ICASSP 2026 - 语音增强

共 75 篇论文

← 返回 ICASSP 2026 总览

📋 论文详情

🥇 A Lightweight Fourier-Based Network for Binaural Speech Enhancement with Spatial Cue Preservation

🔥 8.5/10 | 前25% | #语音增强 | #深度学习 | #轻量级模型 #空间音频

👥 作者与机构

• 第一作者：Xikun Lu（华东师范大学教育人工智能研究院）
• 通讯作者：Jinqiu Sang（华东师范大学计算机科学与技术学院）
• 作者列表：Xikun Lu（华东师范大学教育人工智能研究院）、Yujian Ma（华东师范大学教育人工智能研究院）、Xianquan Jiang（泊听科技（上海）有限公司）、Xuelong Wang（华东师范大学计算机科学与技术学院）、Jinqiu Sang（华东师范大学计算机科学与技术学院）

💡 毒舌点评

这篇论文的核心亮点在于其精巧的“取舍”设计：通过一个轻量级（129K参数）的傅里叶域调制器（GAFM）和动态门控（DRG），在极低的计算开销下，实现了双耳线索（ILD、IPD）保存和可懂度（MBSTOI）上的显著优势，成功解决了该领域一个痛点。然而，这种优化的代价也显而易见：在感知质量（PESQ）上，它未能超越最强大的、但笨重得多的基线模型，这暗示其“保护线索优先”的策略可能在某些纯听感场景下是次优选择，且过小的模型容量也限制了其性能上限的绝对高度。

📌 核心摘要

本文针对双耳语音增强中高性能模型计算复杂度高、轻量级模型性能下降的矛盾，提出了一种全局自适应傅里叶网络（GAF-Net）。其核心在于三个创新模块：1）双特征编码与融合模块，结合STFT特征和Gammatone特征，增强声学表征的鲁棒性；2）全局自适应傅里叶调制器（GAFM），作为轻量级骨干网络，在傅里叶域高效建模长期依赖，同时通过保持通道独立性来保护空间线索；3）动态精炼门（DRG），通过动态加权混合原始和增强信号，抑制处理伪影。实验结果表明，GAF-Net以仅129K参数和2.79 GMACs的开销，在关键指标（MBSTOI, LILD, LIPD）上达到了SOTA水平，同时保持了有竞争力的PESQ分数。主要局限性在于，目前的评估主要限于消声环境，未来需在混响等更复杂场景中验证其鲁棒性。

主要实验结果对比表（平均性能）

🥈 DiTSE: High-Fidelity Generative Speech Enhancement via Latent Diffusion Transformers

🔥 8.5/10 | 前10% | #语音增强 | #扩散模型 | #Transformer #高保真音频

👥 作者与机构

• 第一作者：Heitor R. Guimarães (INRS-EMT, Université du Québec, Montréal, Canada)
• 通讯作者：未明确说明（根据作者顺序和单位，通常最后一位或带有†标记的作者可能是通讯作者，但论文中未明确标注）
• 作者列表：
  • Heitor R. Guimarães（INRS-EMT, Université du Québec, Montréal, Canada；其工作在Adobe Research实习期间完成）
  • Jiaqi Su（Adobe Research, San Francisco, California, United States）
  • Rithesh Kumar（Adobe Research, San Francisco, California, United States）
  • Tiago H. Falk（INRS-EMT, Université du Québec, Montréal, Canada）
  • Zeyu Jin（Adobe Research, San Francisco, California, United States）

💡 毒舌点评

亮点：该工作首次在主观评测中将语音增强的输出质量提升至与真实录音棚录音（DAPS数据集）“无法区分”的水平（MOS 4.34 vs. 4.30），这是生成式语音增强领域一个重要的里程碑。
短板：模型（335M参数）相比多数基线更庞大，且依赖32步的扩散采样，实时性可能受限，其“高保真”优势在资源受限场景下的实用性有待考量；此外，尽管使用了离散编解码器进行后处理，但核心的连续潜在空间扩散仍面临VAE重建瓶颈（如VBD数据集上VAE重建分数低于原生48kHz音频）。

📌 核心摘要

1. 要解决的问题：真实语音常受噪声、混响等退化影响。现有生成式语音增强方法存在两大核心挑战：内容幻觉（生成与原始语音不符的音素）和不一致性（无法保持说话人身份及副语言特征）。

2. 方法核心：提出DiTSE，一种基于潜在扩散Transformer的语音增强模型。其核心在于：(a) 在预训练VAE的潜在空间进行扩散；(b) 使用预去噪网络（PDN） 与扩散潜变量拼接，为扩散模型提供两个视角的“干净信号”参考；(c) 通过自监督学习（SSL）特征的交叉注意力提供内容引导。

3. 与已有方法相比新在哪里：(1) 架构新：将DiT（源自视觉领域）成功应用于语音增强的潜在扩散过程，替代了常见的U-Net。(2) 条件机制新：提出的“PDN拼接+辅助时间步嵌入”的条件方式，有效平衡了早期结构引导和后期细节修复。(3) 后处理新：采用离散编解码器（DAC）进行后量化，以校正扩散生成可能引入的谐波不一致和伪影。

4. 主要实验结果：在DAPS、VBD、EARS等多个数据集上的全面评估显示：

   • 音频质量：DiTSE+Post在DAPS上MOS达到4.32，首次与真实录音（4.30）无显著差异，显著优于所有基线（如Genhancer为4.08）。
   • 内容保真度：在DAPS上WER为3.56（输入为5.03），在VBD上为4.93（输入为5.70），是唯一在这些数据集上显著降低WER的方法。
   • 说话人一致性：在DAPS上Speaker MOS达到4.20，大幅领先基线（如HiFi-GAN-2为4.09）。

   关键消融实验数据（来自表1， DAPS数据集）：

   实验设置	WER (↓)	WB-PESQ (↑)	ESTOI (↑)	DNSMOS (↑)
   输入	5.03	1.43	66.83	2.49
   基线（无PDN，无辅助嵌入）	4.29	2.31	84.24	3.32
   (+) 添加辅助时间步嵌入	4.51	2.42	85.20	3.33
   (+) 添加PDN [映射]	3.72	2.43	85.31	3.33
   (+) 添加PDN [掩码]	3.62	2.42	85.17	3.34
   (+) 完整模型+后量化	4.01	2.35	85.15	3.32
   (-) 缩小模型（112M参数）	8.49	2.12	81.92	3.31

5. 实际意义：该工作推动了语音增强技术向“无感”修复迈进，使得生成的语音在质量上媲美专业录音，有望应用于高质量语音内容制作、修复和通信等领域。

6. 主要局限性：(a) 计算开销：模型参数量较大，推理需32步扩散采样，可能影响实时应用。(b) VAE瓶颈：VAE的重建能力本身限制了输出质量的上限（如VBD数据集上）。(c) 极端场景：在极低信噪比或复杂退化下，仍需在内容恢复与避免幻觉间权衡（如EARS数据集上的WER仍较高）。

🥉 Towards Lightweight Adaptation of Speech Enhancement Models in Real-World Environments

🔥 8.5/10 | 前25% | #语音增强 | #低秩适配 | #低辐射 #自监督学习

👥 作者与机构

• 第一作者：Longbiao Cheng（未明确标注，按惯例判断）
• 通讯作者：未说明
• 作者列表：Longbiao Cheng（Institute of Neuroinformatics, University of Zurich and ETH Zurich）， Shih-Chii Liu（Institute of Neuroinformatics, University of Zurich and ETH Zurich）

💡 毒舌点评

亮点：这篇论文非常“务实”，精准地抓住了语音增强模型在边缘设备部署后“水土不服”的痛点，并用一套精心设计的轻量化自适应框架（更新不到1%参数）优雅地解决了“动态场景连续变化”这一更贴近现实的难题，实验结果在稳定性和效率上明显优于强基线RemixIT。 短板：作为一篇顶级会议（ICASSP）的论文，评估指标几乎完全依赖客观的PESQ/STOI/SI-SDR，竟然没有提供任何主观听力测试（如MOS评分），这对于评价语音感知质量是不够全面的；此外，代码和模型的完全不开放，使得论文的实用价值大打折扣，很难被社区快速验证和采纳。

📌 核心摘要

本文针对语音增强（SE）模型在部署后遇到的声学环境失配问题，特别是动态场景变化下的连续适应需求，提出了一种轻量级自监督适配框架。该框架的核心是冻结预训练的SE骨干网络，仅通过插入和更新低秩适配器（LoRA）参数来适应新场景，避免了对完整模型进行微调所带来的高计算成本和灾难性遗忘风险。适配过程采用自监督学习，利用原始骨干模型生成伪目标，并通过重混噪声构建训练信号。与现有更新全部参数的RemixIT方法相比，本方法在参数效率（更新<1%参数）和适应稳定性（收敛曲线更平滑）上具有显著优势。实验在包含111个环境（37种噪声×3个SNR范围，包括极具挑战性的[-8,0] dB）的连续场景评估中进行，结果表明：该框架平均实现1.51 dB的SI-SDR提升，且仅需每个场景20步更新。与RemixIT相比，在连续场景设置下，本方法能获得竞争或更优的感知质量（如GRU模型在[5,10] dB SNR下PESQ达1.72 vs. 1.51）。该研究证明了轻量级自适应框架对于在真实、动态声学环境中部署鲁棒SE模型的实用价值。其主要局限性在于缺乏主观听力评估，且未开源代码。

4. FastEnhancer: Speed-Optimized Streaming Neural Speech Enhancement

🔥 8.5/10 | 前25% | #语音增强 | #神经网络 | #流式处理 #实时处理

👥 作者与机构

• 第一作者：Sunghwan Ahn（首尔大学电气与计算机工程系，INMC）
• 通讯作者：未说明（论文中提供了多位作者的邮箱，但未明确指定通讯作者）
• 作者列表：Sunghwan Ahn（首尔大学电气与计算机工程系，INMC）、Jinmo Han（首尔大学电气与计算机工程系，INMC）、Beom Jun Woo（首尔大学电气与计算机工程系，INMC）、Nam Soo Kim（首尔大学电气与计算机工程系，INMC）

💡 毒舌点评

亮点在于它像一位精明的工程师，将“简单即高效”的哲学贯穿始终，用看似基础的编码器-解码器和精心挑选的RNNFormer模块，在单CPU线程上跑出了碾压一众复杂架构的推理速度，证明了花哨不等于高效。短板则是其架构的核心创新（RNNFormer的特定组合）更像是一个面向工程目标的“最优配置”而非颠覆性理论突破，且论文并未深入探讨模型在极端非平稳噪声或严重混响下的性能边界。

📌 核心摘要

这篇论文针对流式语音增强任务中，现有深度学习模型虽然参数量和MACs减少，但因架构复杂导致在通用硬件（如单CPU线程）上实际推理延迟高的问题，提出了FastEnhancer模型。其方法核心是采用一个简单的编码器-解码器结构，并引入了一种新型的RNNFormer模块，该模块在时间轴使用高效的GRU，在频率轴使用多头自注意力机制（MHSA），以兼顾低延迟流式处理与全局频率关系建模。与先前研究相比，新方法摒弃了复杂的子带分解和分组DPRNN设计，转而追求架构的简洁性和针对速度的优化（如仅使用时间轴卷积核大小为1的卷积、可融合的批归一化层）。主要实验结果在VCTK-Demand数据集上显示，FastEnhancer在多个尺寸配置下均达到了SOTA的语音质量和可懂度指标（例如，FastEnhancer-B在PESQ上达到3.13，STOI达到94.5%），同时实现了所有对比模型中最低的实时因子（RTF），其中FastEnhancer-T在Xeon CPU上的RTF仅为0.012。该工作的实际意义在于为实时、资源受限的设备（如助听器、智能家居）提供了一个高性能且超低延迟的语音增强解决方案。主要局限性是论文的实验主要集中在客观指标和特定硬件上的RTF，未报告主观听感测试或在更多样化的真实噪声场景下的泛化性能，且对模型处理极端复杂声学条件的能力探讨不足。

实验结果表格1：在VCTK-Demand数据集上的性能对比

实验结果表格2：消融研究

实验结果图表描述：

• 图1 (RTF vs. SISDR 和 RTF vs. STOI): 展示了FastEnhancer与BSRNN, GTCRN, LiSenNet, FSPEN等模型在RTF（横轴）与SISDR/STOI（纵轴）的权衡关系。FastEnhancer的各配置点构成了新的Pareto前沿，即在同等RTF下取得更优性能，或在同等性能下实现更低RTF。
• 图3 (RNNFormer消融研究): 对比了RNNFormer、DPRNN（将频率轴MHSA替换为GRU）和DPTransformer（将时间轴GRU替换为MHSA）在RTF与SISDR/STOI图上的表现。结果表明RNNFormer在速度和性能上取得了最佳平衡，DPRNN性能较差，DPTransformer则因缓存导致RTF显著增加。

5. DisContSE: Single-Step Diffusion Speech Enhancement based on Joint Discrete and Continuous Embeddings

🔥 8.5/10 | 前10% | #语音增强 | #扩散模型 | #音频大模型 #自回归模型

👥 作者与机构

• 第一作者：Yihui Fu（德国布伦瑞克工业大学通信技术研究所）
• 通讯作者：未说明
• 作者列表：Yihui Fu（德国布伦瑞克工业大学通信技术研究所）、Tim Fingscheidt（德国布伦瑞克工业大学通信技术研究所）

💡 毒舌点评

这篇论文的亮点在于它巧妙地将离散token的保真度与连续嵌入的phonetic精度结合起来，并且通过“量化误差掩码初始化”这一小巧思，成功地将扩散过程的反向步骤压缩到一步，实现了性能与效率的双赢。不过，论文通篇没有提及代码和模型开源的具体计划，对于想要立刻复现或应用其技术的同行来说，这无疑是一个不小的障碍。

📌 核心摘要

1. 问题：现有基于离散音频编解码器的扩散语音增强方法虽然保真度好，但推理时需要多次迭代，计算复杂度高；且在恢复正确音素（phoneme）方面表现不佳，导致其侵入式指标分数较低。
2. 方法核心：本文提出DisContSE，一个混合判别/生成模型。它联合处理离散的音频编解码器token和连续嵌入，分别通过离散增强模块和连续增强模块进行优化，并引入语义增强模块提升音素准确性。其关键创新是提出“量化误差掩码初始化”策略，使得在推理时仅需一步扩散过程即可生成结果。
3. 与已有方法相比新在哪里：首次实现了基于音频编解码器的单步扩散语音增强；提出了联合离散与连续表征的统一框架，并明确设计了三个功能互补的增强模块；通过量化误差指导初始化，优化了单步推理的质量。
4. 主要实验结果：在URGENT 2024挑战赛数据集上进行评估，DisContSE在PESQ、POLQA、UTMOS等关键指标和主观MOS测试中均排名第一，总体排名（2.36，越低越好）显著优于所有对比的基线扩散模型。消融实验证明了每个模块及单步策略的有效性。关键结果对比如下：

5. 实际意义：该工作为语音增强领域提供了一种高效且高质量的解决方案，单步推理特性使其更适合部署在实时或资源受限的应用场景中。
6. 主要局限性：论文未明确开源代码和模型权重，限制了即时复现；尽管提出了单步扩散，但模型本身结构相对复杂，结合了多个预训练模型（DAC, WavLM）和独立的增强模块，总参数量较大。

6. Sidon: Fast and Robust Open-Source Multilingual Speech Restoration for Large-Scale Dataset Cleansing

🔥 8.5/10 | 前25% | #语音增强 | #自监督学习 | #语音合成 #多语言

👥 作者与机构

• 第一作者：未说明
• 通讯作者：未说明
• 作者列表：Wataru Nakata（东京大学）， Yuki Saito（东京大学）， Yota Ueda（东京大学）， Hiroshi Saruwatari（东京大学）

💡 毒舌点评

亮点：论文的工程落地和开源姿态堪称典范，将Google内部的强大模型（Miipher）以开源、高效、多语言的形式复现并发布，直接为社区提供了一个“开箱即用”的数据清洗利器。短板：核心模型架构是现有工作的直接套用（两阶段、SSL预测+声码器），创新主要体现在“用什么开源组件”和“怎么高效微调”上，而非提出新的范式或解决根本性挑战。

📌 核心摘要

1. 解决的问题：高质量、多语言的录音室级别语音数据稀缺，限制了大规模TTS模型的发展。从网络等来源爬取的野外语音往往含有噪声、混响、编解码等失真，需要高效的清洗工具将其恢复为录音室质量。
2. 方法核心：Sidon是一个开源的语音恢复模型，采用两阶段参数化重合成框架。第一阶段，使用在大量多语言数据上预训练的w2v-BERT 2.0 SSL模型作为特征预测器，通过LoRA微调，从带噪语音预测出对应的干净SSL特征。第二阶段，使用一个改进的HiFi-GAN声码器（采用snake激活），从预测的SSL特征直接生成48kHz的高保真语音波形。
3. 与已有方法相比新在哪里：相比闭源的Google Miipher/Miipher-2，Sidon完全开源（代码、模型、训练数据）。相比其他开源方法，它首次支持大规模多语言（100+种）语音恢复，并在更大规模的多样化噪声数据上训练。技术上，它用开源的w2v-BERT 2.0替代了闭源USM，并使用更先进的声码器架构生成全带宽语音。
4. 主要实验结果：
   • 在英语恢复（LibriTTS测试集）上，Sidon在语音质量（NISQA, DNSMOS）和说话人相似度（SpkSim）上优于或持平于Miipher（表2）。
   • 在100种语言恢复（FLEURS测试集）上，Sidon的平均字符错误率（CER）和DNSMOS得分优于Miipher-2，NISQA略低，但整体性能可比（表3）。
   • 关键下游验证：使用Sidon清洗TED-LIUM数据集后训练F5-TTS模型，其合成语音的MOS得分（4.248）显著高于使用原始数据（3.254）或Demucs（3.265）、VoiceFixer（3.771）清洗后的数据（表4）。
   • 效率：在单张H200 GPU上，批处理大小为8时，实时因子（RTF）约为0.002，即处理速度比实时快约500倍（表5）。
5. 实际意义：提供了一个高效、可复现的工具，使研究社区能够轻松地对大规模、多语言、噪声条件多样的语音数据集进行清洗，从而为训练高质量的TTS模型（尤其是多语言和零样本场景）扫清数据障碍。
6. 主要局限性：虽然性能接近Miipher-2，但在某些指标（如NISQA）上仍有微小差距。模型能力受限于w2v-BERT 2.0的特征表达和声码器的生成保真度，对于极端的或训练数据中未覆盖的失真类型，泛化能力有待验证。

