ETTA：阐明文本到音频模型的设计空间

基于摘要分析。该研究面向 Text-To-Audio（TTA）合成，考察数据、模型架构、训练目标及采样策略如何影响音频生成表现，并据此提出 Elucidated Text-To-Audio（ETTA）。主要贡献包括构建合成音频描述数据集 AF-Synthetic、系统比较扩散与 flow matching 模型的设计选择，以及分析生成质量与推理速度之间的 Pareto 权衡。 技术上，AF-Synthetic 的描述文本由音频理解模型生成；摘要将其称为大规模、高质量数据集，但未提供规模、构建流程或质量核验细节。研究通过大规模经验实验比较架构、训练及推理方案，并利用比较所得结论设计 ETTA。具体网络结构、训练目标形式、采样算法、计算预算与各模块贡献尚未验证。 结果方面，作者报告：在 AudioCaps 和 MusicCaps 上评估时，ETTA 优于使用公开数据训练的基线，并与使用专有数据训练的模型具有竞争力。摘要未给出指标、分数、数据划分或具体基线，因此不能量化提升，也不能判断不同训练数据条件下的比较是否等价。作者还报告 ETTA 更能遵循复杂、富有想象力的描述生成创意音频，但相应评估协议、消融及统计信息尚未验证。 该论文的主要研究对象是文本条件音频生成，而非 EEG 解码或 BCI。平台推测（待验证）：其生成质量—推理速度分析框架可为神经信号条件音频生成研究提供评估参考，但文本条件不能直接等同于 EEG 条件，低信噪比、跨被试差异及配对数据不足可能使迁移失效。摘要不足以支持具体迁移实现或复现实验方案；已有 EEG 相关工作尚未检索确认。复现前需核对 AF-Synthetic 的可获取性、模型与训练配置、基线数据条件，以及采样预算和质量评估方法。