SAGE：兼顾重建质量、语义结构与推理速度的音频生成编码器

论文提出 SAGE，一款仅使用公开音乐训练、通过蒸馏预训练音频文本模型嵌入塑造潜在空间的 105M 参数变分自编码器。SAGE 的运行速度约为 Stable Audio Open 的 3 倍，在听感测试中达到大 8 倍且慢逾 2 倍的 SAME-L 水平，并在客观感知与分布指标以及全部 19 项潜在语义探测任务上超过或优于对比系统。