Die Erzeugung von Foley-Sounds, also die Nachvertonung von Videos mit passenden Geräuschen, ist ein wesentlicher Bestandteil der Multimedia-Produktion. Diese Technik verbessert das Nutzererlebnis, indem sie Bild und Ton sowohl zeitlich als auch semantisch synchronisiert. In den letzten Jahren hat die Forschung bedeutende Fortschritte bei der Automatisierung dieses aufwendigen Prozesses gemacht, wobei die Video-zu-Ton-Generierung besondere Herausforderungen mit sich bringt.
Die Video-zu-Ton-Generierung steht vor mehreren Herausforderungen. Systeme, die keine expliziten zeitlichen Merkmale verwenden, leiden an mangelnder Kontrollierbarkeit und Synchronisation. Modelle, die auf Zeitstempeln basieren, erfordern kostspielige und subjektive menschliche Annotationen. Daher wurde "Video-Foley" entwickelt, ein System, das Root Mean Square (RMS) als zeitliches Ereignisbedingung verwendet. RMS ist ein Merkmal des Intensitätshüllkurve auf Frame-Ebene, das eng mit der Semantik von Audio korreliert und somit hohe Kontrollierbarkeit und Synchronisation gewährleistet.
Video-Foley besteht aus zwei Hauptphasen: Video2RMS und RMS2Sound. In der ersten Phase wird das RMS-Merkmal aus dem Video extrahiert. In der zweiten Phase wird dieses Merkmal verwendet, um den entsprechenden Ton zu erzeugen. Das System verwendet eine neuartige Methode der RMS-Diskretisierung und RMS-ControlNet mit einem vortrainierten Text-zu-Audio-Modell. Diese Annotation-freie, selbstüberwachte Lernstruktur ermöglicht eine hohe Leistungsfähigkeit in Bezug auf Audio-Visuelle Ausrichtung und Kontrollierbarkeit.
Ein weiteres bemerkenswertes System ist FoleyCrafter, das ebenfalls darauf abzielt, realistische und synchronisierte Soundeffekte zu erzeugen. FoleyCrafter nutzt ein vortrainiertes Text-zu-Audio-Modell und besteht aus einem semantischen Adapter zur semantischen Ausrichtung und einem zeitlichen Controller zur präzisen Audio-Video-Synchronisation. Ein wesentlicher Vorteil von FoleyCrafter ist die Verwendung von Textbeschreibungen zur Erreichung kontrollierbarer und vielfältiger Video-zu-Audio-Generierung.
Die Leistung von Video-Foley und FoleyCrafter wurde durch umfangreiche Experimente bewertet. Video-Foley zeigte in der Evaluierung herausragende Ergebnisse in Bezug auf die Audio-Visuelle Ausrichtung und die Kontrollierbarkeit der Sound-Timing, -Intensität, -Klangfarbe und -Nuancen. Ebenso hat FoleyCrafter durch quantitative und qualitative Analysen sowie Benutzerstudien bewiesen, dass es state-of-the-art Ergebnisse erzielt.
Die Weiterentwicklung der Video-zu-Ton-Generierung bietet vielversprechende Möglichkeiten für die Zukunft der Multimedia-Produktion. Mit fortschreitenden Technologien und neuen Ansätzen wie Video-Foley und FoleyCrafter können Produzenten künftig realistischer und effizienter arbeiten. Diese Systeme bieten nicht nur eine hohe Qualität und Synchronisation, sondern auch eine flexible und vielseitige Anwendung, die durch Text-Prompts weiter verbessert werden kann.
Die Automatisierung der Foley-Sound-Synthese markiert einen bedeutenden Fortschritt in der Multimedia-Produktion. Systeme wie Video-Foley und FoleyCrafter bieten innovative Lösungen, um die Herausforderungen der Video-zu-Ton-Generierung zu meistern. Durch ihre fortschrittlichen Methoden und die hohe Leistungsfähigkeit sind sie wegweisend für die Zukunft der automatisierten Sound-Synthese.