评估 Timbre VAEs 中潜在空间结构：无监督、描述条件和感知特征条件模型的比较研究
声音
2026-03-18 v1
摘要
我们对三种变分自编码器（VAEs）用于音乐音色生成的潜在空间组织进行比较评估：一种无监督 VAE、一种描述条件 VAE 和一种基于 AudioCommons 音色模型中连续感知特征条件的 VAE。使用一套标有 19 个语义描述符的电吉他声音数据集（跨四个强度等级），我们评估每个模型的潜在结构，包括轮廓得分、音色描述紧凑性、音高条件分离性、轨迹线性度和跨音高一致性。我们的发现表明，基于感知特征的条件化可获得更紧凑、更具辨识度且对音高不变的潜在空间，超越了无监督模型和离散描述符条件模型。这一工作突显了单热编码语义条件化的局限性，提供了评估音色潜在空间的方法论工具，推动了更可控、更可解释的生成音频模型的发展。
引用
@article{arxiv.2603.16713,
title = {Evaluating Latent Space Structure in Timbre VAEs: A Comparative Study of Unsupervised, Descriptor-Conditioned, and Perceptual Feature-Conditioned Models},
author = {Joseph Cameron and Alan Blackwell},
journal= {arXiv preprint arXiv:2603.16713},
year = {2026}
}
备注
5 pages, 1 figure, 1 table