Paper Review: AI-Based Sound Effect Generation: A Narrative Review of Generative Models Across Input Modalities

论文类型: 分析型（narrative literature review）

这是一篇 narrative review，按 input modality（text/visual/audio/multimodal）系统梳理 30 篇 AI 音效生成工作。review 类论文归入分析型：核心价值在于是否可靠地压缩已有经验、发现可迁移规律、识别真实 gap。

公理审查结果

公理一：对象公理

• 判定: ⚠️
• 依据: 论文研究对象（AI-based sound effect generation across input modalities）真实存在且具有社区价值——音效合成在游戏/影视/VR 中是刚需，AI 生成是该领域活跃方向。但”sound effect”的操作化定义不严谨：论文将”sound effects”与”environmental sounds”混用，未明确区分 Foley sounds、UI sounds、ambient/atmospheric sounds 等子类，也未说明为何排除 speech/music 后剩余部分构成一个统一研究对象。更关键的是，论文声称聚焦”sound effect synthesis”，但实际收录的 30 篇中大量工作（如 AudioLDM2、CoDi、VAMG、Amphion）是通用音频生成模型，音效只是其能力的一个子集——对象边界与实际覆盖范围不一致。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 检索到 UniSonate (2604.22209)、Dasheng AudioGen (2605.27838)、Foley-Omni (2606.03672) 等更新工作也支持音效生成是真实活跃方向，但同样未对”sound effect”做严格定义。free-search 检索到 Camara et al. “Neural Audio Synthesis for Sound Effects: A Scope Review” (IEEE TASLP 2024) 已对同一对象做过 scope review，且该综述对 sound effects 的定义更审慎。

分数: 6

公理二：识别公理

• 判定: ❌
• 依据: 作为 narrative review，论文的核心”识别”任务应是识别推动领域进步的真正因果因素（哪些架构选择、训练策略、数据设计真正带来了改进）。论文在这方面严重不足：
  1. 对每个模型只做描述性复述（”X 提出 Y 架构，在 Z 指标上超越 baseline”），未隔离变量。例如 Tango 2 同时引入 DPO fine-tuning + temporal augmentation + Audio-alpaca 数据集，论文直接把提升归因于”DPO 和 event/temporal data augmentation”，但未讨论哪个是主因。
  2. 多个模型同时改变 architecture、encoder、数据、训练步数，论文未尝试比较公平性。例如 Auffusion 与 Tango 的比较，一个用 pixel VAE 一个用 Flan-T5，训练数据也不同，但论文把性能差异直接归因于”pixel VAE 的引入”。
  3. 未识别共性模式：30 篇中 LDM 占绝对主导，但论文未分析为什么 LDM 优于 GAN/autoregressive——是因为 LDM 本身更适合，还是因为 LDM 被更多工作采用导致生态优势？
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 检索到 SemanticVocoder (2602.23333) 和 WavFlow (2605.18749) 表明”去掉 VAE/tokenizer”也能达到 SOTA，这直接质疑论文隐含的”LDM+VAE 是最优路径”叙事，但论文未讨论这类替代路径。

分数: 2

公理三：独立性公理

• 判定: ⚠️
• 依据: 论文是 review，不涉及自身训练/评测闭环，所以不构成 fatal 循环。但存在两个独立性问题：
  1. 论文对”SOTA”的认定完全依赖原论文自报的 metric，未做独立验证或 re-run。review 的核心认识论义务是交叉验证——至少应在同类模型间做指标归一化或数据集对齐比较，但论文未做。
  2. 多个模型使用 AudioCaps/VGGSound 训练，又在同一数据集的 test split 上评测，论文未指出这种 train-test 同源对 metric 可比性的影响。
  3. 评测指标本身（FAD、CLAPScore）依赖预训练模型（VGGish、CLAP），这些模型与被评测模型的训练数据可能重叠，论文未讨论这一污染风险。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 中 SemanticVocoder 条目显示其在 AudioCaps 上 FD=12.823/FAD=1.709，与论文中各模型的指标不可直接比较（不同评测设置），印证了跨论文指标可比性缺失的问题。

