IXThinker·2025-02-15 15:20

文本生成空間音頻有突破 ICLR論文獲選

人靠雙耳判斷聲音方向，享受電影音效、感知四周環境；但主流生成模型長期只能輸出單聲道。港科大與北郵團隊的BEWO工作嘗試補上這一課，以文本控制聲源方向生成空間音頻，論文獲ICLR 2025 Spotlight。

雙耳感知的啟發

兔子靠兩隻耳朵準確掌握捕食者的一舉一動，造就物種廣布各地的生命奇蹟；人類同樣依賴雙耳沉浸式享受電影、判斷駕駛環境與感知周圍活動。團隊由此追問：火爆的diffusion生成模型，能否直接生成符合物理世界規律的空間音頻？