7. Spike-Driven Low-Power Speech Bandwidth Extension

🔥 8.0/10 | 前25% | #语音增强 | #脉冲神经网络 | #低功耗 #流式处理

👥 作者与机构

• 第一作者：Donghyun Kim (Department of Electronic Engineering, Hanyang University, Seoul, Republic of Korea)
• 通讯作者：Joon-Hyuk Chang† (Department of Electronic Engineering, Hanyang University, Seoul, Republic of Korea)
• 作者列表：Donghyun Kim (Hanyang University), Sangho Han (Hanyang University), Joon-Hyuk Chang (Hanyang University)

💡 毒舌点评

亮点：模型在效率上实现了质变，参数量仅为最强对比模型(AP-BWE)的约1/20，能耗降低了约93%，将语音带宽扩展任务拉入了“毫焦耳”时代。短板：在生成质量的“天花板”上并未超越现有最佳ANN模型，甚至在最重要的PESQ和ESTOI指标上落后约0.5分，表明SNN在捕获复杂生成任务的感知细节上可能仍有瓶颈。

📌 核心摘要

1. 要解决什么问题：传统的基于深度学习的语音带宽扩展（BWE）方法在追求高质量的同时，模型复杂度（参数、计算量、能耗）不断增加，限制了其在功耗和资源受限的边缘设备上的实际部署。
2. 方法核心是什么：提出了一种名为SpikeBWE的脉冲神经网络（SNN）框架。该框架将传统的ANN替换为事件驱动、计算稀疏的SNN，并采用基于脉冲卷积（SConv）的编码器和高效脉冲神经元（ESN，基于GSU）的瓶颈来建模长程依赖，同时采用子带损失和因果设计。
3. 与已有方法相比新在哪里：这是首次将SNN成功应用于BWE任务，而非简单替换。其创新在于针对BWE任务特性设计的轻量级SNN架构（ESN、SConv）和训练策略（替代梯度、子带损失）。
4. 主要实验结果如何：
   • 在TIMIT数据集（8kHz -> 16kHz）上，SpikeBWE在多项指标上超越了早期基线（TUNet, SGMSE+M），并与最新SOTA模型（AP-BWE）在LSD（谱失真）指标上持平（均为1.37）。
   • 其核心优势在于效率：参数量仅1.4M，计算量（MACs）为0.634G，估算能耗为0.848 mJ，功率代理指标（Pproxy）为0.942 GOps/s，均显著低于所有对比的ANN模型。
   • 消融实验表明，ESN、SConv和子带损失的组合对降低LSD和能耗均有贡献，因果设计在仅轻微增加LSD的情况下保持了高效率。 关键数据表格：

     方法	PESQ (↑)	ESTOI (↑)	LSD (↓)	参数量 (M) ↓	计算量 (GMACs) ↓	能耗 (mJ) ↓
     TUNet	2.72	0.965	1.75	2.9	1.49	6.86
     AP-BWE	3.83	0.994	1.37	29.8	2.99	13.8
     SpikeBWE	3.30	0.985	1.37	1.4	0.634	0.848

5. 实际意义是什么：为在智能手机、可穿戴设备、IoT终端等对功耗极其敏感的平台上实现实时语音增强和音质提升提供了可行的解决方案，推动了语音处理技术的“绿色化”和边缘化部署。
6. 主要局限性是什么：生成语音的感知质量（PESQ, ESTOI）尚未达到最新ANN模型的最佳水平；研究主要基于标准TIMIT数据集，在噪声环境、不同说话人、不同语言等更复杂场景下的泛化能力有待进一步验证。

8. MAGE: A Coarse-to-Fine Speech Enhancer with Masked Generative Model

🔥 8.0/10 | 前25% | #语音增强 | #生成模型 | #大语言模型 #掩码预测

👥 作者与机构

• 第一作者：Hieu Pham（AITech Lab, Ho Chi Minh City University of Technology, VNU-HCM, Vietnam）
• 通讯作者：Duc Dung Nguyen（AITech Lab, Ho Chi Minh City University of Technology, VNU-HCM, Vietnam）
• 作者列表：Hieu Pham (AITech Lab, 胡志明市技术大学), Tan Dat Nguyen (AITech Lab, 胡志明市技术大学), Phuong Thanh Tran (AITech Lab, 胡志明市技术大学), Joon Son Chung (韩国科学技术院), Duc Dung Nguyen (AITech Lab, 胡志明市技术大学)

💡 毒舌点评

亮点在于其“稀缺感知”的从粗到细掩码策略，为非均匀token分布下的掩码生成模型训练提供了优雅的解决方案，显著提升了样本效率；同时，将庞大的大语言模型裁剪至200M参数用于语音增强任务，展现了出色的架构工程能力。短板在于评估严重依赖DNSMOS这类非侵入式指标，完全缺乏PESQ、STOI等传统且客观的信号级评估指标，使得其声称的“感知质量提升”缺乏更全面的说服力，也让与传统方法的对比不够完整。

📌 核心摘要

1. 要解决什么问题：现有的生成式语音增强模型（如基于掩码生成的模型）普遍存在参数量巨大（数亿至数十亿）和随机掩码策略导致训练效率低下、泛化能力受限的问题，难以在实际部署中平衡性能与效率。
2. 方法核心是什么：MAGE提出了一种轻量级的掩码生成语音增强框架。其核心创新是稀疏感知的从粗到细（Coarse-to-Fine, CTF）掩码策略，根据token在语料中的频率（IDF分数）动态调整掩码概率，在训练早期优先预测高频token，后期精修低频token。此外，引入了一个轻量级BLSTM校正器模块，在推理时检测并重新掩盖低置信度预测，进行迭代优化。
3. 与已有方法相比新在哪里：a) 掩码策略：从随机均匀掩码变为基于token稀缺性的课程学习式掩码。b) 模型效率：基于Qwen2.5-0.5B通过LoRA微调并保留一半层，将模型压缩至200M参数，远小于同等性能的基线（如AnyEnhance， MaskSR）。c) 推理鲁棒性：校正器模块实现了可控的迭代细化，而非一次性生成。
4. 主要实验结果如何： a) DNS Challenge 测试集（论文未提供具体数值）：MAGE（200M参数）在OVL指标上取得竞争性结果，加入CTF和校正器后，在无混响条件下SIG达到4.580，在真实录音上OVL达到3.787，超越了参数量大得多的FlowSE等基线。 b) 噪声LibriSpeech测试集：MAGE（CTF+Corrector）将WER从带噪基线的显著水平降低至23.45%，相比SGMSE（28.52%）降低了约5个百分点绝对值，同时DNSMOS OVL达到4.141。

5. 实际意义是什么：MAGE证明了通过精巧的掩码策略设计和模型压缩，可以在保持甚至超越大型生成模型性能的同时，将参数量减少到适合边缘部署的规模，为高效、高质量的语音增强提供了新思路。
6. 主要局限性是什么：a) 论文指出其训练数据依赖于模拟失真，可能影响对真实复杂场景的泛化能力。b) 评估指标不完整，完全缺失PESQ、STOI等广泛认可的客观信号质量评估，使得性能评估存在偏颇。c) 校正器模块的具体工作机制（如置信度计算、重新掩盖比例）细节有待更深入公开。

9. Deep Learning-Based Joint Optimization of Adaptive Feedback Cancellation and Residual Feedback Suppression for Hearing Aids

🔥 8.0/10 | 前25% | #语音增强 | #深度学习 | #信号处理 #实时处理

👥 作者与机构

• 第一作者：Xiaofan Zhan (1,2)
• 通讯作者：Chengshi Zheng (1,2)
• 作者列表：
  1. Xiaofan Zhan (中国科学院声学研究所噪声与音频研究实验室；中国科学院大学)
  2. Brian C. J. Moore (剑桥大学心理学系剑桥听力组)
  3. Xiaodong Li (中国科学院声学研究所噪声与音频研究实验室；中国科学院大学)
  4. Chengshi Zheng (中国科学院声学研究所噪声与音频研究实验室；中国科学院大学)

💡 毒舌点评

亮点是它成功地将信号处理领域的经典思路（先线性对消，再非线性抑制）与深度学习巧妙结合，设计了两阶段框架和针对性的三步训练法，在实验上也确实做到了“1+1>2”的效果。短板在于，论文对闭环训练中两个网络如何具体协调、误差如何反向传播等“脏活累活”的细节描述略显含糊，只给出了宏观步骤，让想复现的人可能卡在调参的细节里；另外，只用了客观指标，缺乏真实的听感测试或临床数据支持，说服力打了点折扣。

📌 核心摘要

1. 解决的问题：助听器中固有的声反馈问题（麦克风重拾放大的声音导致啸叫和失真），严重限制了可用增益，尤其在现代小型、开放式设计中更为突出。现有基于深度学习的方法（DeepAFS和DeepAFC）各有局限：前者计算复杂且高增益效果有限，后者在反馈路径快速变化时性能下降。
2. 方法核心：提出JointDFC，一个两阶段深度学习框架。第一阶段使用LFCNet（集成预测误差方法的深度自适应反馈取消网络）进行线性反馈对消；第二阶段使用RFSNet（带全局因果时频注意力机制的全子带递归网络）抑制残余反馈和噪声。设计了“单独预训练 -> 数据生成 -> 端到端微调”的三步训练策略以解决闭环系统训练难题。
3. 与已有方法相比新在哪里：这是首次将深度学习框架用于整合反馈取消与残余反馈抑制的联合优化，融合了DeepAFC（侧重建模反馈路径）和DeepAFS（侧重直接信号分离）的优势。网络设计上引入了全局时频注意力以精准定位残余反馈，训练策略上专门设计了适配闭环系统的三步法。
4. 主要实验结果：在模拟用户内（Set A）和用户间（Set B）反馈路径变化的测试集上，JointDFC在多种高增益（5-11dB）条件下全面优于两个基线（DeepPEM-AFC， DeepAFS）。例如，在Set A的11dB增益条件下，JointDFC的WB-PESQ为4.12，eSTOI为98.01%，SI-SDR为16.14 dB，显著高于DeepPEM-AFC（PESQ 3.11, eSTOI 90.87%, SI-SDR -1.85 dB）和DeepAFS（PESQ 3.53, eSTOI 93.86%, SI-SDR 11.39 dB）。消融实验表明，移除全局注意力或联合训练均会导致性能下降。

   方法	参数量(M)	计算量(G/s)	WB-PESQ (5/7/9/11dB)	eSTOI(%) (5/7/9/11dB)	SI-SDR(dB) (5/7/9/11dB)
   Set A
   DeepPEM-AFC	0.240	0.060	4.32/4.23/3.71/3.11	99.24/98.84/93.64/90.87	19.03/17.79/9.80/-1.85
   DeepAFS	0.302	0.319	4.28/4.18/3.90/3.53	98.45/97.90/96.11/93.86	17.62/16.22/14.13/11.39
   JointDFC (ours)	0.396	0.227	4.30/4.26/4.21/4.12	98.87/98.68/98.40/98.01	18.71/17.95/17.16/16.14
   w/o Global cTFA	0.391	0.224	4.23/4.19/4.13/4.02	98.47/98.27/97.90/97.32	17.74/17.07/16.27/14.98
   w/o joint training	0.396	0.227	4.17/4.13/4.09/4.09	97.80/97.72/97.58/97.51	13.98/13.28/13.03/13.10
   Set B
   DeepPEM-AFC	0.240	0.060	4.15/4.04/3.85/3.54	98.62/98.36/97.50/96.00	16.01/14.78/11.53/6.71
   DeepAFS	0.302	0.319	4.23/4.13/3.93/3.63	98.36/97.81/96.42/93.97	17.33/15.88/13.83/10.86
   JointDFC (ours)	0.396	0.227	4.21/4.16/4.11/4.07	98.59/98.39/98.11/97.92	16.91/15.99/15.25/14.66
   w/o Global cTFA	0.391	0.224	4.13/4.07/4.02/3.95	98.13/97.90/97.59/97.12	16.19/15.22/14.47/13.18
   w/o joint training	0.396	0.227	4.12/4.07/4.01/3.95	97.68/97.50/97.21/96.92	13.96/13.16/12.28/11.67

5. 实际意义：该方法有望显著提升助听器在复杂动态环境下的稳定工作增益，改善中重度听力损失用户的听力补偿效果，同时保持了适合实时助听器芯片部署的计算复杂度（0.227 G MACs/s）。
6. 主要局限性：研究主要基于客观指标（PESQ, eSTOI, SI-SDR）评估，未提供主观听感测试或真实用户佩戴实验数据；模型在反馈路径剧变时的瞬态性能有待进一步探究；实际硬件部署的功耗、内存占用等未讨论。

10. HyFlowSE: Hybrid End-To-End Flow-Matching Speech Enhancement via Generative-Discriminative Learning

🔥 8.0/10 | 前25% | #语音增强 | #流匹配 | #端到端 #轻量化模型

👥 作者与机构

• 第一作者：Yang Zhang（杭州电子科技大学 通信工程学院）
• 通讯作者：Wenbin Jiang（杭州电子科技大学 通信工程学院，邮箱：wbjiang@hdu.edu.cn）
• 作者列表：Yang Zhang（杭州电子科技大学 通信工程学院），Wenbin Jiang（杭州电子科技大学 通信工程学院），Zhen Wang（杭州电子科技大学 通信工程学院），KaiYing Wu（杭州电子科技大学 通信工程学院），Wen Zhang（杭州电子科技大学 通信工程学院），Fei Wen（上海交通大学 信息科学与电子工程学院）

💡 毒舌点评

亮点在于巧妙地利用可微分ODE这一技术“胶水”，将本应用于生成建模的流匹配与用于精细监督的判别损失无缝融合，以端到端方式显著提升了轻量级模型的性能，方案优雅且有效。短板在于其创新主要停留在训练策略的集成上，网络架构本身（NCSN++）并无新意，且论文缺乏对判别损失如何具体指导向量场学习这一内在机制的更深入剖析。

📌 核心摘要

1. 解决的问题：纯生成式的流匹配语音增强模型在追求轻量化（参数少）和高效率（低NFE）时，性能会显著下降，而现有的级联或两阶段解决方案会引入额外的推理步骤，增加计算开销，违背了流匹配高效推理的初衷。
2. 方法核心：提出HyFlowSE框架，其核心是将标准的条件流匹配（CFM）生成损失与一个由L1损失、多分辨率STFT谱收敛损失和对数STFT幅度损失组成的判别性损失相结合。通过利用可微分的神经常微分方程（Neural ODE）求解器，这两个损失可以在一次前向传播中计算，并实现端到端联合优化。
3. 与已有方法的新颖之处：与需要级联多个流模型（如CasFlowSE）或依赖预训练判别模型的方法不同，HyFlowSE在单一模型和单次推理流程中集成了生成与判别目标，不增加推理时的NFE，实现了效率与性能的兼得。
4. 主要实验结果：在VoiceBank+DEMAND数据集上，仅5.2M参数的HyFlowSE(T)模型在PESQ（3.21）上超过了65.6M参数的FlowSE（3.12）。在更具挑战性的WSJ0+CHiME3低信噪比（L）场景下，HyFlowSE(T)（5.2M）的PESQ达到3.09，大幅超越27.8M参数的FlowSE(M)（2.64）和CasFlowSE（2.64）。在混响条件下（WSJ0+Reverb），其PESQ（2.95）也优于FlowSE(M)（2.45）和CasFlowSE（2.80）。
5. 实际意义：为在资源受限设备上部署高性能语音增强系统提供了新路径。它表明通过精心的训练目标设计，可以用更小的模型达到甚至超越大模型的性能，对降低算法落地成本和功耗有直接价值。
6. 主要局限性：网络骨干（NCSN++）并非新颖设计，创新性集中在训练目标上。论文未详细分析混合损失中各项权重的敏感性及其背后的机理。实验未与更多非流匹配的轻量级判别模型（如DCCRN等）进行对比，难以全面评估其在轻量化模型谱系中的绝对位置。

11. HCGAN: Harmonic-Coupled Generative Adversarial Network for Speech Super-Resolution in Low-Bandwidth Scenarios

🔥 8.0/10 | 前50% | #语音增强 | #生成模型 | #端到端 #低资源

👥 作者与机构

• 第一作者：Xin Wang（河海大学信息科学与工程学院）
• 通讯作者：Yibin Tang（河海大学信息科学与工程学院）
• 作者列表：Xin Wang（河海大学信息科学与工程学院）、Yuan Gao（河海大学信息科学与工程学院）、Xiaotong Wang（河海大学信息科学与工程学院）、Yibin Tang（河海大学信息科学与工程学院）、Aimin Jiang（河海大学信息科学与工程学院）、Ying Chen（常州大学微电子与控制工程学院）

💡 毒舌点评

亮点：该工作的双分支设计思路清晰，将语音的谱特征与谐波结构显式解耦并分别建模，对于解决4kHz这类谐波严重丢失的极窄带问题确有针对性，消融实验也证明了谐波分支的贡献。短板：作为2026年发表在ICASSP的工作，其网络架构（U-Net + GAN + Mamba）的集成缺乏更深入的原理性创新，更像是一个工程上的有效组合；且Mamba模块在消融实验中对核心指标PESQ的提升并不显著，其必要性有待更强论证。

📌 核心摘要

1. 问题：在低带宽场景（如采样率4kHz）下进行语音超分辨率时，输入信号的谐波信息严重丢失，现有方法难以恢复出自然清晰的高质量语音。
2. 方法核心：提出谐波耦合生成对抗网络（HCGAN）。生成器采用双分支架构：谱分支通过U-Net和Mamba模块处理频谱图；谐波分支通过时谐模块从低频谐波矩阵估计高频谐波矩阵。两分支输出融合后生成最终频谱。
3. 创新点：1）显式引入并建模语音的谐波结构，通过矩阵形式实现谐波从低频到高频的迁移；2）设计双分支架构，分别学习谱平滑性和谐波连续性，并进行特征融合；3）在U-Net瓶颈处集成轻量Mamba模块以降低计算复杂度。
4. 主要结果：在8kHz->16kHz任务上，HCGAN的PESQ达到3.64，超越所有对比方法（最高为TUNet的3.50）。在更困难的4kHz->16kHz任务上，其PESQ为2.50，也优于AFiLM、NVSR等传统方法。消融实验证实了多尺度特征损失、Mamba模块和谐波提取（HE）模块的有效性。
   • 表1：16 kHz高分辨率语音从8 kHz语音恢复对比

