SCAPES：用于环境声音的语义条件自回归先验

2026 年 9 月 7 日，arXiv 发布 SCAPES 模型，这是一种用于环境声音生成的语义条件自回归先验模型。该模型基于神经音频编码器的连续潜在流形运行，采用分段策略结合连续归一化流与流匹配技术。实验显示，仅需单张消费级显卡即可在有限未筛选数据集上训练高保真、长期稳定且语义一致的声音生成实例（约 3600 万参数），并支持平滑语义插值。目前，该模型的代码、预训练权重及交互式演示已公开。