MAAS（Multi‑Area Auditory Synthesis）は、注視領域（ROI）ごとのfMRI応答を直接処理して、事前学習済みの音声拡散トランスフォーマを条件付けるフレームワークです。従来のパイプラインのように、脳活動を一度別の表現にデコードする必要がありません。

MAAS は専用のクロスアテンションアダプタを設け、脳トークンを拡散トランスフォーマの条件付け経路に注入します。拡散ダイナミクスの本体は凍結したままで、テキスト条件として空文字を入力し、脳トークンは学習可変のスカラーで重み付けされます。この構成により、解析用のバックボーンを微調整せずに脳情報を利用できます。

実験では 7T fMRI データセット（被験者5名、1秒あたり 288 度音）を用い、MAAS は従来の二段階 fMRI‑to‑latent ベンチマークを上回りました。CLAP 相関は 0.614 ± 0.13、ペアワイズ識別精度は 85.4 ± 4.2 % で、ベンチマークの 0.509 ± 0.16 と 70.1 ± 5.9 % を大きく上回ります。また、Mel‑SSIM は 0.297 ± 0.09、対数メル距離は 0.152 ± 0.04 と改善しました。