     方法	LSD	PESQ	SNR (dB)	Params (M)
     AFiLM [20]	0.74	3.02	20.0	134.7
     NVSR [21]	0.78	3.09	17.4	99.0
     TFiLM [12]	0.78	2.51	19.8	68.2
     AERO [17]	0.77	3.01	22.5	36.3
     Tramba [16]	0.82	3.23	23.2	5.2
     TUNet [13]	1.36	3.50	17.4	2.9
     HCGAN	0.78	3.64	19.8	4.7

   • 表2：16 kHz高分辨率语音从4 kHz语音恢复对比

     方法	LSD	PESQ	SNR (dB)	Params (M)
     AFiLM [20]	1.00	1.88	15.4	134.7
     NVSR [21]	0.95	2.03	11.7	99.0
     TFiLM [12]	1.17	2.08	15.0	68.2
     TFNet [11]	1.27	1.73	17.5	55.8
     HCGAN	0.96	2.50	14.3	4.7

5. 实际意义：HCGAN以仅4.7M的参数量，在关键的感知质量指标PESQ上表现优异，尤其适用于卫星通信、物联网等对模型大小敏感且带宽极度受限的语音通信增强场景。
6. 局限性：当输入语音基频较高（>300Hz）时，低频谐波矩阵包含的信息不足，导致谐波分支的性能提升有限。此外，实验部分未提供语音增强后的MOS评分或主观听感测试，客观指标与主观感受的关联性有待进一步验证。

12. Exploring Resolution-Wise Shared Attention in Hybrid Mamba-U-Nets for Improved Cross-Corpus Speech Enhancement

🔥 8.0/10 | 前25% | #语音增强 | #混合模型 | #Mamba #跨语料库

👥 作者与机构

• 第一作者：Nikolai Lund Kühne（奥尔堡大学电子系）
• 通讯作者：未明确说明（推测为Jan Østergaard，同一单位）
• 作者列表：Nikolai Lund Kühne（奥尔堡大学电子系）、Jesper Jensen（奥尔堡大学电子系；Oticon A/S）、Jan Østergaard（奥尔堡大学电子系）、Zheng-Hua Tan（奥尔堡大学电子系）

💡 毒舌点评

亮点：提出的RWSA机制构思巧妙，通过在U-Net的不同分辨率层间共享注意力参数，不仅减少了计算开销，还显著提升了模型在未见数据集（跨语料库）上的泛化能力，这是当前语音增强领域的一个关键痛点。短板：模型架构相对复杂，涉及Mamba、注意力机制、U-Net以及多种损失函数，虽然提供了代码，但其核心贡献“分辨率共享注意力”更像是一种工程优化，而非根本性的理论突破；此外，论文虽然声称SOTA，但与部分基线模型的参数量和计算量差距并不总是特别巨大，说服力可进一步增强。

📌 核心摘要

1. 要解决什么问题：现有语音增强模型在训练集以外的语料（跨语料库）上性能下降显著，尤其是基于序列模型（如LSTM， Mamba）的方法。本文旨在提升模型的跨语料库泛化能力。
2. 方法核心是什么：提出了RWSA-MambaUNet模型。其核心是分辨率共享注意力（RWSA） 机制，即在U-Net结构的下采样和上采样路径中，将对应时间/频率分辨率的MambAttention块内的多头注意力（MHA）模块参数共享。模型结合了Mamba在时频维度建模的线性复杂度优势与注意力机制的全局关系捕捉能力。
3. 与已有方法相比新在哪里：首次将RWSA引入基于Mamba的U-Net架构用于语音增强。通过层间共享注意力参数，模型能在不同分辨率上对齐全局时频依赖关系，这被认为对跨语料库泛化至关重要。与先前MambAttention模型相比，本文模型更轻量且泛化能力更强。
4. 主要实验结果如何：在两个域外测试集上达到SOTA。例如，在VB-DemandEx训练的模型中，最小的RWSA-MambaUNet-XS（1.02M参数）在DNS 2020测试集上PESQ达2.940， SSNR达9.421， ESTOI达0.922；在EARS-WHAM v2测试集上SSNR达3.106， ESTOI达0.729， SI-SDR达8.541，超越了所有基线模型（如MambAttention、MP-SENet），同时参数量和FLOPs大幅减少。消融实验证实了RWSA和MHA模块对性能的贡献。
5. 实际意义是什么：该工作为构建高效、强泛化能力的语音增强系统提供了新思路，特别是在处理训练数据未覆盖的新说话人、新噪声场景时具有潜在应用价值（如助听器、移动通信）。
6. 主要局限性是什么：论文未提及模型在含混响数据或真实复杂环境下的性能；SI-SDR指标在部分测试集上不如基线，作者归因于参考信号特性，但这可能影响其在需要波形精确匹配场景下的适用性；此外，实验设置（如STFT参数）与某些近期工作有差异，可能影响公平比较。

13. Mixture To Beamformed Mixture: Leveraging Beamformed Mixture As Weak-Supervision for Speech Enhancement and Noise-Robust ASR

🔥 8.0/10 | 前25% | #语音增强 | #波束成形 | #语音识别 #多通道

👥 作者与机构

• 第一作者：Zhong-Qiu Wang（南方科技大学计算机科学与工程系）
• 通讯作者：Zhong-Qiu Wang，Ruizhe Pang（南方科技大学计算机科学与工程系）
• 作者列表：Zhong-Qiu Wang（南方科技大学计算机科学与工程系），Ruizhe Pang（南方科技大学计算机科学与工程系）

💡 毒舌点评

亮点：论文巧妙地利用“波束成形后的混合信号”这一易于获取、但信噪比更高的信号作为弱监督标签，优雅地绕开了真实数据“无干净标签”的核心痛点，思路非常清晰且具有工程实用性。短板：方法依赖于一个基于模拟数据预训练的模型来推导波束成形器，形成了一个“模型生成监督信号再训练模型”的循环，其理论上的收敛性和在极端失配情况下的鲁棒性缺乏深入探讨；同时，多阶段训练流程（预训练波束成形器、M2BM训练）增加了整体复杂度。

📌 核心摘要

1. 要解决的问题：在多通道语音增强和鲁棒ASR中，使用模拟数据训练的模型在真实场景中泛化能力有限，而真实数据又缺少干净的语音标签进行监督学习。
2. 方法核心：提出“混合信号到波束成形混合信号（M2BM）”的训练范式。利用传统波束成形算法（如MVDR）对真实多通道混合信号进行处理，得到一个目标说话人信噪比更高的“波束成形混合信号”（Y_BF）。将这个信号作为弱监督目标，训练深度神经网络（DNN）从原始混合信号中估计出目标语音和噪声，使两者的组合能逼近原始混合信号和波束成形后的混合信号。
3. 与已有方法相比新在哪里：扩展了之前的M2M（混合到混合）方法。M2M仅利用参考麦克风的混合信号作为约束，而M2BM进一步引入了波束成形后的混合信号作为更强的、指向性更明确的监督信号。通过结合在模拟数据上的监督学习和在真实数据上的M2BM学习，提出了SuperM2BM半监督框架。
4. 主要实验结果：在CHiME-4真实测试集上，6通道输入的SuperM2BM系统取得了1.25%的WER，相比纯监督学习的41.76%和SuperM2M的2.42%有显著提升，并优于此前最优系统MultiIRIS（1.33%）。DNSMOS OVRL分数也达到或超过了波束成形本身的结果（见表1）。
5. 实际意义：该方法允许开发者仅在目标领域采集无标签的多通道真实数据，结合现有的波束成形算法，即可有效提升模型在真实场景下的性能，降低了对高质量标注数据的依赖，具有很强的实用价值。
6. 主要局限性：训练流程相对复杂，需要先预训练一个单通道增强模型来估计空间参数以计算波束成形器；性能的上限在一定程度上受限于所使用的传统波束成形算法的质量；对于单通道输入情况，M2BM的提升幅度相对较小。

14. Modeling Strategies For Speech Enhancement in The Latent Space of a Neural Audio Codec

🔥 8.0/10 | 前50% | #语音增强 | #神经音频编解码器 | #自回归模型 #模型比较

👥 作者与机构

• 第一作者：Sofiene Kammoun (CentraleSupélec, IETR (UMR CNRS 6164), France)
• 通讯作者：未说明
• 作者列表：Sofiene Kammoun (CentraleSupélec, IETR (UMR CNRS 6164), France)、Xavier Alameda-Pineda (Inria at Univ. Grenoble Alpes, CNRS, LJK, France)、Simon Leglaive (CentraleSupélec, IETR (UMR CNRS 6164), France)

💡 毒舌点评

本文以“教科书式”的系统性，将NAC潜空间中的几种核心建模选项（连续/离散、自回归/非自回归）像排列组合一样做了个遍，实验扎实、结论清晰，为后续研究者提供了非常明确的“避坑指南”和设计起点。然而，其所有实验仅在单一数据集（Libri1Mix）和单一编解码器（DAC）上进行，得出的“连续优于离散”等结论的普适性存疑，且未能将性能与当前主流的判别式SE方法（如Conv-TasNet）拉开决定性差距，更像是对一个新兴技术路径的初步探索而非颠覆性突破。

📌 核心摘要

1. 问题：如何有效地在神经音频编解码器（NAC）的潜空间中进行监督语音增强（SE），特别是当潜表示可以是连续向量或离散token时，应采用何种建模策略。
2. 方法核心：系统性地对比了基于Conformer架构的多种建模策略：离散token预测（自回归D-AR/非自回归D-NAR）、连续向量预测（自回归C-AR/非自回归C-NAR），以及一个直接微调NAC编码器（C-FT/D-FT）的基线。所有模型均以预训练NAC的编码器输出作为输入/目标空间。
3. 创新点：这是第一个系统、全面地对比NAC潜空间中连续/离散表示、自回归/非自回归建模以及编码器微调策略在语音增强任务中表现差异的工作。
4. 主要实验结果：在Libri1Mix数据集上的实验表明：
   • 连续表示预测在几乎所有质量指标上持续优于离散token预测（例如，C-NAR在UTMOS上比D-NAR高0.82分）。
   • 自回归模型（如C-AR）在语音质量（OVRL=3.32）上优于非自回归模型（C-NAR，OVRL=3.25），但以更高的计算复杂度（472 GFLOPs vs 6 GFLOPs）和更差的可懂度（dWER 20.47% vs 13.48%）为代价。
   • 微调编码器策略（C-NAR-FT）结合了C-NAR和编码器微调，取得了最佳的质量（UTMOS=3.60）和可懂度（dWER=11.07%）平衡，但会损害NAC本身的重建保真度。
5. 实际意义：为设计基于NAC的语音增强系统提供了清晰的权衡指南。例如，对于需要平衡压缩与增强的通信场景，非自回归连续模型（C-NAR）是优选；对于极致追求增强性能的场景，可选择C-NAR-FT。
6. 主要局限性：研究仅限于单一NAC（DAC）和单一数据集（Libri1Mix，训练数据约156小时），结论在其他编解码器或数据规模下的普适性未知；未探索语义token等其他表示形式；增强模型的性能虽在某些指标上优于判别式基线，但优势并不绝对。

15. LAFUFU: Latent Acoustic Features For Ultra-Fast Utterance Restoration

🔥 8.0/10 | 前25% | #语音增强 | #扩散模型 | #实时处理 #潜在空间

👥 作者与机构

• 第一作者：Łazarz Radosław Wosik（论文作者列表首位，但未明确标注为第一作者）
• 通讯作者：论文中未明确标注
• 作者列表：Łazarz Radosław Wosik (Samsung R&D Institute Poland), Mateusz Pudo (Samsung R&D Institute Poland), Urszula Krywalska (Samsung R&D Institute Poland), Adam Cie´slak (Samsung R&D Institute Poland), († AGH University of Krak´ow) — 论文开头列出作者姓名及主要所属机构为Samsung R&D Institute Poland，其中一位作者带有†标记，表示其同时隶属于AGH University of Krak´ow。

💡 毒舌点评

亮点在于它非常务实且有效：通过将扩散过程搬到一个更小、更高效的潜在空间里，直接戳破了生成式语音恢复“效果好但算力吃不消”的泡沫，实现了显著的加速（RTF降低约40%）而不牺牲质量。短板是其创新本质是“缝合”了图像领域的Latent Diffusion思想和语音领域的SGMSE+模型，属于应用创新而非理论突破，且双模型架构无形中增加了部署时的内存管理复杂度。

📌 核心摘要

1. 解决的问题：现有的基于扩散模型的语音恢复（如去噪、去混响）方法虽然生成质量高，但计算开销巨大，难以部署在边缘设备或实时场景中。
2. 方法核心：提出LAFUFU，一个在潜在空间中操作的生成式框架。其核心是先使用一个定制的、轻量级的自编码器（AE）将高维的语音STFT谱图压缩到一个紧凑的潜在空间，然后在该空间内执行扩散模型的迭代去噪过程，最后通过解码器恢复出干净语音。
3. 与已有方法的新颖之处：
   • 将专为图像修复设计的Refusion自编码器思想适配到语音STFT域（将时间和频率视为空间维度）。
   • 针对语音STFT的稀疏性和多尺度特性，采用多分辨率STFT损失（MRSTFT）替代常规L1损失，提升感知质量。
   • 通过潜在替换机制，使编码器专注于编码必要的修改信息而非完整信号。
   • 通过在压缩后的潜在空间操作，大幅降低了单次得分模型调用的计算成本，使得在相同实时因子（RTF）预算下，可以使用更大、更强的得分模型。
4. 主要实验结果：
   • EARS-WHAM (去噪)：LAFUFU256与SGMSE+（N=60）在SI-SDR, PESQ, ESTOI等指标上基本持平，但RTF从1.74降低到1.07（提速约38%）。LAFUFU128在RTF=0.45时仍能达到接近的性能。
   • EARS-Reverb (去混响)：LAFUFU256（RTF=1.07）的SI-SDR（9.46）超过了SGMSE+（RTF=1.74， SI-SDR=6.16），PESQ（3.17）和ESTOI（0.87）也优于或持平于SGMSE+，同时速度更快。
   • 消融研究：移除自编码器中的隐藏连接导致性能轻微下降；移除正则化损失（Reg-Loss）导致模型性能急剧恶化（SI-SDR降至负值），证明其对维持潜在空间结构至关重要。
   • （关键数据见下文实验结果表格）。
5. 实际意义：证明了在潜在空间进行扩散操作是加速生成式语音恢复的可行且高效的技术路径，为将高质量生成模型应用于实时音频处理（如会议系统、助听器、游戏语音）铺平了道路。
6. 主要局限性：采用双模型（编码器-解码器 + 扩散模型）架构，增加了系统的整体内存占用和参数量。模型性能的上限受限于自编码器的重建质量。

16. Influence of Clean Speech Characteristics on Speech Enhancement Performance

🔥 8.0/10 | 前25% | #语音增强 | #模型比较 | #多语言 #声学特征

👥 作者与机构

• 第一作者：Mingchi Hou（Idiap Research Institute, Switzerland; École Polytechnique Fédérale de Lausanne, Switzerland）
• 通讯作者：未说明（论文未明确指出通讯作者）
• 作者列表：Mingchi Hou（Idiap Research Institute, Switzerland; École Polytechnique Fédérale de Lausanne, Switzerland）、Ina Kodrasi（Idiap Research Institute, Switzerland）

💡 毒舌点评

亮点： 论文提出了一个此前被忽视的、极具启发性的研究视角——即干净语音本身的“内在特征”如何影响语音增强的难度，并通过严谨的跨模型、跨语言实验设计，无可辩驳地证明了共振峰振幅（尤其是F3）与增强性能的强相关性，为领域内理解“为何某些语音样本难以增强”提供了新解释。 短板： 作为一篇ICASSP论文，其核心贡献是“相关性分析”而非提出一个新模型或新算法，对实际的语音增强系统改进方案（如如何利用这些特征设计模型或数据集）探讨略显不足；此外，PESQ指标在西班牙语上的弱相关性，一定程度上削弱了“跨语言结论一致性”的说服力。

📌 核心摘要

1. 问题： 传统语音增强（SE）研究主要关注噪声特性和信噪比（SNR），而干净语音信号本身的内在特性如何影响增强性能这一问题尚不明确。

2. 方法： 本文系统性地研究了干净语音的声学特征（音高、共振峰、响度、频谱通量）与多种SOTA SE模型（掩码、回归、扩散、薛定谔桥）增强性能之间的相关性。实验在英语和西班牙语上进行，并控制了所有外部因素（如噪声类型和SNR）。

3. 创新点： 首次系统量化并证实了干净语音内在特征对SE难度的影响，特别强调了共振峰振幅是增强性能最一致且最强的预测因子。同时，揭示了说话人内部（同一说话人不同话语）的声学变异性对性能的巨大影响，补充了现有说话人感知SE研究的视角。

4. 主要结果： 共振峰均值与增强增益（ΔfwSSNR）呈强正相关（如CR模型在英语上相关系数达0.78），标准差呈强负相关。以第三共振峰（F3）均值划分，其最高25%（Q4）的样本相比最低25%（Q1）的样本，在所有模型和语言上平均可获得2-3 dB的ΔfwSSNR提升，以及在英语上约0.2-0.3的ΔPESQ提升。相关系数表和分组性能表是核心证据。

   模型	语言	ΔfwSSNR [dB] Q4	ΔfwSSNR [dB] Q1	ΔPESQ Q4	ΔPESQ Q1
   MM	English	4.35 ± 1.13	1.86 ± 0.96	1.10 ± 0.13	0.91 ± 0.24
   CR	English	7.01 ± 1.11	3.93 ± 1.03	1.46 ± 0.15	1.14 ± 0.29
   SB	English	8.06 ± 1.12	5.37 ± 0.97	1.59 ± 0.18	1.29 ± 0.27
   （注：表格节选自原文Table 3，展示了英语数据集上的关键对比）

