SemanticAudio：语义空间中的音频生成与编辑

基于摘要分析。SemanticAudio 面向 Text-to-Audio Generation 与文本引导的音频编辑，针对直接在 Variational Autoencoder（VAE）声学潜空间中生成可能造成文本与音频语义对齐不足的问题，将任务拆分为高层语义规划和声学合成两个阶段。 该方法将语义空间定义为一种紧凑表示，用于刻画声音事件的全局身份及时间序列，而非细粒度声学细节。框架采用两阶段 Flow Matching：Semantic Planner 首先生成语义特征，规划整体语义布局；Acoustic Synthesizer 再以该规划为条件，生成声学潜变量。摘要尚未说明语义表示的具体构建方式、监督来源及两个阶段的训练细节。 在编辑方面，作者利用这一解耦设计，通过源文本与目标文本所对应速度场的差异，引导语义生成轨迹，实现无需重新训练的文本引导属性级修改。这里的“免训练”针对编辑机制，不代表整个生成框架无需训练；其编辑精度、非目标属性保持能力及适用边界仍需全文验证。 作者报告，在其音频生成与编辑实验中，该方法具有有竞争力的生成质量、持续改善的语义对齐及有效的免训练编辑能力。摘要未给出数据集、数据划分、对照方法、评价指标或具体数值，实验协议、消融及统计信息尚未验证。 本研究的主要对象是通用音频生成与编辑，不是 EEG 解码或 BCI。摘要未提供神经信号与该语义空间之间的具体对应关系，不能据此推断其具有 BCI 有效性；相关 EEG 工作尚未检索确认。