# MAAS多区域听觉合成框架

MAAS把预训练音频扩散Transformer的条件输入从文本嵌入换成按脑区划分的fMRI响应，不再先训练一个解码器去预测CLAP或YamNet等外部刺激表示。在7T fMRI数据上，它与两阶段fMRI到潜变量条件化等基线相比，在CLAP相似度、成对识别准确率和Mel-SSIM等声学与语义指标上均取得一致改善。该框架还借助以听觉皮层计算模型为基础的保真度指标，量化各听觉皮层区域对重建音频的贡献。

MAAS把预训练音频扩散Transformer的条件输入从文本嵌入换成按脑区划分的fMRI响应，不再先训练一个解码器去预测CLAP或YamNet等外部刺激表示。在7T fMRI数据上，它与两阶段fMRI到潜变量条件化等基线相比，在CLAP相似度、成对识别准确率和Mel-SSIM等声学与语义指标上均取得一致改善。该框架还借助以听觉皮层计算模型为基础的保真度指标，量化各听觉皮层区域对重建音频的贡献。