5. 实际意义： 研究结果为设计更平衡的训练数据集、制定新的评估协议（考虑语音内在难度）以及开发“声学特征感知”的增强模型提供了理论依据和新思路。

6. 主要局限性： 分析基于客观指标（fwSSNR， PESQ），未深入涉及主观听感；研究重点在于揭示现象和相关性，未直接提出利用这些特征改进SE模型的具体架构或算法；PESQ指标在非英语语言（如西班牙语）上的适用性限制了部分跨语言结论的强度。

17. LipsAM: Lipschitz-Continuous Amplitude Modifier for Audio Signal Processing and its Application to Plug-And-Play Dereverberation

✅ 7.5/10 | 前25% | #语音增强 | #信号处理 | #即插即用学习 #Lipschitz连续性

👥 作者与机构

• 第一作者：Kazuki Matsumoto（东京农工大学）
• 通讯作者：未明确说明（论文中列出三位作者，无明确通讯作者标注）
• 作者列表：Kazuki Matsumoto, Ren Uchida, Kohei Yatabe（均来自东京农工大学，Tokyo University of Agriculture and Technology）

💡 毒舌点评

这篇论文漂亮地解决了一个音频深度学习中“理论上不优雅但实践中常用”的架构痛点，为看似经验主义的“幅度修改”网络注入了严格的数学保证。不过，其应用场景（PnP去混响）相对狭窄，更像一个精致的“补丁”而非范式革新，且未开源代码，让读者“只能远观，无法亵玩”。

📌 核心摘要

1. 问题：在音频信号处理中，深度神经网络（DNN）常采用在短时傅里叶变换（STFT）域修改频谱幅度、保留相位的架构（即振幅修改器，AM）。然而，这种架构即使其核心DNN是Lipschitz连续的，整个系统通常也不是Lipschitz连续的，这阻碍了利用Lipschitz连续性来保证系统鲁棒性和算法稳定性的理论分析。
2. 方法核心：论文证明了使振幅修改器（AM）成为Lipschitz连续（称为LipsAM）的一个充分条件：核心DNN不仅要Lipschitz连续，其输出幅度还必须被输入幅度逐元素地限制（定理4）。据此，提出了两种LipsAM架构：LipsAM-SE（信号估计器，通过min操作限制输出）和LipsAM-RE（残差估计器，通过ReLU确保残差非负）。
3. 新意：首次建立了针对音频AM架构的Lipschitz连续性理论条件，并提供了可直接应用的、简单的架构修改方案（在输出端添加限制层）。同时，推导了LipsAM-SE和LipsAM-RE的Lipschitz常数理论上界（分别为√(Lip(S)²+1) 和 Lip(R)+1）。
4. 主要实验结果：在即插即用（PnP）语音去混响任务中，LipsAM显著提升了算法的稳定性。当参数λ设置不当时，传统AM（AM-SE， AM-RE）容易发散，而LipsAM能保持稳定。在10个测试信号上的定量评估（2000次迭代）显示，LipsAM-RE达到了最佳的SI-SNR（20.57 dB）。关键结果如下表所示：

5. 实际意义：为音频DNN的设计和分析提供了一个新的理论视角和实用工具。LipsAM可以作为一种“即插即用”的稳定性增强模块，直接应用于基于STFT和振幅修改的现有音频处理流程中，提高迭代式优化算法（如PnP）的收敛鲁棒性。
6. 主要局限性：研究局限于振幅修改型架构，未涵盖时频掩蔽等其他主流音频DNN架构。理论分析基于特定的Lipschitz条件假设，在更复杂的真实场景和网络结构中的泛化性有待验证。实验仅在语音去混响上展示，未在更广泛的音频任务（如增强、分离）中验证。

18. MSANET: Multi-Scale Semantic Aggregation Network for Brain-Assisted Speech Enhancement in Multi-Speaker Conditions

✅ 7.5/10 | 前25% | #语音增强 | #端到端 | #多模态模型 #图神经网络

👥 作者与机构

• 第一作者：Zehui Feng（上海交通大学设计学院）
• 通讯作者：Ting Han（上海交通大学设计学院；上海交通大学医学机器人研究院）
• 作者列表：Zehui Feng（上海交通大学设计学院），Dian Zhu（上海交通大学设计学院），Junxuan Li（上海交通大学设计学院），Yang Bai（上海交通大学设计学院），Ting Han（上海交通大学设计学院；上海交通大学医学机器人研究院）

💡 毒舌点评

亮点：论文架构设计极具“工程师思维”，将EEG信号处理的生理学先验（频段划分、通道拓扑、生理延迟）与深度学习模块（多尺度卷积、图神经网络、注意力机制）进行了系统性地、模块化的结合，逻辑链条完整。
短板：部分核心创新（如GCMCA）的理论支撑和具体实现细节（如高斯混合模型在线更新的策略）略显不足，且在工程实用性上，该复杂框架在助听器等资源受限设备上的部署可能性和延迟问题，论文中未做任何探讨。

📌 核心摘要

1. 要解决的问题：在多人说话的嘈杂环境中，利用脑电图（EEG）信号来增强目标说话人的语音（即“鸡尾酒会问题”）。现有方法存在缺陷：语音编码器难以捕捉精细的频率结构；EEG信号存在通道间相关性建模弱、频率分解不足、生理响应延迟等问题；跨模态融合策略粗糙。
2. 方法核心：提出MSANet，一个端到端的多尺度语义聚合网络。其核心包含三个模块：1）多尺度编码器（使用不同卷积核大小）联合建模EEG和语音的时频动态；2）通道-频谱频率（CSF）聚合模块，根据生理/声学知识划分频段并计算注意力，增强关键通道和频带特征；3）结构-功能图（SFG）聚合，构建EEG通道的空间结构图和功能连接图，通过图卷积网络建模通道依赖，并加入时间感知模块补偿生理延迟；4）高斯聚类跨模态注意力（GCMCA），在原跨模态注意力机制基础上，引入高斯混合模型施加类内紧凑、类间分离的损失，优化跨模态语义对齐。
3. 与已有方法相比新在哪里：
   • 首次在端到端框架中系统性地融合多尺度时频编码、基于生理先验的EEG图建模和改进的跨模态注意力。
   • 提出CSF聚合，显式利用神经节律和语音频带知识进行特征提纯。
   • 提出GCMCA，通过聚类损失约束，使跨模态语义融合更具判别性。
4. 主要实验结果：在Cocktail Party和AVED两个公开数据集上，MSANet在SI-SDR、STOI、ESTOI、PESQ四个指标上均取得了最优性能。关键数据如下表所示：

   数据集	方法	SI-SDR (dB)	STOI (%)	ESTOI (%)	PESQ
   Cocktail Party	MSANet (ours)	13.99	90.97	80.32	2.69
   	M3ANet [9] (次优)	13.95	89.23	78.36	2.58
   AVED	MSANet (ours)	10.97	90.93	82.36	2.27
   	M3ANet [9] (次优)	10.89	90.60	82.06	2.21
   消融实验证明，移除CSF、SFG或GCA模块均会导致性能下降，其中GCMCA模块移除后性能下降最明显。

5. 实际意义：为脑机接口辅助的听力辅助设备（如人工耳蜗、助听器）提供了更先进的算法基础，有望在复杂声学环境下显著改善听障人士的语音理解能力和生活质量。
6. 主要局限性：1）框架模块较多，计算复杂度可能较高，未讨论实时性；2）高度依赖高质量的EEG信号，在信噪比极低的EEG情况下性能可能受限；3）论文中未提供模型权重或代码，不利于社区验证和应用。

19. Bone-Conduction Guided Multimodal Speech Enhancement with Conditional Diffusion Models

✅ 7.5/10 | 前25% | #语音增强 | #扩散模型 | #骨传导 #多模态模型

👥 作者与机构

• 第一作者：Sina Khanagha（汉堡大学信号处理组）
• 通讯作者：未说明
• 作者列表：Sina Khanagha（汉堡大学信号处理组）、Bunlong Lay（汉堡大学信号处理组）、Timo Gerkmann（汉堡大学信号处理组）

💡 毒舌点评

本文的亮点在于将扩散模型这一强大的生成范式引入骨传导引导的多模态语音增强任务，并通过设计精巧的条件注入策略（IC/DC），在极低信噪比下实现了显著的性能飞跃（例如在-10dB SNR下POLQA提升超过1分）。然而，其核心短板在于扩散模型固有的多步迭代采样带来的推理速度瓶颈（论文仅简要提及需要数十步，未量化延迟），这使其在助听器、实时通信等需要低延迟的应用场景中面临严峻挑战，论文对此缺乏深入探讨和解决方案。

📌 核心摘要

1. 问题：传统单通道语音增强模型在极端噪声环境（低信噪比）下性能严重下降。虽然骨传导信号（通过颅骨振动采集）对声学噪声免疫，但其带宽有限、清晰度差，如何有效融合这两种互补模态是一个挑战。

2. 方法核心：提出了骨传导条件扩散模型（BCDM），一个基于复数域条件扩散模型的多模态语音增强框架。模型将干净语音作为生成目标，以带噪的空气传导语音为条件引导扩散过程，并创新性地引入骨传导信号作为额外条件。论文比较了两种将骨传导信号注入主网络的条件化策略：输入拼接（IC） 和 解码器条件化（DC）。

3. 创新点：首次将条件扩散模型框架应用于骨传导引导的语音增强；提出了IC和DC两种有效的跨模态条件注入方法；在广泛的声学条件（SNR从-10dB到15dB）下进行了全面实验验证。

4. 实验结果：在ABCS+CHiME3数据集上，所有BCDM变体在所有SNR条件下均优于基线模型（包括单模态扩散模型SGMSE+和多种多模态预测模型）。例如，在极具挑战性的-10dB SNR下，BCDM-DC-L的POLQA分数为2.37±0.45，而最强基线BiNet为2.35±0.40，SGMSE+仅为1.30±0.35。关键对比数据见下表。

   模型	SNR=-10dB POLQA	SNR=-10dB PESQ	SNR=-10dB ESTOI	SNR=5dB POLQA	SNR=15dB POLQA
   Noisy Mixture	1.09	1.08	0.21	1.55	2.42
   SGMSE+	1.30	1.15	0.36	2.83	3.55
   BiNet	2.35	1.80	0.63	2.62	2.78
   BCDM-IC-S	2.36	1.86	0.75	3.00	3.53
   BCDM-DC-L	2.44	2.02	0.76	3.20	3.70

5. 实际意义：为助听器、可穿戴通信设备等在极端嘈杂环境下（如工厂、战场）保持清晰语音通信提供了新的技术路径，证明了多模态生成模型的潜力。

6. 主要局限性：（1）扩散模型推理需要多步采样（论文实验中N=60），计算成本高，延迟大，与预测模型的单次前向传播相比在实时性上处于劣势。（2）依赖额外的骨传导传感器，增加了硬件成本和佩戴负担，论文未讨论传感器噪声、校准等实际部署问题。

20. The 3rd Clarity Prediction Challenge: A Machine Learning Challenge for Hearing aid Speech Intelligibility Prediction

✅ 7.5/10 | 前25% | #语音增强 | #预训练 | #基准测试 #模型评估

👥 作者与机构

• 第一作者：Jon Barker (谢菲尔夫大学计算机系)
• 通讯作者：未说明
• 作者列表：Jon Barker (谢菲尔夫大学计算机系), Michael A. Akeroyd (诺丁汉大学医学院), Trevor J. Cox (索尔福德大学声学研究中心), John F. Culling (卡迪夫大学心理学系), Jennifer Firth (诺丁汉大学医学院), Simone Graetzer (索尔福德大学声学研究中心), Graham Naylor (诺丁汉大学医学院)

💡 毒舌点评

亮点：该论文最大的贡献是构建并开源了一个目前规模最大、最具生态效度的助听器语音可懂度预测数据集与基准，其精心设计的“三轮渐进式挑战”和“评估集完全未见”模式，为评估模型的真实泛化能力设立了黄金标准。短板：作为一篇挑战赛总结报告，它更侧重于结果汇编与现象分析（如听众变异），而对顶尖系统的具体技术路径、失败案例的深层原因挖掘深度有限，更像是一份详尽的“官方赛事白皮书”，而非一篇聚焦于某个算法突破的学术论文。

📌 核心摘要

1. 解决的问题：如何准确预测经过助听器处理后的语音在复杂噪声环境下的可懂度，这对于优化助听器算法和训练语音增强模型至关重要。
2. 方法核心：本文并非提出单一模型，而是报告了第三次清晰度预测挑战赛（CPC3）的设计、数据与结果。参赛者需基于提供的双耳信号预测听力损失听众的实际可懂度分数（0-100%）。
3. 与已有方法相比新在哪里：相比前两轮（CPC1, CPC2），CPC3扩展了数据集规模（最终评测集达7,674条信号），引入了更多、更复杂的听力补偿算法和声学场景（包括真实录音），并且评测集使用的算法和场景在训练集中完全未见，极大地考验了模型的泛化能力。
4. 主要实验结果：最佳系统（E025，侵入式）的评测集RMSE为24.98%，显著优于基线（beHASPI）的29.47%。值得注意的是，表现优异的系统中既包含侵入式（使用参考信号）也包含非侵入式（不使用参考信号）方法。前四个最优系统的简单平均组合可将评测集RMSE进一步降低至24.09%。分析还发现了显著的听众变异性。
   • 关键结果表格：

5. 实际意义：提供了业界最全面的助听器语音可懂度预测公开基准，加速了相关AI算法的研发与评估。验证了基于预训练Transformer的参考无关（非侵入式）模型的强大潜力，推动了该技术向实际助听器应用的靠近。
6. 主要局限性：挑战赛设计本身无法完全剥离认知因素等非声学变量的影响；受限于同一听众面板，无法实现完全独立的听众划分；作为报告，对各参赛系统内部技术细节的深入比较和剖析不足。

21. Two-Stage Language Model Framework for Acoustic Echo Cancellation

✅ 7.5/10 | 前25% | #语音增强 | #语音大模型 | #生成模型 #鲁棒性

👥 作者与机构

• 第一作者：Kai Xie（西北工业大学，中国）（根据论文署名顺序推断）
• 通讯作者：未说明（论文中未明确指出）
• 作者列表：Kai Xie¹（西北工业大学，中国）， Haoyang Li²（南洋理工大学，新加坡）， Nana Hou³（独立研究者）， Hexin Liu²（南洋理工大学，新加坡）， Jie Chen¹（西北工业大学，中国）。上标数字对应论文脚注中的机构编号。

💡 毒舌点评

本文最大的亮点是将“语义”作为解决回声消除中“语音可懂度”问题的关键桥梁，设计了一个从语义到声学的两阶段生成框架，思路新颖且实验效果显著。但稍显遗憾的是，两个语言模型阶段独立训练，可能浪费了联合优化语义与声学表示的机会；此外，作为一个2026年的生成式工作，未开源模型与代码，对于追求快速复现的读者不太友好。

📌 核心摘要

这篇论文针对传统声学回声消除（AEC）方法主要操作于特征域、忽略语义信息从而限制语音可懂度与感知质量的问题，首次提出了一种基于语言模型的两阶段生成式AEC框架。其核心方法是：第一阶段（语义建模），通过语义融合模块（融合麦克风与远端参考信号的连续语义特征）和通道级门控机制，利用自回归语义语言模型预测近端语音的离散语义token；第二阶段（声学建模），以预测的语义token链和原始声学token链为条件，利用声学语言模型生成近端语音的离散声学token，最终通过神经语音编解码器重建波形。与已有AEC方法相比，其新在首次将语义理解与生成式语言模型相结合，并采用分治策略（先语义后声学）。主要实验结果显示，在AEC-Challenge数据集上，所提方法在回声抑制（EMOS）、失真控制（DMOS）和回波损耗增强（ERLE）等指标上，尤其在低信回比（SER）和噪声环境下，显著优于DTLN AEC和MTFAA-NET等强基线（例如，在SER=-10dB的双讲场景中，EMOS达到4.48，比MTFAA-NET高0.30）。该工作的实际意义在于为高实时性、高可懂度的未来语音通信系统提供了新的技术路径。主要局限性在于两阶段独立训练可能无法实现全局最优，且论文未报告模型大小与推理延迟，其实用性需进一步验证。

22. E2E-AEC: Implementing An End-To-End Neural Network Learning Approach for Acoustic Echo Cancellation

✅ 7.5/10 | 前25% | #语音增强 | #端到端 | #迁移学习 #声学回声消除

👥 作者与机构

• 第一作者：Yiheng Jiang（阿里巴巴通义实验室）
• 通讯作者：未说明
• 作者列表：Yiheng Jiang（阿里巴巴通义实验室）、Biao Tian（阿里巴巴通义实验室）、Haoxu Wang（阿里巴巴通义实验室）、Shengkui Zhao（阿里巴巴通义实验室）、Bin Ma（阿里巴巴通义实验室）、Daren Chen（阿里巴巴通义实验室）、Xiangang Li（阿里巴巴通义实验室）

💡 毒舌点评

本文最大亮点在于用扎实的消融实验证明了从传统LAEC模型迁移知识到纯神经网络E2E-AEC的可行性，为简化AEC系统流水线提供了有力证据。但短板也很明显：模型本身（1.2M参数的GRU网络）创新有限，更像是多个成熟技巧（渐进学习、注意力对齐、VAD掩码）的工程化组合，且论文未提供任何代码或模型，对于追求可复现的读者而言，其技术细节的透明度打了折扣。

📌 核心摘要

1. 问题：传统声学回声消除（AEC）依赖线性自适应滤波器和时延估计，在非线性、时变回声路径下性能下降；现有混合系统复杂，而纯端到端方法在大时延场景下性能不佳。
2. 方法核心：提出E2E-AEC，一个完全基于神经网络的端到端AEC模型。其核心创新在于：采用渐进式学习分阶段消除回声与噪声；通过知识迁移，用预训练的混合系统模型初始化网络，以继承其先验知识；设计带监督损失的注意力机制实现精确的信号时间对齐；并引入语音活动检测预测与掩码策略在推理时进一步抑制远端回声。
3. 与已有方法相比：新在完全摆脱了传统信号处理流水线（TDE/LAEC），并通过上述策略的组合，解决了端到端模型在时间对齐和初始回声抑制上的难题，使其性能超越或媲美复杂的混合系统及已有的端到端方法（如DeepVQE）。
4. 主要实验结果：在AEC Challenge 2023/2022盲测集上，完整模型（Exp 6）取得最优成绩。关键数据见表1：