分数: 5

公理四：压缩公理

• 判定: ⚠️
• 依据: 论文确实提供了一定的压缩价值：Table 1 系统列出 30 个模型的架构/指标/特性，Figure 2-5 统计各 modality 下主导架构分布，Table 3 按 subcategory 归类。这些对新手有参考价值。但压缩远不充分：
  1. 未提炼可迁移的经验规律。例如”retrieval-augmented 在 long-tail 上更好”“frame-wise visual feature 比 clip-wise 更利于 temporal alignment”等，论文只在各模型段落中零散提及，未做跨模型归纳。
  2. 未提供 trade-off 分析框架。Discussion 提到 controllability vs. diversity、objective vs. subjective 的 trade-off，但未用任何图表或量化方式呈现。
  3. 大量篇幅用于逐篇复述（30 段近似”model card”），真正分析性内容（Discussion + Conclusion）仅占约 2 页（29 页中的 2 页），信息密度低。
  4. Figure 2-5 的架构统计过于粗粒度（仅统计 GAN vs LDM vs Transformer 计数），未揭示更深层模式（如 conditioning strategy 的演化）。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 中 AudioChat (2602.17097) 提出”三个新评测指标直接衡量 task performance”，以及 UniSonate 的”Dynamic Token Injection”机制，这些是更深层经验规律，论文未触及。

分数: 5

公理五：效用公理

• 判定: ⚠️
• 依据: 作为 review，效用标准是：是否可靠地帮助研究者理解领域现状并指导未来工作。论文在以下方面部分满足：
  1. 覆盖面尚可：30 篇覆盖 TTA/V2A/A2A/multimodal 四类，时间跨度 2020-2025，主要数据库（IEEE/ACM/Google Scholar）已检索。
  2. 但检索策略有显著缺口：明确排除 preprint（”non-peer-reviewed e.g., preprints”），导致大量 arXiv-only 的高质量工作被遗漏。例如 DCASE 2024/2025 的 sound scene synthesis challenge reports、Stable Audio Open 的技术报告细节、以及 2024-2025 年大量 arXiv V2A 工作（如 FoleyCrafter、Diff-Foley 的后续改进）未被覆盖。
  3. 检索时间窗截止 2025-03-04，但论文 2026-08-04 才提交 arXiv，中间 17 个月的新工作完全缺失。这不是小问题——该领域 2025 年发展极快（paper-wiki 中 Foley-Omni、Audio-Oscar、Dasheng AudioGen 等均为 2025-2026 工作），论文的”current state”认定在发表时已过时。
  4. 未提供 meta-analysis：30 篇模型在同一数据集上的性能对比表缺失。论文逐篇报告指标，但从未把多个模型在 AudioCaps 或 VGGSound 上的 FAD/KL 放在同一张表里比较，这是 review 的基本效用义务。
  5. Table 1 虽有摘要，但 Metrics 列用缩写且不统一，Attributes 列是一句话 marketing 式描述，未做结构化对比（如 conditioning type、data size、sampling rate、open-source status）。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 检索到 WavFlow (2605.18749) 在 VGGSound 和 AudioCaps 上的结果与论文中各模型不可直接比较，进一步证实跨论文指标对比的缺失。free-search 检索到 DCASE 2024 Task 7 (sound scene synthesis challenge) 有多个团队提交的系统对比报告，论文未引用。

