本文通过大规模实证研究，系统地探索了文本到音频模型的设计空间，并-20250105054546

本文通过大规模实证研究，系统地探索了文本到音频模型的设计空间，并提出了一个在公开数据集上训练的、能与专有数据模型媲美，并能生成高质量创造性音频的最先进模型ETTA，关键在于高质量的合成数据集AF-Synthetic和针对文本到音频任务优化后的扩散Transformer结构（ETTA-DiT），同时揭示了数据规模、架构选择、训练目标、采样方法等多种因素对模型性能的复杂影响，特别是发现了一些反直觉的现象（例如更大模型的文本编码器表现不一定更好）。