TAPE：学习通用音频效果表征

arXiv:2610.40759v1 公告类型：交叉发布 摘要：音乐家和混音工程师通常能够辨识参考录音中听到的信号处理链，并将其调整后用于新素材。我们提出 TAPE（Transformations of Audio Parameter Embeddings），仅凭经过处理的参考音频即可估计这一处理过程。编码器经过训练，能够识别八大效果类别中的处理器，并将参考音频映射为嵌入表示。可微数字信号处理（DSP）链通过一次前向传播将嵌入表示解码为可编辑参数，再将这些参数应用于另一段未经处理的录音。该处理链的模块包括均衡、压缩、波形整形、小型残差网络和混响。TAPE 的频谱误差低于此前单步回归领域最先进的方法 DeepAFx-ST，也低于在近似 ST-ITO 的处理链上进行逐样本搜索的方法，同时运行速度是该搜索方法的 275 倍。由于解码器输出的是 DSP 参数，其处理链也能以因果方式运行：采用训练所得权重的 C++ 实现以实时速度的 1.8 倍处理每个包含 128 个采样点的缓冲区，且没有任何一次错过处理截止时间。