MeanAudio：基于均值流的快速高保真文本到音频生成
声音
2025-10-23 v2 人工智能
摘要
近年来，文本到音频生成（TTA）取得了显著进展，为声音创作者提供了将灵感转化为生动音频的强大工具。然而，尽管取得了这些进展，当前的 TTA 系统往往存在推理速度慢的问题，这极大地阻碍了音频创作的效率和流畅性。在本文中，我们提出了 MeanAudio，这是一种快速且高保真的文本到音频生成器，仅需一次函数评估（1-NFE）即可渲染逼真的声音。MeanAudio 利用了：（i）带有引导速度目标的 MeanFlow 目标，显著加速了推理速度；（ii）增强的 Flux 风格 Transformer，配备双文本编码器，以实现更好的语义对齐和合成质量；（iii）高效的瞬时到均值课程学习，加速了收敛并支持在消费级 GPU 上进行训练。通过全面的评估研究，我们证明 MeanAudio 在单步音频生成中达到了最先进的性能。具体而言，它在单个 NVIDIA RTX 3090 上实现了 0.013 的实时因子（RTF），比当前最先进的基于扩散的 TTA 系统提速 100 倍。此外，MeanAudio 在多步生成中也表现出强大的性能，能够在连续的合成步骤之间实现平滑过渡。
引用
@article{arxiv.2508.06098,
title = {MeanAudio: Fast and Faithful Text-to-Audio Generation with Mean Flows},
author = {Xiquan Li and Junxi Liu and Yuzhe Liang and Zhikang Niu and Wenxi Chen and Xie Chen},
journal= {arXiv preprint arXiv:2508.06098},
year = {2025}
}