   方法 (AEC Challenge 2023)	MOSavg	ERLE (dB)
   DeepVQE (E2E, SOTA)	4.40	65.7
   E2E-AEC (本文, Exp 6)	4.51	78.69

   • 消融实验（表2）证明了“注意力+损失函数”对时间对齐的有效性。
   • 表3显示从第五层提取VAD预测并掩码效果最佳。
5. 实际意义：展示了端到端方法在AEC任务上达到甚至超越工业级混合系统的潜力，有望简化部署并提升全双工通话质量。
6. 主要局限性：VAD掩码导致的超高ERLE（78.69dB）可能过度抑制，在真实复杂场景（如持续双讲、非平稳噪声）下的泛化能力和鲁棒性有待更全面评估。论文未公开模型与代码。

23. SpatialNet-Echo: Real-Time Acoustic Echo Cancellation via Integrated Narrow-Band and Cross-Band Processing

✅ 7.5/10 | 前25% | #语音增强 | #自回归模型 | #声学回声消除 #端到端

👥 作者与机构

• 第一作者：Ziyin Chen（浙江大学，杭州，中国）
• 通讯作者：Xiaofei Li（西湖大学 & 西湖高等研究院，杭州，中国）
• 作者列表：Ziyin Chen（浙江大学），Xiaofei Li（西湖大学 & 西湖高等研究院）

💡 毒舌点评

论文巧妙地将Mamba架构引入AEC的窄带处理，解决了传统RNN和Transformer的长序列建模效率问题，是一个有价值的工程实践。但其高达28.31G的MACs和1.71M参数的“标准版”模型，离真正的“实时”轻量化部署似乎还有距离，论文中“轻量级变体”的性能也仅比对比方法略好，且未公开代码，让“可部署性”的宣称打了折扣。

📌 核心摘要

这篇论文旨在解决实时通信中声学回声消除（AEC）的难题，特别是传统窄带处理方法的局限性和信号的非线性失真。论文提出了SpatialNet-Echo，这是首个集成窄带时间建模与跨带谱一致性的端到端实时AEC模型。其核心方法是结合时间-频率卷积块（TFCB）捕捉联合谱时特征、挤压-激励（SE）块进行动态通道加权，以及基于Mamba的窄带处理器进行高效的长上下文建模。同时，采用了一个结合SI-SNR、幅度谱和实/虚部损失的相位感知混合损失函数。

与已有方法相比，该模型的创新点在于首次将上述组件统一到一个针对AEC设计的端到端架构中，强调窄带与跨带处理的协同作用。在ICASSP 2023 AEC挑战赛盲测集上，SpatialNet-Echo在远端单讲（ST-FE）场景下取得了SOTA的4.81 EMOS，在双讲（DT）场景下取得了竞争性的4.59 EMOS和4.05 DMOS，优于或持平于其他四个SOTA方法。

该工作的实际意义在于推动了基于深度学习的端到端AEC模型的发展，并验证了Mamba在该任务中的有效性。主要的局限性在于其标准模型的计算复杂度（28.31G MACs）仍然较高，且论文未提供开源代码和模型，限制了其复现性和直接应用。

表1：与SOTA方法在ICASSP 2023 AEC挑战赛盲测集上的性能对比

表2：消融实验结果

图2展示了在一个双讲场景下，原始麦克风信号(a)、参考信号(b)、基线模型估计的近端语音(c)以及本文提出模型估计的近端语音(d)的时频谱图。可以直观地看出，本文提出的方法在从混合信号中提取近端语音方面优于基线模型，其时频能量表示更为完整和准确。

24. A Stabilized Hybrid Active Noise Control Algorithm of GFANC and FxNLMS with Online Clustering

✅ 7.5/10 | 前25% | #语音增强 | #信号处理 #深度学习 | #信号处理 #深度学习

👥 作者与机构

• 第一作者：Zhengding Luo (南洋理工大学电气与电子工程学院)
• 通讯作者：Haozhe Ma (新加坡国立大学计算学院)
• 作者列表：Zhengding Luo (南洋理工大学电气与电子工程学院), Haozhe Ma (新加坡国立大学计算学院), Boxiang Wang (南洋理工大学电气与电子工程学院), Ziyi Yang (南洋理工大学电气与电子工程学院), Dongyuan Shi (西北工业大学), Woon-Seng Gan (南洋理工大学电气与电子工程学院)

💡 毒舌点评

亮点： 巧妙地将生成式固定滤波器（快）与自适应算法（准）结合，并针对混合系统可能出现的“打架”（因权重微调导致滤波器重置）问题，设计了一个简洁有效的在线聚类“和事佬”，使系统既快又稳。 短板： 创新本质是“搭积木”式组合现有模块（CNN预测权重+聚类稳定+FxNLMS优化），理论深度不足；实验虽充分但仅限于仿真，缺乏真实硬件平台（如耳机、车内）的部署验证，实际落地效果存疑。

📌 核心摘要

1. 解决的问题： 传统FxNLMS自适应算法收敛慢且有发散风险；新提出的GFANC固定滤波器算法响应快但缺乏适应性，稳态误差可能较大。直接将两者结合会因GFANC生成的控制滤波器频繁微小变化而反复重置FxNLMS，导致系统不稳定。

2. 方法核心： 提出了一种带在线聚类的混合GFANC-FxNLMS算法。在帧率，CNN预测权重向量以组合子控制滤波器生成初始控制滤波器；在线聚类模块判断新权重向量是否与当前权重向量属于同一“类”，只有显著变化时才更新，避免不必要的重置。在采样率，FxNLMS算法以该生成滤波器为起点，利用误差信号持续进行细粒度优化。

3. 创新之处： 首次将GFANC与FxNLMS结合，并引入在线聚类机制来稳定双速率框架下的滤波器更新冲突。相比SFANC-FxNLMS，本文方法仅需一个预训练的宽带滤波器，泛化性更强。

4. 主要实验结果： 仿真结果显示，所提算法在车辆噪声和100-1200Hz噪声下，均实现了快速响应（如图5(d,h)所示，首秒降噪量即高于FxNLMS）、极低的稳态误差（优于GFANC和SFANC）以及高稳定性（图4证明了聚类的有效性）。具体数值见下表（根据图5(d)和5(h)描述）。

   噪声类型	算法	初始几秒平均降噪水平 (dB)	后期平均稳态降噪水平 (dB)
   车辆噪声	GFANC-FxNLMS (with clustering)	~10-12	~13-15
   	FxNLMS	~0 (需数秒收敛)	~13
   	GFANC	~12	~11 (稳态误差高)
   100-1200 Hz噪声	GFANC-FxNLMS (with clustering)	~15-18	~18-20
   	FxNLMS	~0 (需数秒收敛)	~16
   	GFANC	~16	~14 (稳态误差高)

5. 实际意义： 为汽车、飞机客舱、耳机等低频噪声控制场景提供了一种兼顾快速响应、高降噪量和稳定性的新解决方案，且仅需预训练一个宽带滤波器，降低了部署复杂度。

6. 主要局限性： 创新主要停留在算法模块组合与工程优化层面；在线聚类的关键参数（距离阈值τ）选择依赖经验；所有实验均为仿真，缺乏真实硬件环境下的验证。

25. Enhancing Speech Intelligibility Prediction for Hearing Aids with Complementary Speech Foundation Model Representations

✅ 7.5/10 | 前25% | #语音增强 | #预训练 | #多任务学习 #模型评估

👥 作者与机构

• 第一作者：Guojian Lin（南方科技大学）
• 通讯作者：Fei Chen（南方科技大学）
• 作者列表：Guojian Lin（南方科技大学），Xuefei Wang（南方科技大学），Ryandhimas E. Zezario（中央研究院），Fei Chen（南方科技大学）

💡 毒舌点评

本文的亮点在于系统性地验证了“特征级融合”优于“模型集成”这一策略，并通过消融实验清晰地展示了Whisper与WavLM特征在分布上的互补性。然而，该模型直接堆叠两个巨大的预训练模型（Whisper-Large v3 和 WavLM-Large），其计算复杂度和实际部署在助听器等边缘设备上的可行性，在论文中被完全忽视，这使得其实用价值大打折扣。

📌 核心摘要

1. 要解决什么问题：现有用于助听器（HA）的语音清晰度预测（SIP）模型大多依赖单一类型的基础模型表示（如仅用Whisper或WavLM），无法全面捕捉影响清晰度的多维度信息（如语义与声学噪声），从而限制了预测精度。
2. 方法核心是什么：提出ECR-SIPNet模型，其核心是“特征级融合”策略。它将预训练Whisper（侧重语义）和WavLM（侧重声学与噪声鲁棒性）的嵌入表示，通过全连接层统一维度后，在特征维度上进行拼接，形成互补的特征表示，再输入到由双向长短期记忆网络（Bi-LSTM）和多头注意力机制构成的预测头中，进行帧级分数预测并平均得到最终清晰度分数。
3. 与已有方法相比新在哪里：区别于先前通过集成学习（Ensemble）聚合不同模型预测结果的方法，本文首次探索并证明了在特征层面融合不同语音基础模型（SFM）的表示，能够更有效地学习跨模型的互补信息，从而提升预测性能。
4. 主要实验结果如何：在Clarity Prediction Challenge 2（CPC2）数据集上，ECR-SIPNet显著超越了之前的SOTA系统。关键指标对比见下表：

消融实验表明，特征维度拼接（Dim-Concat）的效果优于单特征模型（Whisper或WavLM）以及简单的预测结果平均或加权平均集成方法。

5. 实际意义是什么：提高了助听器语音清晰度预测的准确性，这对于优化助听器算法、个性化验配以及语音质量评估具有直接的工程价值。同时，该研究为如何有效融合多个预训练模型的知识提供了方法论上的参考。
6. 主要局限性是什么：模型由两个参数量巨大的基础模型驱动，计算开销高，难以满足助听器设备的实时、低功耗部署需求。此外，模型仅在CPC2这一个数据集上验证，其泛化能力未在其他场景或数据集上得到证明。

26. H-nnPBFDAF: Hierarchical Neural Network Partitioned Block Frequency Domain Adaptive Filter with Novel Block Activation Probability

✅ 7.5/10 | 前25% | #语音增强 | #信号处理 | #时频分析 #实时处理

👥 作者与机构

• 第一作者：Jitao Ma（浙江大华技术股份有限公司）（论文标注为共同第一贡献）
• 通讯作者：Ruidong Fang（浙江大华技术股份有限公司）
• 作者列表：Jitao Ma（浙江大华技术股份有限公司），Jingbiao Huang（浙江大华技术股份有限公司），Ruidong Fang（浙江大华技术股份有限公司），Jucai Lin（浙江大华技术股份有限公司），Han Xue（浙江大华技术股份有限公司），Yapeng Mao（浙江大华技术股份有限公司），Jun Yin（浙江大华技术股份有限公司）

💡 毒舌点评

本文亮点在于提出了“块激活概率”这一巧妙机制，用一个紧凑的神经网络同时解决了传统自适应滤波器步长选择和滤波器长度固定两大痛点，且计算开销极低。然而，纯线性框架可能在处理设备扬声器严重非线性失真时存在天花板，而论文中的对比实验（如与Deep Adaptive AEC的比较）也显示在复杂场景下其性能仍不及更重的混合方法，且代码未开源限制了复现价值。

📌 核心摘要

1. 问题：在低成本消费设备上部署声学回声消除（AEC）时，传统自适应滤波器（如PBFDAF）面临步长选择困难、滤波器长度需手动固定以适应不同回声路径、以及现有神经网络混合方法计算成本过高的挑战。
2. 方法核心：提出神经网络分块频域自适应滤波器（nnPBFDAF）。核心是一个轻量神经网络，它同时估计频域步长向量（用于替代固定步长）和块激活概率向量（每个分块一个概率值）。块激活概率向量的和可用于间接控制有效滤波器长度，实现自动适应。进一步提出两阶段层次结构（H-nnPBFDAF），第一阶段估计的回声作为第二阶段的参考信号，以提升鲁棒性。
3. 创新点：a) 将神经网络步长估计与PBFDAF深度融合；b) 引入块激活概率向量，首次解决了固定分块数PBFDAF无法自适应不同回声路径长度的难题；c) 设计两阶段级联架构（H-nnPBFDAF），以粗到精的方式提升回声估计精度。
4. 实验结果：在三个测试集上进行评估。如表1所示，在模拟短回声路径（Subset 1）上，H-nnPBFDAF的PESQ为3.12，ERLE为34.57 dB，优于传统PBFDKF（PESQ 2.93, ERLE 25.77 dB）。在AEC Challenge盲测集（Subset 2）上，H-nnPBFDAF在双讲回声评价（DT-E）得分为3.40，略低于Deep Adaptive AEC（4.40），但计算复杂度仅为其约1/26。在真实消费设备数据（Subset 3）上，H-nnPBFDAF的ERLE为21.47 dB，显著优于NKF（7.29 dB）。消融实验（表2）证实，采用块激活概率的nnPBFDAF在不同回声路径长度下的平均PESQ（2.87）优于所有固定分块数模型。
5. 实际意义：该方法在极低计算开销（仅占ARM Cortex-A35单核<9%资源）下实现了高性能AEC，并能自动适应回声路径变化，非常适合资源受限的消费类电子产品（如智能音箱、会议设备）部署，且模型已实际部署。
6. 主要局限性：作为线性AEC框架，对高度非线性失真的回声消除能力可能有限；神经网络部分的具体结构和训练策略细节（如优化器、学习率）未完全公开；代码未开源。

27. Joint Deep Secondary Path Estimation and Adaptive Control for Active Noise Cancellation

✅ 7.5/10 | 前25% | #语音增强 | #端到端 | #实时处理 #深度学习

👥 作者与机构

• 第一作者：Fareedha (National Institute of Technology, Warangal, Telangana, India)
• 通讯作者：未说明
• 作者列表：Fareedha (National Institute of Technology, Warangal, Telangana, India)、Vasundhara (National Institute of Technology, Warangal, Telangana, India)、Asutosh Kar (Birmingham City University, Birmingham, UK)、Mads Græsbøll Christensen (Aalborg University, Denmark)

💡 毒舌点评

论文将深度学习中的估计与控制模块“缝合”得相当流畅，消融实验做得很扎实，有力地证明了注意力机制和双向LSTM在其中的价值。然而，核心创新更多是工程层面的集成优化，而非方法论的革新；且实验场景（主要是飞机噪声）稍显单一，要宣称在“动态环境”下鲁棒，或许还应挑战更多极端的非平稳声学条件。

📌 核心摘要

1. 要解决什么问题：传统主动噪声控制（ANC）系统依赖自适应滤波器，其二次路径估计（SPE）收敛慢且难以适应快速变化的声学环境；而现有基于深度学习的ANC方法通常假设二次路径固定，限制了其实际应用。
2. 方法核心是什么：提出一个端到端的双流深度学习框架。其一为DeepSPE模块，利用1D卷积、双向LSTM和注意力机制，从参考信号和控制器输出中实时预测二次路径。其二为ANC-Net控制器，它将参考信号与预测的二次路径作为输入，通过卷积、挤压激励（SE）块和注意力机制生成二进制权重，动态选择一组预训练的子控制滤波器以合成控制信号。
3. 与已有方法相比新在哪里：首次将二次路径估计和抗噪声信号生成统一在一个数据驱动的端到端框架内，无需迭代适应。与传统自适应方法（如FxLMS）相比，它消除了收敛过程；与现有固定路径的深度ANC方法（如SFANC， GFANC）相比，它能实时适应变化的二次路径。
4. 主要实验结果如何：
   • SPE性能：DeepSPE的NMSE为-16.27 dB，相关系数为0.9887，显著优于Eriksson、Kuo和Akhtar等经典方法（表2）。
   • ANC-Net性能：ANC-Net的NMSE为-12.38 dB，参数量仅1.05M，推理延迟0.43ms，在精度、复杂度和延迟上优于ResNet18/50、DenseNet121等基线（表3）。
   • 端到端系统：在飞机噪声测试中，所提系统实现了最低的残余噪声水平和快速的收敛速度，优于所有对比的传统和深度学习方法（图5）。
5. 实际意义是什么：为设计鲁棒、低延迟、能适应复杂多变环境（如汽车座舱、耳机、室内）的下一代ANC系统提供了可行的技术方案，具有明确的工业应用前景。
6. 主要局限性是什么：论文的评估主要集中在飞机噪声场景和合成/模拟的脉冲响应上；缺乏在更复杂、非平稳的真实世界噪声环境（如办公室突变噪声、街道交通噪声）中的广泛验证。此外，模型完全依赖合成数据训练和评估，与真实部署可能存在的差距尚未充分探讨。

28. Enhancing Noise Robustness for Neural Speech Codecs Through Resource-Efficient Progressive Quantization Perturbation Simulation

✅ 7.5/10 | 前25% | #语音增强 | #数据增强 | #鲁棒性 #自监督学习

👥 作者与机构

• 第一作者：Rui-Chen Zheng（中国科学技术大学语音及语言信息处理国家工程研究中心）
• 通讯作者：Yang Ai*（中国科学技术大学语音及语言信息处理国家工程研究中心）
• 作者列表：Rui-Chen Zheng（中国科学技术大学语音及语言信息处理国家工程研究中心）、Yang Ai（中国科学技术大学语音及语言信息处理国家工程研究中心）、Hui-Peng Du（中国科学技术大学语音及语言信息处理国家工程研究中心）、Li-Rong Dai（中国科学技术大学语音及语言信息处理国家工程研究中心）

💡 毒舌点评

亮点：论文巧妙地将“噪声导致量化不稳定”这一现象从问题转化为解决方案——通过在训练时用概率采样主动模拟这种不稳定性，实现了“用扰动对抗扰动”的优雅思路，且完全不需要噪声数据，资源效率极高。 短板：实验主要聚焦于评估编解码器在编码-解码任务本身的抗噪性能，但对于其在更下游的、更复杂的任务（如基于离散码本的语音生成、语音大语言模型）中的鲁棒性影响，未作探索，这使得论文的实际价值论证链条不够完整。

