概念Contrastive Language-Audio Pretraining
CLAP
对比语言-音频预训练框架，通过对比学习将音频与文本表示对齐，支持零样本音频分类与音频-文本检索任务
时间轴 (近 90 天)
10月26日
多模态对比模型（如CLIP和CLAP）的嵌入空间存在模态鸿沟，图像和文本的嵌入向量在单位球上各据一方，难以对齐。
待验证50%
10月26日
该方法是纯几何、模型无关的，可插拔地应用于现有CLIP/CLAP类模型，不依赖特定对比损失或网络架构。
待验证50%
10月7日
音频条件化技术实现上通常借助预训练音频编码器（如 CLAP、EnCodec）将参考音频压缩为嵌入向量，再以交叉注意力或 AdaLN 机制注入生成网络
待验证50%
9月23日
声音描述（Sound Captioning）和事件定位（Event Localization）是音频理解领域的两项核心子任务，通常依赖大规模音频-文本对预训练的多模态模型
待验证50%