厘清 Text-to-Audio 模型的设计空间

基于摘要分析。该研究针对 Text-To-Audio（TTA）合成中数据、模型架构、训练目标与采样策略的影响尚不清晰这一问题，围绕扩散模型与 flow matching 开展大规模实证比较，并据此提出 Elucidated Text-To-Audio（ETTA）。主要研究对象是由自然语言提示生成音频，而非 EEG 解码或 BCI。 研究贡献包括：利用音频理解模型生成高质量合成描述，构建 AF-Synthetic 数据集；系统比较 TTA 模型的架构、训练与推理设计选择；分析不同采样方法在生成质量与推理速度之间的 Pareto 曲线。摘要未提供 AF-Synthetic 的规模、音频来源、描述生成与质量控制流程，也未说明所比较的具体架构、损失形式及采样配置，这些信息尚需全文核对。 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；摘要未给出具体指标、数值、数据划分和各基线的训练条件，因此不能量化提升或据此判断同等数据条件下的优势。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，但该能力的评估方式及统计支持尚未验证。 本文可供关注音频生成设计取舍与推理效率的研究者阅读。复现前需核对数据可获取性、训练预算、文本条件设置、采样步数、速度测量条件以及质量评估协议；代码与权重是否公开、实验协议、消融及统计信息尚未验证。现有摘要未建立其机制与 EEG/BCI 瓶颈的具体对应关系，不据此推断 BCI 有效性；相关 EEG 工作尚未检索确认。