# 文本到音频生成

AutoSynth 将 MIDI 演奏事件、固定合成器参数与可变长度调制路由序列化为统一序列，用音频条件自回归模型学习其依赖关系，先在大规模自动构造的音频–程序对上做监督学习，再用混合奖励的组相对策略优化后训练，从而在给定参考音频时直接预测合成器程序、在给定文本时借助预训练音频生成模型转换出程序，并在合成器反演与文本驱动生成两项任务上取得有竞争力的结果。

AutoSynth 将 MIDI 演奏事件、固定合成器参数与可变长度调制路由序列化为统一序列，用音频条件自回归模型学习其依赖关系，先在大规模自动构造的音频–程序对上做监督学习，再用混合奖励的组相对策略优化后训练，从而在给定参考音频时直接预测合成器程序、在给定文本时借助预训练音频生成模型转换出程序，并在合成器反演与文本驱动生成两项任务上取得有竞争力的结果。

该工作提出 Unite-Audio，将连续音频表征学习与潜在流匹配联合训练用于文本到音频生成，通过把重建与自监督生成预测耦合，让生成目标直接塑造潜在空间，并采用 Flow-GRPO 后训练改善文本条件生成；实验显示紧凑的潜在流模型取得有竞争力的文本到音频性能，消融研究确认联合学习音频表征与生成模型带来收益。

该工作提出 Unite-Audio，将连续音频表征学习与潜在流匹配联合训练用于文本到音频生成，通过把重建与自监督生成预测耦合，让生成目标直接塑造潜在空间，并采用 Flow-GRPO 后训练改善文本条件生成；实验显示紧凑的潜在流模型取得有竞争力的文本到音频性能，消融研究确认联合学习音频表征与生成模型带来收益。