📌 核心摘要

1. 问题：神经语音编解码器（如Encodec）在存在背景噪声的真实环境中性能会显著下降，因为轻微的输入噪声会导致量化码本（RVQ）的决策边界不稳定，产生错误的码字映射。
2. 核心方法：提出一种资源高效的训练策略，在仅使用干净语音数据训练的前提下，通过模拟量化层的噪声扰动来增强鲁棒性。包含两个核心机制：(1) 距离加权概率Top-K采样：在训练时，替代确定性的最近邻选择，根据距离概率从Top-K个候选码字中采样；(2) 渐进式训练：从RVQ的最后一个量化器开始，逐层向前引入概率采样，实现从易到难的课程学习。
3. 创新性：与传统需要嘈杂-干净配对数据的方法相比，本方法无需任何噪声数据，且通过在量化层面直接建模扰动，更具针对性和资源效率。与简单的随机采样相比，概率采样利用了距离信息，使扰动更符合真实噪声特性。
4. 主要实验结果：在Encodec和WavTokenizer上的实验表明，该方法显著提升了噪声条件下的编解码性能。关键数据（来自表1）：

   模型	噪声条件	指标	基线值	提出方法值	提升
   Encodec	15 dB SNR	UTMOS	3.475	3.586	+0.111
   Encodec	15 dB SNR	SI-SDR	4.519	5.232	+0.713
   Encodec	10 dB SNR	UTMOS	3.243	3.352	+0.109
   同时，该方法在干净语音上的编码质量也得到了提升（如Encodec的UTMOS从3.732提升至3.854）。

5. 实际意义：提供了一种即插即用的训练增强策略，可低成本地提升现有神经语音编解码器在噪声环境下的可靠性，有利于其在移动通信、物联网及语音生成模型中的实际部署。
6. 主要局限性：方法的有效性依赖于RVQ结构；实验未评估其对下游语音生成任务（如TTS）的影响；虽然对比了噪声数据微调的基线，但未与更多最新的编解码器鲁棒性方法进行对比。

29. Low-Bandwidth High-Fidelity Speech Transmission with Generative Latent Joint Source-Channel Coding

✅ 7.5/10 | 前25% | #语音增强 | #端到端 | #语义通信 #生成对抗网络

👥 作者与机构

• 第一作者：Guangkuan Li（北京邮电大学）
• 通讯作者：Jincheng Dai（北京邮电大学）
• 作者列表：Guangkuan Li（北京邮电大学）、Shengshi Yao（北京邮电大学）、Sixian Wang（上海交通大学）、Zhenyu Liu（University of Surrey）、Kai Niu（北京邮电大学）、Jincheng Dai（北京邮电大学）

💡 毒舌点评

亮点：该工作聪明地将神经音频编解码器（RVQ-GAN）与联合源信道编码（JSCC）解耦后又紧密融合，利用生成模型在低带宽下提供先验信息，有效缓解了传统JSCC在极低带宽下的质量崩塌问题。短板：虽然声称“节省60%带宽”，但对比基线（Opus+LDPC, Encodec+LDPC）的配置细节（如Opus的码率、LDPC的开销）未在文中清晰界定，使得“节省”的绝对值在不同实际部署条件下可能有所变化。

📌 核心摘要

1. 问题：现有的语音联合源信道编码（JSCC）方法在带宽极度受限时，感知质量会急剧下降，难以满足高保真传输需求。
2. 核心方法：提出生成式潜在联合源信道编码（GL-JSCC）框架。该框架首先使用RVQ-GAN将语音压缩到一个与人感知对齐的潜在空间，然后在该潜在空间内使用流式Transformer执行JSCC，最后采用三阶段渐进式训练策略进行优化。
3. 创新点：与传统在源空间或简单神经网络潜空间进行JSCC不同，本文在生成式潜在空间中进行JSCC，该空间具有更高的稀疏性和感知对齐性，且生成模型本身为低带宽下的重建提供了额外的先验知识。
4. 主要实验结果：在AWGN和COST2100衰落信道下，GL-JSCC在低信噪比（SNR）和低带宽条件下均优于传统方法（Opus+LDPC, AMR-WB+LDPC）和神经网络基线（DeepSC-S, Encodec+LDPC）。例如，在SNR=2dB的AWGN信道下，GL-JSCC能达到与Opus+LDPC相同的感知质量（PESQ分数），但节省高达60%的带宽。主观MUSHRA测试也证实了其优越的听感。
5. 实际意义：该框架为在带宽受限的弱网络（如工业物联网、偏远地区）中进行高质量语音传输提供了一种有效解决方案，推动了语义通信在音频领域的实用化。
6. 主要局限性：性能上限受限于RVQ-GAN神经编解码器本身的重建质量（PESQ分数最高约4）；实验主要基于英文语音数据集（LibriSpeech），在其他语言或声学环境下的泛化能力未验证。

30. From Diet to Free Lunch: Estimating Auxiliary Signal Properties Using Dynamic Pruning Masks in Speech Enhancement Networks

✅ 7.5/10 | 前25% | #语音增强 | #多任务学习 | #语音活动检测 #动态网络

👥 作者与机构

• 第一作者：Riccardo Miccini (GN Hearing)
• 通讯作者：未说明
• 作者列表：Riccardo Miccini (GN Hearing)， Clément Laroche (GN Hearing)， Tobias Piechowiak (GN Hearing)， Xenofon Fafoutis (Technical University of Denmark)， Luca Pezzarossa (Technical University of Denmark)

💡 毒舌点评

这篇论文巧妙地将动态剪枝机制从“计算节食”的工具，升华为一个能同时“感知”语音活动、噪声类型、音高乃至说话人身份的“免费午餐”特征提取器，思路令人耳目一新。然而，其依赖线性模型和时序平滑的固有局限，使得它在处理瞬息万变的语音信号（如快速变化的SNR或F0）时显得力不从心，最终在SV任务上的平庸表现也暗示了其特征表示的瓶颈。

📌 核心摘要

1. 解决的问题：在嵌入式语音增强（SE）设备中，除了主SE模型外，还需要额外的模块来执行语音活动检测（VAD）、信噪比（SNR）估计等辅助任务，这带来了无法承受的计算开销和延迟问题。
2. 方法核心：利用基于动态通道剪枝（DynCP）的SE模型在推理时自动生成的二值剪枝掩码（masks）作为输入特征。这些掩码是网络为节省计算而选择性激活通道的“副产品”。通过在其上训练简单的线性/逻辑回归模型，直接估计多种信号属性。
3. 新在哪里：与以往需要为辅助任务单独训练专用模型，或在SE模型中显式集成辅助模块不同，本文首次系统地证明，DynCP掩码本身就隐含了丰富的信号特性信息，可以“免费”用于多任务预测。这为动态神经网络在多任务学习中的应用提供了新视角。
4. 主要实验结果：在VoiceBank+DEMAND数据集上，使用仅64个最相关的二值掩码特征，线性模型在VAD任务上达到93%准确率，噪声分类59%准确率（使用全部202特征为84%），输入SI-SDR预测的MAE为3.2 dB，输入PESQ预测的MAE为0.2。在F0估计上，R²值为0.86。对于说话人验证（SV），二值掩码特征的性能（EER）不及STFT基线，但原始掩码分数（Raw scores）性能接近，且计算量减少21%。下表总结了部分关键性能指标：

5. 实际意义：实现了在几乎不增加额外计算开销（每帧仅增加0.6%-0.93%的计算）的情况下，让单一的SE模型同时输出多种辅助信号分析结果，极大提升了边缘设备的智能性和用户体验潜力。
6. 主要局限性：a) 线性模型假设特征贡献是加性的，对高度相关的特征敏感；b) 门控子网络中的时序平滑限制了其对快速变化目标（如瞬时SNR、F0）的估计精度；c) 说话人验证任务性能不佳，可能表明SE模型内部表征在说话人身份方面有所舍弃。

31. Beamforming Using Virtual Microphones for Hearing Aid Applications

✅ 7.5/10 | 前50% | #语音增强 | #波束成形 | #麦克风阵列 #助听器

👥 作者与机构

• 第一作者：Mojtaba Farmani（Eriksholm Research Centre, Snekkersten, Denmark; Department of Electronic Systems, Aalborg University, Aalborg, Denmark）
• 通讯作者：未说明
• 作者列表：Mojtaba Farmani（Eriksholm Research Centre & Aalborg University）、Svend Feldt（Eriksholm Research Centre）、Jesper Jensen（Eriksholm Research Centre）

💡 毒舌点评

论文的核心亮点在于将虚拟麦克风的生成从复杂的相位-幅度分离插值（如GAI）或依赖几何信息的建模，简化为一个基于WDO假设的幂函数模型（式4），理论推导优雅且计算成本极低，非常适合助听器芯片。短板在于，作为一篇声称“ superior performance ”的论文，其对比基线（GAI和扩展GAI）略显保守，未与近年来性能更强的基于神经网络的虚拟麦克风方法进行直接对比，削弱了“SOTA”宣称的说服力。

📌 核心摘要

该论文旨在解决助听器因物理麦克风数量受限而影响波束成形性能的问题。其核心方法是利用W-disjoint正交性（WDO）假设，提出一种低复杂度的虚拟麦克风信号生成算法。该算法将虚拟麦克风与参考麦克风之间的相对传输函数（RTF）建模为两物理麦克风间RTF的幂函数（式4），通过一个参数λ即可控制虚拟麦克风位置，实现插值与外推。与已有的广义幅度插值（GAI）等方法相比，新方法无需分离处理相位和幅度，计算更简单，且能外推至物理阵列连线之外。论文在420个基于真实助听器录音的声学场景（含消声室、演播室、会议室；食堂、火车、办公室、街道等噪声；-5dB至15dB SNR）上进行评估。实验表明，将生成的虚拟麦克风信号（例如取λ=-4）整合到MVDR波束成形器中，相比仅用双物理麦克风的基线，在分段信噪比（ISNR）和客观语音可懂度（ESTOI）上均有显著提升，最高ISNR改善可达3 dB（图4a）。通过调整λ优化虚拟麦克风位置（如置于用户前方）可获得额外性能增益（图2）。该方法的实际意义在于能在不增加助听器硬件成本和功耗的前提下，有效提升降噪与语音清晰度。主要局限性在于其性能依赖于WDO假设的近似性，在强混响或多说话人干扰下可能减弱，且目前的虚拟麦克风位置优化是一维的（沿两麦克风连线），可能非全局最优。

32. I-DCCRN-VAE: An Improved Deep Representation Learning Framework for Complex VAE-Based Single-Channel Speech Enhancement

✅ 7.5/10 | 前25% | #语音增强 | #变分自编码器 | #预训练 #鲁棒性

👥 作者与机构

• 第一作者：Jiatong Li（Carl von Ossietzky Universität Oldenburg， 医学物理与声学系及 Hearing4all 卓越集群）
• 通讯作者：未说明（两位作者并列提供邮箱，未明确指定通讯作者）
• 作者列表：Jiatong Li（Carl von Ossietzky Universität Oldenburg， 医学物理与声学系及 Hearing4all 卓越集群）、Simon Doclo（Carl von Ossietzky Universität Oldenburg， 医学物理与声学系及 Hearing4all 卓越集群）

💡 毒舌点评

本文像一位严谨的工程师，将VAE语音增强系统的“后门”（跳跃连接）焊死，强迫其从潜在空间“真正学习”，并用β-VAE的旋钮精细调节学习内容，结果泛化能力显著提升。然而，改进更多是“修补”与“优化”现有架构，缺乏从根本上改变游戏规则的洞见，且未能与当前生成模型SOTA（如基于扩散模型的方法）同台竞技，使其影响力打了折扣。

📌 核心摘要

1. 问题：单通道语音增强在复杂噪声场景下，现有基于深度复数卷积循环变分自编码器（DCCRN-VAE）的方法存在潜在表示信息量不足（因跳跃连接导致后验坍缩）和泛化能力有限的问题。
2. 方法核心：提出改进版I-DCCRN-VAE，对基线DCCRN-VAE进行三项关键修改：1) 去除预训练的干净语音VAE（CVAE）和噪声VAE（NVAE）中的跳跃连接，迫使信息通过潜在瓶颈，生成更具信息量的表示；2) 在预训练中使用β-VAE，以更好平衡重建质量与潜在空间正则化；3) 噪声抑制VAE（NSVAE）的编码器同时生成语音和噪声的潜在表示，提供更完整的生成基础。
3. 新意：系统性改进了基于VAE的语音增强框架，重点在于修复潜在表示学习的有效性，并简化了训练流程（证明经典微调与对抗训练效果相当）。
4. 实验结果：
   • 在匹配数据集（DNS3）上，I-DCCRN-VAE性能与基线DCCRN和DCCRN-VAE相当（例如，使用经典微调时SI-SDR为17.2 dB vs. DCCRN的16.6 dB）。
   • 在不匹配数据集（WSJ0-QUT， Voicebank-DEMAND）上，I-DCCRN-VAE显著优于所有基线。例如，在WSJ0-QUT上，I-DCCRN-VAE (CF)的SI-SDR比DCCRN-VAE (ADV)高1.5 dB（8.7 vs. 7.2），在VB-DMD上高0.5 dB（18.0 vs. 17.5）。
   • 消融实验表明，去除跳跃连接（β=0.01）和同时建模噪声表示（α=1）是性能提升的关键。

5. 实际意义：该方法在保持匹配场景性能的同时，大幅提升了跨场景泛化能力，且无需复杂的对抗训练，简化了训练流程，更有利于实际部署。
6. 主要局限性：改进基于对现有VAE架构的调整，未与近期的生成模型SOTA（如基于扩散的模型、自监督预训练的大模型）进行全面对比；论文未报告模型参数量、计算复杂度等效率指标。

33. Do We Need EMA for Diffusion-Based Speech Enhancement? Toward A Magnitude-Preserving Network Architecture

✅ 7.5/10 | 前50% | #语音增强 | #扩散模型 | #Schrödinger桥 #幅度保持

👥 作者与机构

• 第一作者：Julius Richter（汉堡大学计算机系信号处理组）
• 通讯作者：未说明
• 作者列表：Julius Richter（汉堡大学计算机系信号处理组）、Danilo de Oliveira（汉堡大学计算机系信号处理组）、Timo Gerkmann（汉堡大学计算机系信号处理组）

💡 毒舌点评

亮点：这篇论文最大的价值在于用严谨的实验“破除了一个迷思”——即图像生成领域中常用的长EMA策略在语音增强中并不适用，甚至有害。这为优化扩散模型在音频领域的训练提供了直接、反直觉且实用的结论。 短板：模型本身是已有组件（EDM2、MP-ADM、Schrödinger Bridge）的“乐高式”组合，缺乏架构层面的原生创新。其性能（如Table 2）与先前工作（如SB-VE）相比并未取得全面、显著的优势，说服力略有折扣。

📌 核心摘要

1. 问题：论文旨在解决扩散模型语音增强中两个被忽视的问题：一是网络激活和权重幅度的不可控增长导致的训练不稳定；二是在图像生成中能提升多样性的指数移动平均（EMA）参数平滑技术，在语音增强任务中的作用和最佳配置尚不明确。
2. 方法核心：作者提出EDM2SE框架，将EDM2的训练动态和幅度保持（Magnitude-Preserving）架构引入基于Schrödinger桥的语音增强。核心包括：a）采用幅度保持学习层（MP-Add, MP-SiLU）和时间依赖的预条件处理（输入/输出缩放）来稳定训练；b）设计两种跳跃连接配置，使网络分别预测环境噪声（cs=1）或干净语音（cs=0）；c）首次系统分析EMA对语音增强的影响，发现短EMA甚至无EMA优于长EMA。
3. 新意：与已有方法（如SGMSE+， SB-VE）相比，新意在于：1）将EDM2的幅度保持理念适配到语音领域的Schrödinger桥模型中；2）对比了预测噪声与预测语音两种设计，揭示其在不同指标上的互补性；3）首次通过实验证明在语音增强中，短EMA或无EMA的性能优于长EMA，这与图像生成领域的认知相反。
4. 主要实验结果：在VoiceBank-DEMAND和EARS-WHAM数据集上评估。关键结果：a）如图2所示，EMA长度超过约0.2（相对标准差）后，所有指标（SI-SDR, PESQ等）显著下降。b）如表1所示，两种跳跃连接设计各有优势：cs=1（预测噪声）在PESQ上略优，cs=0（预测语音）在SI-SDR和NISQA上略高。c）如表2所示，在匹配条件下，EDM2SE与SGMSE+、SB-VE性能相当（例如PESQ 2.97 vs 2.93/2.91）；但在失配条件下，EDM2SE表现出更强的鲁棒性（SI-SDR 14.79 vs 10.13/17.71， PESQ 2.69 vs 2.62/2.00）。
5. 实际意义：为构建稳定、高效的扩散语音增强模型提供了实践指南，特别是在预条件化、跳跃连接选择和EMA设置上。其“短EMA更优”的发现对优化语音类扩散模型的训练流程有直接参考价值。
6. 主要局限：模型架构创新有限，更多是成熟技术的适配与验证。尽管在失配条件下鲁棒性较好，但在最佳匹配条件下的峰值性能未明确超越先前最强基线（如Table 2中SB-VE的SI-SDR更高）。

34. Hair Noise Analysis and Mitigation for Smart Glasses Audio Captures

✅ 7.5/10 | 前25% | #语音增强 | #信号处理 | #麦克风阵列 #音频分类

👥 作者与机构

• 第一作者：Subrata Biswas（Worcester Polytechnic Institute, MA, USA 及 Meta Reality Labs, WA, USA）
• 通讯作者：未明确说明（根据邮箱排列，可能是Daniel Wong）
• 作者列表：
  • Subrata Biswas（Worcester Polytechnic Institute 及 Meta Reality Labs）
  • Daniel Wong（Meta Reality Labs）
  • Bashima Islam（Worcester Polytechnic Institute）
  • Sanjeel Parekh（Meta Reality Labs）
  • Vladimir Tourbabin（Meta Reality Labs）

