MultiFoley – Adobe 联合密歇根大学推出的音效生成系统-爱论文

MultiFoley是什么

MultiFoley是Adobe Research和密歇根大学共同推出的音效生成系统，能基于文本、音频和视频的多模态控制生成Foley声音效果。系统支持用户根据文本提示、参考音频或部分视频来定制和生成与视频同步的声音，增强视频观看体验。MultiFoley联合训练互联网视频数据集和专业声音效果录音，实现高质量、全带宽（48kHz）的音频生成。MultiFoley能为视频制作提供灵活的声音设计控制，帮助用户创作出既干净又富有创意的音效。

MultiFoley的主要功能

文本控制的Foley生成：用文本提示引导和生成与视频同步的声音效果，是现实声音或创意声音。音频控制的Foley生成：支持用户从声音效果库中选择参考音频，将声音应用到无声视频中，并与视频同步。Foley音频扩展：将部分音频轨道扩展，产生完整的Foley声音。质量控制：基于在文本中加入质量标签，生成高质量的全频带（48kHz）音频。多模态控制：结合文本、音频和视频的条件信号，提供细致的声音设计控制。

MultiFoley的技术原理

联合训练：在互联网视频数据集（低质量音频）和专业声音效果（SFX）录音上进行训练，生成高质量的全频带音频。扩散变换器（Diffusion Transformer）：基于扩散模型从随机噪声生成新样本，用在视频引导的Foley声音生成，并结合多模态控制。高质量音频自编码器（DAC-VAE）：基于变分自编码器（VAE），将48kHz的音频波形编码成40Hz的潜在特征，用在音频-视频同步。冻结视频编码器：用在音频-视频同步，将视频编码成特征并与音频潜在编码一起使用。多条件训练策略：让模型灵活地支持下游任务，如音频扩展和文本驱动的声音设计。多头注意力机制：增强模型的表达能力，并行学习不同类型的特征或依赖关系。

MultiFoley的项目地址

项目官网：ificl.github.io/MultiFoleyarXiv技术论文：https://arxiv.org/pdf/2411.17698

MultiFoley的应用场景

电影和视频制作：在电影制作中，生成与画面动作同步的声音效果，如脚步声、关门声等，增强观众的沉浸感。游戏开发：在游戏中，为不同的游戏环境和动作生成逼真的声音，提升游戏体验。动画制作：对于动画，根据动画角色的动作生成相应的声音，让动画更加生动。广告制作：在广告行业中，根据广告创意生成吸引眼球的声音效果，增加广告的吸引力。虚拟现实（VR）：在VR体验中，生成与虚拟环境同步的声音，提高用户的沉浸感和体验质量。