分数: 4

公理六：新颖性公理

• 判定: ❌
• 依据: 这是论文最严重的缺陷。论文自身定位为”narrative review”，但该领域已存在至少两篇直接竞争的综述：
  1. Camara et al. (2024), “Neural Audio Synthesis for Sound Effects: A Scope Review” — 发表于 IEEE Transactions on Audio, Speech, and Language Processing（正是本论文引用的同一期刊），覆盖同一对象（neural audio synthesis for sound effects），且方法论更严谨（scope review，有明确 PRISMA 流程）。本论文未引用或比较该工作。
  2. Liu et al. (2023) “Research on artificial intelligence generated audio” — 本论文引用 [27] 但将其归类为背景引用，未讨论其综述发现。
  3. Mitra & Zualkernan (2025) “Music Generation Using Deep Learning and Generative AI: A Systematic Review” — 本论文引用 [32] 但仅用于排除 music。

  相对于 Camara et al. 的 scope review，本论文的增量贡献是什么？论文未在 Related Work 或 Discussion 中明确声明增量。唯一的结构差异是”按 input modality 组织”（text/visual/audio/multimodal），但 Camara et al. 也涵盖了这些维度。论文声称的 novelty（”first to focus on how different input modalities affect quality, controllability, and contextual relevance”）难以成立——modality 维度的比较是任何 audio generation review 的自然组织方式。

  此外，论文的分析深度低于 Camara et al.：后者对 synthesis methods 做了更细的分类（time-domain vs spectral vs latent），本论文仅按 modality 分章后逐篇复述。

• Wiki 证据: OMC Wiki 无相关记录。free-search 明确检索到 Camara et al. “Neural Audio Synthesis for Sound Effects: A Scope Review” 在 IEEE TASLP 2024 发表，OpenReview forum ftkX5shOKz。这是直接同期竞争工作，论文未引用。

分数: 2

公理七：可复现公理

• 判定: ⚠️
• 依据: 作为 review，可复现性指检索策略是否可重复、筛选是否透明。
  1. 检索策略部分写得较清楚：明确列出数据库、查询词、时间窗、inclusion/exclusion criteria，并有 PRISMA flow diagram（Figure 1）。这是正面之处。
  2. 但关键信息缺失：未提供 30 篇入选论文的完整理由列表（为什么这 30 篇入选，13 篇被排除的具体原因是什么）。PRISMA 要求 exclusion reason 记录，论文只给了数字。
  3. 检索词构造有问题：query 中包含 “design* OR creat* OR generat* OR develop“，其中 “design” 会大量匹配 UI design / sound design 方法学论文，”develop” 过于宽泛。论文未报告 query 的 precision。
  4. 单人筛选风险：未报告筛选者数量、是否双盲独立筛选、inter-rater reliability。narrative review 不强制要求，但论文声称”documented transparently”并使用 PRISMA，则应遵循更高标准。
  5. 数据可用性：论文未声明是否提供 review protocol、codebook 或提取表格的 supplementary material。
• Wiki 证据: OMC Wiki 无相关记录。

分数: 5

总评

• 科学价值: 低 — 作为 narrative review，未提供超越已有综述（Camara et al. 2024）的科学增量；分析深度不足，未隔离变量，未做 meta-comparison，未提炼可迁移经验规律。
• 方法价值: 低 — 检索策略可复现但筛选过程不透明；排除 preprint 导致覆盖面有系统性缺口；17 个月的发表延迟使”current state”认定过时。
• 社区价值: 中 — 对刚进入该领域的新手有入门参考价值（Table 1 的 30 模型摘要和 Figure 2-5 的架构统计），但无法作为研究基准或 decision-making 依据。

日报摘要

• Strength: 系统覆盖 30 篇近五年 AI 音效生成工作，按 input modality（text/visual/audio/multimodal）组织并提供 PRISMA flow diagram，Table 1 的模型摘要对新手有入门参考价值。
• Weakness: 未引用直接竞争综述 Camara et al. (IEEE TASLP 2024)，分析深度不足（逐篇复述为主，无 meta-comparison、无变量隔离、无可迁移经验规律提炼），检索截止 2025-03 但 2026-08 才发表导致内容过时，排除 preprint 造成系统性覆盖缺口。

打分

加权总分: 3.68/10（加权分之和 36.0 / 权重之和 9.5） 最终建议: Weak Reject