💡 毒舌点评

亮点：论文开创性地将“头发噪音”这个长期困扰智能眼镜用户却鲜少被学界系统研究的“房间里的大象”定义为明确的学术问题，其用户研究和数据集构建工作扎实且具有长远价值。短板：提出的NMF基准方法略显保守，虽然有效，但在深度学习大行其道的今天，缺乏与基于深度学习的降噪/分离方法（如论文引用但未深入对比的[6][7][8]）的直接较量，使得“基准”的标杆高度受限。

📌 核心摘要

1. 问题：论文首次系统研究了头戴式设备（如AR/智能眼镜）特有的音频退化源——头发噪音，即头发摩擦设备框架和麦克风产生的噪声，该噪音会严重降低语音质量和用户体验。
2. 方法核心：提出采用半监督非负矩阵分解（NMF）作为基准抑制方法。该方法在离线模式下利用头发噪音数据训练噪声字典矩阵（W_n），在推理时固定W_n，并与同时学习的语音字典矩阵（W_s）和激活矩阵（H_s, H_n）共同分解含噪信号的频谱，最后通过掩码恢复干净语音。
3. 创新点：与之前工作相比，本文新在：(1) 首次提出并定义“头发噪音”这一问题；(2) 提供了首个包含多种头发噪音类型（玩头发、摇头）的多通道公开数据集（HNM）；(3) 进行了系统的感知用户研究，量化了其主观烦恼度。
4. 主要实验结果：
   • 感知研究表明，当信噪比（SNR）低于5 dB时，头发噪音变得令人烦恼（评分≈2/5），高于15 dB时基本可接受（评分>4/5）。
   • HNM数据集分析发现，头发噪音是非平稳的，且麦克风位置（如太阳穴 vs. 鼻梁）对其影响显著。
   • 定量评估显示，半监督NMF（KL散度）在离线模式下，将自身语音的SI-SDR从10.62 dB提升至11.48 dB，外部语音从2.51 dB提升至3.17 dB。在线模式性能略有下降但接近离线水平。
   • 主观听力测试证实，经NMF增强后的音频在低SNR条件下烦恼度显著降低（见图8）。
5. 实际意义：为智能眼镜、助听器等可穿戴设备的音频采集系统设计、降噪算法开发和用户体验优化提供了重要的理论依据、基准数据集和基线方法。
6. 主要局限性：(1) 所提出的基准算法（NMF）相对传统，未探索更先进的端到端深度学习方法的潜力；(2) 数据集规模（约10.5小时）和参与者数量（17人）虽属首次，但相对于通用语音数据集仍较小，可能影响泛化性研究；(3) 研究聚焦于语音信号，未处理音乐等其他音频类型。

35. Are Modern Speech Enhancement Systems Vulnerable to Adversarial Attacks?

✅ 7.5/10 | 前25% | #语音增强 | #对抗样本 | #扩散模型 #鲁棒性

👥 作者与机构

• 第一作者：Rostislav Makarov (汉堡大学信号处理组)
• 通讯作者：未说明
• 作者列表：Rostislav Makarov（汉堡大学信号处理组）、Lea Schönherr（CISPA亥姆霍兹信息安全中心）、Timo Gerkmann（汉堡大学信号处理组）

💡 毒舌点评

论文系统性地揭示了现代语音增强系统在对抗攻击下的脆弱性，并令人信服地论证了扩散模型因其随机采样机制而具备的“先天”鲁棒性，这是一个有价值的安全视角。然而，实验完全基于白盒攻击和合成攻击对，离验证真实世界（如助听器、通信系统）中的攻击场景还有很长距离，且代码和模型权重的未明确开源限制了结论的即时可验证性。

📌 核心摘要

1. 问题：本文研究了一个新兴的安全问题：现代的、表达能力强大的语音增强（SE）系统是否容易受到精心设计的、人耳难以察觉的对抗性噪声的攻击，从而输出与用户意图完全不同的语音内容。
2. 方法核心：提出了一种针对语音增强系统的白盒对抗攻击框架。攻击者向原始混合语音（语音+噪声）中添加一个经优化的小扰动δ，目标是让SE系统的输出语音听起来像另一个指定的、攻击者选择的语音信号（Sattacker）。该扰动通过结合心理声学模型（MPEG-1）进行隐藏，使其不易被察觉，并使用PGD结合ℓ2范数约束进行优化。
3. 新颖之处：首次系统性地将对抗攻击从语音识别（分类任务）扩展到语音增强（回归任务）。对比分析了三类主流SE模型（直接映射、复数掩膜、基于分数的扩散模型SGMSE+）在攻击下的脆弱性差异，并创新性地将心理声学隐藏技术适配到SE攻击场景。
4. 主要实验结果：在EARS-WHAM-v2数据集上对100对样本进行攻击。结果显示，预测式模型（Direct Map, CRM）在适中约束下（λ=20dB, ε=10）能被有效攻击，输出语音与目标攻击语音高度相似（WER≈0.20， AS-POLQA≈1.81），同时扰动具有一定隐蔽性（SNR≈12.88 dB）。相比之下，扩散模型（Diffusion）更难攻击：即使在相同约束下，攻击成功率更低（WER≈0.80， AS-POLQA≈1.14），且扰动更明显（SNR≈7.90 dB）。消融实验进一步证明，扩散模型的随机采样步骤是其鲁棒性的关键来源（固定噪声路径后WER从0.47降至0.27）。
5. 实际意义：本研究首次指出了语音增强系统存在被恶意操纵以篡改语义内容的安全风险，为未来SE系统的设计和安全评估提出了新挑战。其结论暗示，基于扩散模型的生成式SE可能因其随机性而更适合对安全性有要求的应用。
6. 主要局限性：攻击场景为理想化的白盒攻击，且未考虑真实信道传输的影响；实验规模相对有限；攻击成功与否高度依赖于模型的可微性和攻击者对模型的完全控制。

36. UJCodec: An End-to-end Unet-Style Codec for Joint Speech Compression and Enhancement

✅ 7.5/10 | 前25% | #语音增强 | #端到端 | #低资源 #实时处理

👥 作者与机构

• 第一作者：Pincheng Lu（北京理工大学）
• 通讯作者：未说明
• 作者列表：Pincheng Lu（北京理工大学）、Peng Zhou（北京理工大学）、Xiaojiao Chen（北京理工大学）、Jing Wang（北京理工大学）、Zhong-Qiu Wang（南方科技大学）

💡 毒舌点评

这篇论文的亮点在于其“问题导向”的设计非常清晰：用UNet的跳跃连接对抗传统编解码器的信息丢失（这是字词遗漏的元凶之一），再用精心设计的三阶段训练“教会”模型先学压缩、再学抗噪、最后适应，思路流畅且有效。然而，短板也很明显：论文声称解决了“字词遗漏”问题，但模拟潜在帧损坏的策略相对简单（随机替换帧），可能无法覆盖所有真实的、复杂的编码器错误模式；此外，实验部分缺乏与更多最新、更强基线（如近期基于扩散或流匹配的增强模型）的正面比较，说服力稍弱。

📌 核心摘要

1. 问题：现有端到端神经语音编解码器通常在干净语音上训练，导致其在噪声环境下性能下降，且解码语音常出现严重的“字词遗漏”失真，极大影响可懂度。
2. 方法核心：提出UJCodec，一种采用UNet风格架构（包含跳跃连接）的端到端联合语音压缩与增强模型。核心是一个三阶段训练策略：(1) 在干净语音上训练基础编解码器；(2) 仅对编码器进行对齐微调，使其从噪声语音生成接近干净语音的离散表示；(3) 固定编码器，微调解码器以适应新的表示分布。此外，在训练后期引入“潜在帧损坏模拟”，增强解码器对编码器错误的鲁棒性。
3. 创新：(1) 将UNet架构引入语音编解码器，利用跳跃连接保留关键细节；(2) 设计了分阶段、逐步增强鲁棒性的训练策略，而非直接在噪声数据上端到端训练；(3) 明确针对字词遗漏问题，提出训练时的潜在帧损坏模拟方法。
4. 主要实验结果：在750bps至6kbps的比特率范围内，UJCodec在VoiceBank+DEMAND和DNS-Challenge数据集上的PESQ（感知语音质量评估）和WER（字错误率）均优于所比较的端到端和级联基线。例如，在750bps、噪声条件下，UJCodec的PESQ为1.793，WER为13.89%，优于SDCodec（1.626， 14.77%）和NRVRVQ（1.697， 14.68%）。主观MUSHRA和MOS评分也一致显示UJCodec优势，尤其在低比特率下。
5. 实际意义：为低比特率、高噪声的实时语音通信场景（如工业、物联网、边缘设备）提供了一种高效且可懂度高的编解码方案，其模型效率（RTF<1）满足实时处理要求。
6. 主要局限性：(1) 与SOTA基线的对比范围有限；(2) 潜在帧损坏模拟策略相对简单；(3) 训练细节（如完整学习率策略）公开不全，限制了完全复现。

37. Spatial Covariance Matrix Reconstruction for Speech Enhancement in Reverberant Multi-Source Environments

✅ 7.5/10 | 前25% | #语音增强 | #麦克风阵列 | #波束成形 #空间音频

👥 作者与机构

• 第一作者：Wei Liu（武汉大学电子信息学院，早稻田大学信息、生产与系统研究生院）
• 通讯作者：未说明
• 作者列表：Wei Liu（武汉大学电子信息学院、早稻田大学信息、生产与系统研究生院），Xueqin Luo（西北工业大学CIAIC），Jilu Jin（西北工业大学CIAIC），Gongping Huang（武汉大学电子信息学院），Jingdong Chen（西北工业大学CIAIC），Jacob Benesty（魁北克大学INRS-EMT），Shoji Makino（早稻田大学信息、生产与系统研究生院）

💡 毒舌点评

这篇论文的最大亮点在于其优雅的数学建模和推导，将复杂的多源混响环境下的协方差矩阵估计问题，巧妙地转化为一个求解非负、归一化权重的凸优化问题，并给出了一个形式简洁的在线更新公式，体现了扎实的信号处理理论功底。然而，其短板也相当明显：算法高度依赖于所有声源（包括干扰源）DOA的先验知识或精确估计，这在动态的、未知的现实环境中是一个难以逾越的实用化障碍，使其更像一个在理想条件下性能优越的“实验室方法”。

📌 核心摘要

这篇论文旨在解决多通道语音增强中的一个关键挑战：在包含多个声源、混响和噪声的复杂环境中，如何准确估计观测信号的空间协方差矩阵（SCM），以支撑自适应波束成形或维纳滤波器。 其方法核心是：在每个时频点，将归一化的观测SCM建模为一组预定义的空间相干矩阵（分别对应各个声源、晚期混响和环境噪声）的线性组合，组合权重（称为“方差比”）反映了各成分对观测信号的相对贡献。通过最小化建模与观测SCM之间的Frobenius范数，并施加非负性与归一化约束，将SCM估计问题转化为权重求解问题。论文进一步推导出一种基于Kullback-Leibler散度正则化的乘性更新自适应算法，可在线高效估计这些权重。 与传统方法（如基于时频掩模的神经网络或基于方向增益的方法）相比，该方法无需复杂的离线训练或依赖阵列几何的分辨率限制，而是通过一个统一的凸优化框架显式建模所有信号成分，理论上更优雅且计算更轻量。自适应算法设计使其适用于实时处理。 主要实验结果表明：在仿真（房间尺寸8x6x3m³，T60≈300ms，4元ULA阵列）和真实录音（RealMAN数据集，三种不同混响场景，T60从398ms到1577ms）中，所提出的R-MWF方法在分段信噪比（SNRseg）、信号失真比（SDR）、短时客观可懂度（STOI）和倒谱距离（CD）等多项指标上，均显著优于近期提出的DG-MVDR和MVJD-MWF等基线方法。例如，在Case-1（T60=398ms）中，R-MWF的SDR比次优方法高出约2dB。 该方法的实际意义在于为实时多通道语音增强（如智能音箱、助听器、车载系统）提供了一种理论完备、计算高效的协方差矩阵估计新思路。其主要局限性在于模型假设所有声源的DOA已知或可通过预估获得，这在复杂动态场景中可能不成立，限制了其泛用性。

38. Training-Free Inference-Time Scaling for Audio Source Separation

✅ 7.5/10 | 前25% | #语音增强 | #预训练 | #音乐源分离 #数据增强

👥 作者与机构

• 第一作者：Yongyi Zang (Independent Researcher)
• 通讯作者：未说明（论文中未明确指定）
• 作者列表：Yongyi Zang (Independent Researcher), Jingyi Li (University of Illinois Urbana-Champaign), Qiuqiang Kong (The Chinese University of Hong Kong)

💡 毒舌点评

这篇论文巧妙地将“推理时缩放”概念跨界移植到音频分离，通过简单的混合比例搜索让旧模型焕发新生，堪称“炼丹界的低成本改装大师”。其理论证明了性能下限，实验也显示在多个任务上“免费”提升了效果。不过，其效果高度依赖于搜索阶段使用的“裁判”（度量指标）是否靠谱，若指标选择不当或不可用，方法就可能失灵，这无异于把宝都押在了“裁判的公正性”上。

📌 核心摘要

1. 问题：传统的音频源分离模型通常采用单步推理，无法像扩散模型那样通过迭代精炼来提升性能，而专门训练多步模型又成本高昂。
2. 方法核心：提出一种无需训练的推理时间缩放方法。该方法将预训练的单步分离模型转换为多步系统：在每一步，将原始混合信号与上一步的估计输出以不同比例混合，生成多个候选输入，通过模型前向传播后，选择使某个质量指标（如PESQ， UTMOS）最大化的比例作为最优混合，并得到当前步的最佳估计，以此迭代精炼。
3. 新意：首次将“推理时间缩放”范式引入音频源分离；通过理论分析（性能下界、误差界）证明了方法的有效性和稳定性；揭示了该方法与去噪扩散桥模型的内在联系，为方法的成功提供了理论解释。
4. 实验结果：在语音增强（VCTK-DEMAND， DNS Challenge V3）和音乐源分离（MUSDB18-HQ）任务上，该方法在大多数指标上持续优于单步基线。关键数据示例如下：

表1：语音增强性能对比（VCTK-DEMAND - 侵入式指标）

表2：音乐源分离性能对比（MUSDB18-HQ - uSDR, dB）

（注：人声和贝斯的uSDR提升显著，接近或超过原论文通过增加10倍计算或17.5倍训练数据获得的增益。） 5. 实际意义：提供了一种简单、即插即用的方法，能免费提升现有单步音频分离模型的性能，无需重新训练或改变模型结构，对快速部署和优化有实用价值。 6. 局限性：方法严重依赖于推理时可用的质量指标（尤其是侵入式指标在真实场景不可用）；实验显示并非所有指标（如SI-SNR）都随迭代单调提升；多步推理增加了计算开销。

39. Forward Convolutive Prediction for Frame Online Monaural Speech Dereverberation based on Kronecker Product Decomposition

✅ 7.5/10 | 前50% | #语音增强 | #信号处理 | #Kronecker分解 #在线处理

👥 作者与机构

• 第一作者：Yujie Zhu（武汉大学电子信息学院）
• 通讯作者：未说明
• 作者列表：Yujie Zhu（武汉大学电子信息学院），Jilu Jin（西北工业大学CIAIC），Xueqin Luo（西北工业大学CIAIC），Wenxing Yang（上海理工大学东方泛血管器械创新学院），Zhong-Qiu Wang（南方科技大学计算机科学与工程系），Gongping Huang（武汉大学电子信息学院），Jingdong Chen（西北工业大学CIAIC），Jacob Benesty（加拿大魁北克大学INRS-EMT）

💡 毒舌点评

亮点：本文成功地将计算复杂的长线性预测滤波器，通过Kronecker积（KP）分解为两个短滤波器的乘积，并提供了有效的自适应更新算法，在保持或略微提升性能（在P值较大时）的同时，显著降低了计算量，为实时单通道去混响提供了更可行的工程方案。短板：论文的核心贡献是将现有的KP分解框架“嫁接”到FCP方法上，属于一个系统集成的创新，而非底层理论的突破。此外，第一阶段的DNN（GTCRN）是现成的架构，并未提出新的网络设计。

📌 核心摘要

这篇论文针对单通道语音去混响中计算复杂度高的问题，提出了基于Kronecker积（KP）分解的前向卷积预测（FCP）方法。其核心思想是将原本很长的线性预测滤波器，建模为两个长度短得多的滤波器的KP，从而大幅减少参数量和计算负担。与传统的FCP方法相比，新方法在滤波器更新阶段引入了KP分解框架，并通过基于递归最小二乘（RLS）的自适应算法迭代更新这两个短滤波器。实验在模拟的混响环境（VCTK数据集）中进行，结果表明，当KP分解的阶数P选择合适（如P=4或5）时，KP-FCP方法在PESQ和FWSNR等指标上能够达到甚至超过传统FCP的性能，同时计算复杂度显著降低。例如，在T60=400ms条件下，KP-FCP（P=5）的PESQ为1.837，优于FCP（online）的1.709。该研究为资源受限场景下的实时单通道语音去混响提供了一种高效的解决方案。主要局限性在于，第一阶段的神经网络部分采用了现有架构，且KP分解阶数P的选择需要权衡性能与效率。

40. MeanFlowSE: One-Step Generative Speech Enhancement via Conditional Mean Flow

✅ 7.5/10 | 前10% | #语音增强 | #流匹配 | #实时处理 #生成模型

👥 作者与机构

• 第一作者：Duojia Li（厦门大学电子科学与工程学院）
• 通讯作者：Qingyang Hong（厦门大学信息学院）、Lin Li（厦门大学电子科学与工程学院）
• 作者列表：Duojia Li（厦门大学电子科学与工程学院）、Shenghui Lu（厦门大学信息学院）、Hongchen Pan（厦门大学电子科学与工程学院）、Zongyi Zhan（厦门大学电子科学与工程学院）、Qingyang Hong（厦门大学信息学院）、Lin Li（厦门大学电子科学与工程学院）

