arXiv cs.SD RSS·· 3 小时前
CARD：面向无编码器音频描述任务的跨组件音频表征蒸馏
CARD: Cross-component Audio Representation Distillation for Encoder-Free Audio Captioning
摘要
CARD 是一种无编码器音频描述模型，推理时移除音频编码器，由 13.2M 投影器向冻结 LLM 馈入合并 LoRA 适配器，训练用教师模型随后丢弃。它将预训练音频教师 CLAP-HTSAT 的表征跨组件路由：感知阶段送入投影器，语义阶段送入 LLM。
应来源方要求，这里只提供摘要与原文入口。完整内容请阅读原文。
来源：arXiv cs.SD RSS · arxiv.org