 提出数据管线:引导音频语言模型生成 DSP 声学编辑与保相似度的语义编辑数据,解决公开音频编辑数据稀缺问题
- 用这些数据微调 rectified-flow 音频生成模型,并通过 classifier-free guidance 暴露响度变化、编辑强度、输入轮廓包络等属性控制
- 在指令遵循上达到 SOTA,音频质量与源保真度具竞争力
「多模态」频道最新
- 三星 PREEN 将色彩风格迁移压缩为 29 个可解释编辑器参数 — SamsungResearch · 2026-11-09
- Kling 4.0 提示词演示:动作场面大场景与运镜张力 — umesh_ai · 2026-11-09
- Video-Coder：让 agent 写代码搭 3D 场景来驱动可控视频生成 — UCF-Ai-LLMs · 2026-11-09
- OmniLatent：单一共享隐空间统一几何外观与部件，单图生成可编辑 3D — Yunhan Yang · 2026-11-09
- Midjourney sref 4015763981 演示潮玩风格 3D 卡通渲染 — azed_ai · 2026-11-09
- GPT image 2 实测:超长时尚杂志封面 prompt 一次成型 — SimplyAnnisa · 2026-11-09