资料摘要：GenAU
卡内基梅隆大学等提出的环境声音生成全栈方案，从数据管道（AutoReCap-XL，4700 万片段）到自动标注模型（AutoCap，CIDEr 83.2）再到 FIT-based 生成架构（GenAu，1.25B 参数），系统性地解决了环境音频生成的数据稀缺、标注质量和模型缩放三大瓶颈，arXiv 2024.06（v4 更新至 2025.04）。 🔒 GenAU - Taming Data and Transformers for Audio Generation
- 数据规模化：AutoReCap-XL 是最大的环境音频-文本数据集，4700 万片段 / 12.35 万小时，比此前最大数据集大 75×
- 自动标注：AutoCap 使用 Q-Former + 音频元数据（视频标题+视觉描述）达到 CIDEr 83.2，比 EnCLAP 提升 3.2%，推理快 4×
- FIT 骨干：GenAu 采用 FIT（Far-reaching Interleaved Transformer）替代 UNet/DiT，通过局部-全局注意力分离实现高效缩放
- 1D-VAE 潜空间：使用 1D 卷积 VAE 处理 Mel 频谱，避免 2D 卷积在非线性的 Mel 通道上的不适配
- 缩放验证：从 493M 到 1.25B 参数，IS 提升 20.5%；合成数据从 AudioCaps 到全量 AutoReCap，IS 提升 56.3%
- 反直觉发现：仅扩大数据量（使用低质量标注）不会有提升——标注质量与数据量同等重要
环境声音生成落后于语音和音乐生成，核心瓶颈有三：
- 数据稀缺：AudioCaps + Clotho 仅约 5.1 万人工标注对，AudioSet 虽大但 99% 含语音/音乐
- 标注质量差：弱标注方法（如 WavCaps 用 ChatGPT 改写）未利用音频信号本身
- 模型缩放困难：AudioLDM2 最大模型反而性能下降，EzAudio 缩放收益微弱
AutoReCap-XL 数据管道
Section titled “AutoReCap-XL 数据管道”核心洞察：利用视频自动转录识别环境声——转录缺失的片段大概率不含语音/音乐，无需下载音频即可筛选。
流程：
- 从视频中选取转录缺失的时间段 → 提取环境音频
- 用 AutoCap 为提取片段生成标注
- 后过滤：移除标注含语音/音乐关键词的片段
- CLAP 相似度 < 0.1 的音频-文本对丢弃
规模：处理 7150 万视频 → 产出 4700 万环境音频片段（20.3M 视频来源），总计 12.35 万小时。
AutoCap 标注模型
Section titled “AutoCap 标注模型”架构：编码器-解码器设计，三路输入融合
| 输入 | 编码器 | 输出 |
|---|---|---|
| 全局音频特征 | CLAP 音频编码器 + 可学习投影 | x_clap |
| 局部音频特征 | HTSAT → Q-Former（1024→256 token） | 256 个压缩 token |
| 元数据 | 视频标题 + Panda70M 视觉描述 → BART 嵌入 | 文本 token |
三类输入拼接后经特殊分隔符（[boa]/[eoa]/[bom]）送入 BART 解码器生成标注。
两阶段训练：
- Stage 1（预训练）：冻结音频编码器 + BART，仅训练 Q-Former + 投影层，63.4 万弱标注样本，LR 1e-4，20 epoch
- Stage 2（微调）：解冻 BART（除嵌入层），AudioCaps 上微调，LR 1e-5，20 epoch
关键结果：CIDEr 83.2（超越 EnCLAP-Large 80.2），单样本推理 0.28 秒（EnCLAP 1.12 秒，快 4×）
| 消融 | CIDEr 变化 |
|---|---|
| 移除 CLAP 嵌入 | 83.2 → 80.7 |
| 移除 Stage 2 微调 | 83.2 → 75.6 |
| 移除 Stage 1 预训练 | 83.2 → 59.6（灾难性下降） |
Q-Former 被证明是实现两阶段策略的关键——它桥接了冻结编码器和解码器之间的表示鸿沟。
GenAu 生成架构
Section titled “GenAu 生成架构”1D-VAE：在 Mel 频谱上使用 1D 卷积（非 2D），因为 Mel 通道间的间隔是非线性的，不适配 2D 卷积的空间不变性假设。
FIT 扩散骨干（核心创新）：
- 将输入 patch 分为若干组（group size=32）
- 局部自注意力：每组内进行（对音频高效，不像视频那样因序列过长而昂贵）
- Read 操作（交叉注意力）：patch → 潜 token
- 全局自注意力：在少量潜 token 上进行远距离交互
- Write 操作（交叉注意力）：潜 token → patch
- 每个 FIT block 内额外加入条件交叉注意力（FLAN-T5 + CLAP 文本嵌入 + 扩散时间步 t + 数据集 ID）
训练配置：ε-预测目标、线性噪声调度、LAMB 优化器（LR 5e-3）、220k 步、patch size=1
AudioCaps 测试集 — 与主流基线对比：
| 模型 | 参数量 | FD↓ | IS↑ | FAD↓ | CLAP_LAION↑ |
|---|---|---|---|---|---|
| AudioLDM 2-L | 712M | 32.50 | 8.54 | 5.11 | 0.212 |
| Make-An-Audio 2 | 937M | 15.34 | 9.58 | 1.27 | 0.251 |
| Stable Audio Open | 1.32B | 21.23 | 10.48 | 2.32 | 0.246 |
| GenAu-Large | 1.25B | 16.51 | 11.75 | 1.21 | 0.285 |
| GenAu-Large-Full | 1.25B | 14.48 | 12.56 | 1.71 | 0.318 |
GenAu-L 在相近参数量下比最佳基线 IS 提升 11.1%、FAD 提升 4.7%、CLAP 提升 13.5%。使用全量 AutoReCap-XL 子集（GenAu-L-Full）进一步提升：IS +21.8%、CLAP +20.5%。
骨干对比（GenAu-S，同数据同规模）：
| 骨干 | IS | FD | CLAP_MS |
|---|---|---|---|
| UNet | 13.55 | 32.51 | 0.28 |
| DiT | 13.96 | 23.32 | 0.33 |
| FIT | 15.76 | 21.29 | 0.36 |
FIT 在所有指标上显著优于 UNet 和 DiT，说明局部-全局分离的注意力分配更适合环境音频。
缩放规律：
- 模型缩放：GenAu-L（1.25B）vs GenAu-S（493M）→ IS +20.5%（分布外数据）
- 数据缩放：AudioCaps 仅 → 全量 AutoReCap → IS +56.3%
- 标注质量：AutoCap 标注 vs WavCaps 标注 → 前者在同等数据量下显著更好
用户研究：GenAu vs Make-An-Audio 2 → 64.8% 总体偏好 GenAu。
- AutoCap 微调于 AudioCaps（4892 个独特词汇），标注多样性受限
- GenAu 对高度细节化的提示可能表现不佳
- AutoReCap 仅验证于音频生成任务，对其他音频任务的泛化待探索
- 发表：arXiv 2024.06（v1），v4 更新至 2025.04
- 机构：卡内基梅隆大学（CMU）
- 作者：Moayed Haji-Ali, Willi Menapace, Aliaksandr Siarohin, Guha Balakrishnan, Vicente Ordonez
- arXiv: 2406.19388
- 代码/模型/数据集：github.com/mhaji114/GenAu
- 项目页：genau.github.io