Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2510.00313v1

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2510.00313v1 (eess)
[提交于 2025年9月30日 ]

标题: 音频扩散变换器的训练后量化

标题: Post-Training Quantization for Audio Diffusion Transformers

Authors:Tanmay Khandelwal, Magdalena Fuentes
摘要: 扩散变换器(DiTs)能够实现高质量的音频合成,但通常计算量大且需要大量存储,这限制了它们的实际部署。 在本文中,我们对音频DiTs的训练后量化(PTQ)技术进行了全面评估,分析了静态和动态量化方案之间的权衡。 我们探索了两个实用的扩展:(1)一种去噪时间步 aware 的平滑方法,该方法根据每个输入通道和时间步调整量化尺度以减轻激活异常值,以及(2)一种基于奇异值分解(SVD)的轻量级低秩适配器(LoRA)分支,用于补偿残差权重误差。 使用Stable Audio Open我们对W8A8和W4A8配置进行了基准测试,涵盖了客观指标和人类感知评分。 我们的结果表明,动态量化即使在较低精度下也能保持保真度,而静态方法在较低延迟下仍具有竞争力。 总体而言,我们的研究结果表明,低精度DiTs可以在减少内存使用高达79%的同时保留高保真生成。
摘要: Diffusion Transformers (DiTs) enable high-quality audio synthesis but are often computationally intensive and require substantial storage, which limits their practical deployment. In this paper, we present a comprehensive evaluation of post-training quantization (PTQ) techniques for audio DiTs, analyzing the trade-offs between static and dynamic quantization schemes. We explore two practical extensions (1) a denoising-timestep-aware smoothing method that adapts quantization scales per-input-channel and timestep to mitigate activation outliers, and (2) a lightweight low-rank adapter (LoRA)-based branch derived from singular value decomposition (SVD) to compensate for residual weight errors. Using Stable Audio Open we benchmark W8A8 and W4A8 configurations across objective metrics and human perceptual ratings. Our results show that dynamic quantization preserves fidelity even at lower precision, while static methods remain competitive with lower latency. Overall, our findings show that low-precision DiTs can retain high-fidelity generation while reducing memory usage by up to 79%.
评论: 5页,4图,已被IEEE语音和声学信号处理应用研讨会(WASPAA)2025接受
主题: 音频与语音处理 (eess.AS) ; 声音 (cs.SD)
引用方式: arXiv:2510.00313 [eess.AS]
  (或者 arXiv:2510.00313v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.00313
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Tanmay Khandelwal [查看电子邮件]
[v1] 星期二, 2025 年 9 月 30 日 22:09:44 UTC (1,094 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
cs
cs.SD
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号