第38集說Stable Audio Open在「壓縮過的空間」裡做擴散，那個空間在哪裡？這集小皮介紹潛空間（Latent Space）與自編碼器（Autoencoder）：編碼器把聲音壓小、解碼器再還原，中間最窄的瓶頸只放得下精華，像出國用真空壓縮袋打包行李。瓶頸裡的數字就像地圖座標，相像的聲音會靠在一起——長笛和雙簧管是鄰居，鼓聲住在另一區，這是模型自己整理出來的。2017年Google Magenta的NSynth用約30萬個單音訓練，在長笛和風琴之間取中間點，就得到世界上本來不存在的新音色，還做成實體合成器NSynth Super；2018年MusicVAE能在兩段旋律之間慢慢變過去。2013年的變分自編碼器（VAE）讓每個聲音變成一團雲，地圖沒有破洞。Stable Audio Open用VAE把44.1 kHz立體聲（每秒88,200個數字）壓成每秒21.5格×64個數字，小了約64倍，在小地圖上擴散再解碼，這就是潛在擴散（Latent Diffusion）。最後比較EnCodec（瓶頸後接RVQ變號碼、適合接龍）和Stable Audio（連續座標、適合擴散）。
參考資料：
Auto-Encoding Variational Bayes（Kingma & Welling 2013）：https://arxiv.org/abs/1312.6114
Neural Audio Synthesis of Musical Notes with WaveNet Autoencoders（NSynth）：https://arxiv.org/abs/1704.01279
MusicVAE（Roberts et al. 2018）：https://arxiv.org/abs/1803.05428
High-Resolution Image Synthesis with Latent Diffusion Models：https://arxiv.org/abs/2112.10752
Stable Audio Open：https://arxiv.org/abs/2407.14358
