Smorph：基于扩散模型的可演奏声音变形

基于摘要分析。本文研究音乐声音设计中的声音变形，即生成从一种声音身份平滑过渡到另一种身份的中间声音。作者提出 smorph，一个免训练的扩散模型引导框架，旨在改变声音身份的同时保留其随时间变化的行为，例如在固定音高下将铜管声音变为弦乐声音。 核心机制与任务：作者指出，现有扩散式声音变形方法会耦合时间结构与音色身份，难以固定其中一个而只改变另一个。smorph 通过结构保持式引导支持 prompt-to-prompt、audio-to-prompt 和 audio-to-audio 三种变形模式。摘要未披露所用扩散模型、结构表征、引导公式或推理开销；“免训练”不等于不依赖预训练模型或不需要额外推理计算。 结果与权衡：作者报告，在多个不同数据集的评估中，smorph 能生成平滑的变形轨迹，并相较基线显著改善时间结构与源声音保留，但在部分设置下向目标声音的转变更为保守。摘要未提供数据集名称、划分、基线、指标和具体数值，实验协议、消融及统计信息尚未验证。探索性音乐家案例研究中，作者报告参与者认为其变形轨迹具有表现力和可演奏性；这支持音乐交互场景的初步可用性判断，尚不能替代更完整的用户研究。 研究边界：本文的主要对象是音乐音频生成与乐器交互，并非 EEG 解码或 BCI 验证。结构保持与身份变换的分离可作为一般生成机制的阅读线索，但摘要不足以确立其与神经信号任务的具体对应关系，不据此推断 EEG/BCI 效果；已有 EEG 相关工作尚未检索确认。