💡 毒舌点评

亮点：论文巧妙地将近期提出的“平均速度场”理论（Mean Flow）适配到条件语音增强任务中，通过设计新颖的训练目标，实现了生成模型在语音增强上首次真正意义上的单步高质量推理，将RTF从0.23（FlowSE）降至0.11，效率提升显著且未牺牲性能。
短板：论文的消融实验略显单薄，未能深入探讨“平均速度场”与“瞬时速度场”在语音信号上的具体误差累积差异；同时，其性能高度依赖于所选择的线性-高斯条件路径，对更复杂或非高斯噪声场景下的泛化能力未做讨论，这可能是其实际部署的一个潜在限制。

📌 核心摘要

1. 解决的问题：传统的基于流匹配或扩散模型的生成式语音增强方法需要多步迭代求解ODE，导致推理速度慢、计算成本高，难以满足实时应用需求。
2. 方法核心：提出MeanFlowSE，一个学习平均速度场而非瞬时速度场的条件生成模型。通过利用MeanFlow恒等式和雅可比-向量积构造局部训练目标，直接监督有限时间区间内的位移。在推理时，仅需单步反向位移即可从噪声估计生成增强语音，无需迭代ODE求解器。
3. 创新之处：首次将Mean Flow理论应用于条件语音增强任务，将其从无条件生成扩展到有条件的条件生成框架。设计的训练目标在对角线（r=t）处自然退化为标准条件流匹配目标，保持了理论一致性。该方法无需知识蒸馏或外部教师模型。
4. 实验结果：在VoiceBank-DEMAND基准测试中，单步MeanFlowSE取得了最优的PESQ (3.207)、ESTOI (0.881)、SI-SDR (19.975 dB) 和DNSMOS BAK (4.073)，同时实现了最低的实时因子（RTF=0.11），远优于需要5-200步的多步基线模型。
5. 实际意义：为实时、高保真的生成式语音增强提供了一个高效框架。单步推理特性使其在资源受限的边缘设备（如助听器、通信终端）上具有巨大应用潜力。
6. 主要局限：当前模型依赖于预设的线性-高斯条件路径，其对复杂噪声或非高斯分布的适应性未被验证。一阶导数近似可能限制了模型对高度非线性轨迹的学习能力。

41. FlowSE-GRPO: Training Flow Matching Speech Enhancement via Online Reinforcement Learning

✅ 7.5/10 | 前25% | #语音增强 | #强化学习 | #流匹配 #迁移学习

👥 作者与机构

• 第一作者：未说明（论文作者列表按顺序给出，但未明确标注第一作者）
• 通讯作者：未说明（论文中未提供邮箱或通讯作者标识）
• 作者列表：Haoxu Wang, Biao Tian, Yiheng Jiang, Zexu Pan, Shengkui Zhao, Bin Ma, Daren Chen, Xiangang Li（均隶属于 Tongyi Lab, Alibaba Group, China）

💡 毒舌点评

亮点：作为将在线强化学习（GRPO）成功应用于流匹配语音增强的开创性工作，其提出的多指标奖励优化策略巧妙地缓解了“奖励黑客”问题，且仅需少量微调步数（5k步）即获得显著提升。短板：尽管技术细节详尽，但论文对代码和模型开源的完全沉默，大大削弱了其结果的可验证性和社区快速跟进的可能性；同时，多指标权重需精细调优也暴露了当前策略的脆弱性。

📌 核心摘要

本文旨在解决将在线强化学习（RL）有效应用于生成式语音增强（SE）模型后训练的难题。其方法核心是首次将组相对策略优化（GRPO）成功集成到基于流匹配（Flow Matching）的语音增强框架中，通过将确定性常微分方程（ODE）采样转换为随机微分方程（SDE）采样来引入RL所需的随机性，并设计了针对连续语音信号的损失函数。与以往使用离线方法（如DPO）或仅应用于离散Token的方法相比，本文创新性地实现了在线、无需修改原始架构的GRPO训练。主要实验结果表明，在DNS2020测试集上，与基线模型相比，所提多指标优化模型在无回声测试集上将整体质量（OVRL）从3.373提升至3.549（+0.176），说话人相似度从88.88%提升至90.43%，并显著减少了奖励黑客现象。该研究的实际意义在于为生成式音频模型的后训练提供了高效、实用的在线RL对齐方案。主要局限性在于多指标权重需人工调整，且论文未提供开源代码。

关键实验结果（DNS2020测试集）：

（注：SPK代表Speaker Similarity，SBS代表SpeechBERTScore）

42. Aligning Generative Speech Enhancement with Perceptual Feedback

✅ 7.5/10 | 前25% | #语音增强 | #强化学习 | #语音大模型 #基准测试

👥 作者与机构

请基于当前提供的论文内容尽量完整提取作者与机构信息，要求：

1. 明确标注第一作者（如论文可判断），否则写"未说明"
2. 明确标注通讯作者（如论文可判断），否则写"未说明"
3. 列出能确认的作者姓名及其所属机构（大学、实验室、公司）
4. 机构信息尽量具体到实验室或部门；如果文本里没有，就写到能确认的层级
5. 禁止猜测机构信息；无法确认时明确写"未说明"

输出格式示例：

• 第一作者：张三（清华大学计算机系）

• 通讯作者：李四（Google DeepMind）

• 作者列表：张三（清华大学计算机系）、李四（Google DeepMind）、王五（未说明）

• 第一作者：Haoyang Li (1)

• 通讯作者：未说明

• 作者列表：

  • Haoyang Li (1 南洋理工大学)
  • Nana Hou (2 独立研究者)
  • Yuchen Hu (1 南洋理工大学)
  • Jixun Yao (3 西北工业大学)
  • Sabato Marco Siniscalchi (4 帕勒莫大学)
  • Xuyi Zhuang (1 南洋理工大学)
  • Deheng Ye (5 腾讯)
  • Wei Yang (5 腾讯)
  • Eng Siong Chng (1 南洋理工大学) 注：根据作者编号推断，机构1为“Nanyang Technological University, Singapore”，机构5为“Tencent”。

💡 毒舌点评

亮点：论文首次将DPO（直接偏好优化）引入语音增强领域，并创新性地利用神经MOS预测器（UTMOS）构建偏好数据，为解决语言模型语音增强中“信号准确但听感不佳”的痛点提供了一个简洁有效的框架，实验结果（UTMOS相对提升56%）具有显著说服力。 短板：研究局限于英语单语种场景，且依赖UTMOS作为偏好代理，其与人类真实偏好的对齐程度未深入讨论；此外，DPO优化导致在“无混响”条件下说话人相似度（SECS）下降的问题虽通过组合损失缓解，但暴露了单目标优化在多维度指标上可能产生权衡。

📌 核心摘要

这篇论文旨在解决基于语言模型的语音增强（SE）方法中存在的训练目标与人类感知偏好不匹配的问题。核心方法GSEPF（Generative Speech Enhancement with Perceptual Feedback）分为两阶段：首先，利用基于WavLM的N2S语言模型将带噪音频转换为语义token；然后，基于SimCodec的S2S语言模型利用语义和声学token生成增强后的声学token。其关键创新在于，在S2S模型上应用了DPO（直接偏好优化），并利用神经MOS预测器UTMOS作为人类偏好的代理来构建偏好对（A+和A-），从而直接引导模型生成感知质量更高的语音。与已有基于token级交叉熵损失或复杂RLHF管线的方法相比，GSEPF更简单、稳定且直接对齐感知质量。实验在DNS Challenge 2020测试集上进行，结果显示，GSEPF在DNSMOS、UTMOS和NISQA等客观指标上均有一致提升，其中UTMOS相对提升最高达56%（从2.03提升至3.18）。主观A/B测试也表明，人类听者在23/30个样本中更偏好GSEPF的输出。该工作的实际意义在于为语音增强领域引入了一个新的、以感知为导向的优化范式，可提升通信和交互的自然度。主要局限性包括：DPO优化在无混响场景下会轻微降低说话人相似度；偏好构建依赖UTMOS，其准确性可能受限；以及仅在有限的英语数据上进行了验证。

43. PG-SE: Predictive Acceleration and Correction for Generative Speech Enhancement

✅ 7.5/10 | 前25% | #语音增强 | #扩散模型 | #生成模型 #预测模型

👥 作者与机构

• 第一作者：Yikai Huang（清华大学深圳国际研究生院）
• 通讯作者：Zhiyong Wu（清华大学深圳国际研究生院），Shiyin Kang（商汤科技）
• 作者列表：Yikai Huang（清华大学深圳国际研究生院）、Jinjiang Liu（清华大学深圳国际研究生院）、Zijian Lin（清华大学深圳国际研究生院）、Xiang Li（清华大学深圳国际研究生院）、Renjie Yu（清华大学深圳国际研究生院）、Zhiyong Wu（清华大学深圳国际研究生院）、Shiyin Kang（商汤科技）

💡 毒舌点评

亮点在于“前后夹击”的架构设计非常巧妙：用前级预测模型为扩散过程提供高质量起点以大幅压缩采样步数，再用后级预测校正器修复加速带来的瑕疵，形成一个闭环。短板是其实验仅在一个广泛使用的合成数据集（VB-DMD）上完成，缺乏在真实复杂声学环境或不同语言上的验证，其通用性和实际部署效果仍需进一步证明。

📌 核心摘要

1. 问题：基于扩散模型的语音增强方法虽然能生成细节丰富的语音，但面临两大挑战：一是噪声抑制能力通常弱于预测（判别式）模型；二是逆采样过程需要大量的神经函数评估（NFEs），导致计算成本高，难以满足低延迟部署需求。
2. 方法核心：提出PG-SE框架，在扩散推理的前后阶段分别引入预测模型。前级预测模型（先验估计器）生成粗略估计，并将其扩散到一个浅时间步作为逆过程的起点，从而大幅减少所需采样步数。后级预测模型（校正器）则以原始含噪语音和扩散生成结果为条件，对输出进行细化，以抑制残余噪声和生成伪影。
3. 创新点：相比于将预测目标与扩散目标紧密耦合（如CRP），本方法将预测组件解耦为独立的预处理和后处理模块，分别专注于加速和细化，提供了更灵活的优化空间。创新还包括基于KL散度分析来启发式地选择最优的浅层起始时间步。
4. 主要实验结果：在VB-DMD数据集上，PG-SE仅需5个NFEs（对比全步骤方法需30+ NFEs），在PESQ、ESTOI、SI-SDR等多项指标上超越了全步骤的SGMSE+、同等NFEs的FlowSE和CRP等SOTA基线。例如，PESQ分数达到3.40，高于FlowSE（3.09）和CRP（3.06）。消融实验显示，去掉校正器后性能仍有竞争力，证明了前级加速的有效性。
5. 实际意义：该框架为平衡生成式语音增强的性能和效率提供了一个有效范式，通过将推理NFEs减少80%以上，使其更适用于实时或低延迟的应用场景。
6. 主要局限性：实验仅在单一基准数据集上进行，未在真实世界噪声或复杂场景中验证其鲁棒性；论文未提供代码和模型，复现性依赖读者自行实现；此外，性能提升幅度在某些指标上相对有限（如SI-SDR提升0.2dB），且校正器引入了额外的推理计算（尽管NFEs总计仍很低）。

44. Dynamically Slimmable Speech Enhancement Network with Metric-Guided Training

✅ 7.5/10 | 前25% | #语音增强 | #动态网络 | #指标引导训练 #轻量模型

👥 作者与机构

• 第一作者：未说明（论文中三位作者顺序未明确标注为第一作者）
• 通讯作者：未说明
• 作者列表：Haixin Zhao（IDLab, Ghent University - imec），Kaixuan Yang（IDLab, Ghent University - imec），Nilesh Madhu（IDLab, Ghent University - imec）

💡 毒舌点评

亮点：这篇论文将“动态网络”从单一组件（如仅卷积层）推广到了语音增强中常见的各类组件（GRU、MHA、Conv、FC），且设计的指标引导训练（MGT）逻辑清晰，让模型学会“看人下菜碟”，实验上也确实验证了其资源分配的智能性。短板：创新性虽然扎实，但核心是工程化整合与训练技巧的改进，理论深度有限；且其声称的“架构无关性”目前仅在一个具体基线（FTF-Net）上验证，说服力稍显不足。

📌 核心摘要

1. 解决的问题：为解决静态轻量级语音增强模型对不同质量输入“一视同仁”导致的计算资源分配不优问题，需要一种能根据输入质量动态调整计算量的架构。
2. 方法核心：提出动态可瘦身网络（DSN），将基线模型（FTF-Net）中常见的组件（卷积、GRU、MHA）改造为静态/动态并行路径。引入策略模块生成逐帧门控向量，控制动态路径的激活。进一步提出指标引导训练（MGT），利用输入语音的DNS-MOS OVRL分数作为目标，显式引导策略模块学习评估输入质量。
3. 新意：与现有仅针对单一组件或依赖隐式学习的方法相比，DSN扩展了动态机制的适用范围；MGT则首次利用外部语音质量评估指标（如DNS-MOS）作为训练信号，显式、直接地指导模型进行资源分配。
4. 主要实验结果：
   • 在DNS3数据集上，MGT-DSN（平均50%激活率）在ESTOI, SI-SDR, PESQ等指标上达到与静态SOTA基线（FTF-Net）相当的性能，但平均计算量仅为后者的73%（221M MACs/s vs. 301M MACs/s）。
   • 在Voicebank+Demand测试集上，MGT-DSN与FTF-Net和CCFNet+等基线性能持平，但计算量仅为它们的73%和15%。
   • 关键对比图表：图5对比了三种模型在不同SNR下的六项指标得分。图6展示了标准动态模型与MGT动态模型的激活比例随SNR和OVRL分数的变化趋势，MGT模型的激活比例与输入质量呈现明确的负相关。
5. 实际意义：使语音增强模型能够根据实际语音的损坏程度自适应地分配计算资源，在保证增强质量的同时降低平均功耗，更适合资源受限的实时边缘设备部署。
6. 主要局限性：
   • 动态框架的普适性仅在FTF-Net上验证，是否在其他架构上同样有效需进一步证明。
   • MGT训练依赖外部的DNS-MOS分数，其准确性与泛化能力会影响引导效果。
   • 尽管平均计算量降低，但峰值计算量并未减少（激活比例为1时），对于硬件峰值功耗有严格要求的场景可能仍需考虑。

45. Lightweight Phoneme-Conditioned Bandwidth Extension for Body-Conducted Speech

✅ 7.5/10 | 前25% | #语音增强 | #条件生成 | #轻量化模型 #流式处理

👥 作者与机构

• 第一作者：Davide Albertini（STMicroelectronics）
• 通讯作者：未说明
• 作者列表：Davide Albertini（STMicroelectronics）、Alessandro Ilic Mezza（Politecnico di Milano）

💡 毒舌点评

这篇论文很聪明地找到了“信息瓶颈”所在——不是网络容量不够，而是缺乏对语音内容本身的先验引导，并用非常工程友好的方式（FiLM调制）将其注入。然而，论文的“轻量级”声明在实验验证上略显单薄，仅基于FP32参数量估算模型大小，未探讨量化、剪枝等进一步压缩的可能性，且S2P模块的额外计算开销和部署复杂性被淡化了。

📌 核心摘要

1. 问题：身体传导（BC）传感器在嘈杂环境下采集的语音因低频噪声和高频衰减而变得模糊，严重影响可理解性。现有的深度学习带宽扩展（BWE）方法虽然有效，但模型体积和计算量对于可穿戴微控制器（通常<4MB RAM）来说过于庞大。
2. 方法核心：提出PhonCon框架，利用一个冻结的语音到音素（S2P）分类器提供的音素先验信息，通过特征级线性调制（FiLM或其时变版本TFiLM）来调制一个紧凑的循环神经网络（LSTM或Mamba）的隐藏状态，从而指导BWE过程。该设计避免了增加输入维度或破坏流式处理。
3. 创新点：与以往通过增加网络深度或容量，或使用PPGs作为辅助输入的方法不同，本文创新性地使用音素逻辑值通过FiLM/TFiLM直接调制中间层表示，实现了更高效的信息注入。特别是将Mamba这种高效的状态空间模型与TFiLM条件化结合，在效率与性能间取得了新平衡。
4. 实验结果：在Vibravox数据集上，所有条件化模型（FiLM/TFiLM）在PESQ和STOI上均优于对应的非条件化基线。最佳模型TFiLM-Mamba在模型大小（2.99MB）和计算量（53.55 MFLOPS）远低于EBEN（7.42MB，1334.77 MFLOPS）和TRAMBA（19.7MB，3063.32 MFLOPS）的情况下，取得了具有竞争力的性能，并显著优于DDAE和TRAMBA基线。具体对比见下表。

   模型	参数量	大小 (MB)	MFLOPS
   DDAE [7]	468 K	1.87	29.25
   EBEN (生成器) [3]	1.9 M	7.42	1334.77
   TRAMBA [4]	5.2 M	19.7	3063.32
   LSTM	382 K	1.52	46.22
   FiLM-LSTM	538 K	2.15	64.91
   TFiLM-LSTM	1.7 M	6.84	112.86
   Mamba	146 K	0.58	17.69
   FiLM-Mamba	292 K	1.17	35.19
   TFiLM-Mamba	748 K	2.99	53.55

5. 实际意义：为在资源严苛的可穿戴设备（如智能耳机、头盔）上实现实时、高质量的BC语音增强提供了可行的轻量级解决方案。
6. 主要局限性：1) S2P模块的精度（PER ~33%）不高，虽然论文称其仍有效，但未深入分析不同错误率对最终BWE性能的影响边界。2) 仅在单一数据集（Vibravox，法语）上验证，缺乏跨语言或跨数据集的泛化性证明。3) 未探讨模型量化、剪枝等进一步的TinyML优化潜力。

46. Fast-ULCNet: A Fast and Ultra Low Complexity Network for Single-Channel Speech Enhancement

✅ 7.5/10 | 前25% | #语音增强 | #循环神经网络 | #低资源 #实时处理

👥 作者与机构

• 第一作者：Nicolás Arrieta Larraza (Bang & Olufsen, Allé 1 7600 Struer, Denmark)
• 通讯作者：未说明
• 作者列表：Nicolás Arrieta Larraza (Bang & Olufsen), Niels de Koeijer (Bang & Olufsen)

💡 毒舌点评

亮点： 论文敏锐地发现了FastGRNN在长序列推理时的“状态漂移”这一实用陷阱，并受传感器互补滤波启发提出了一个优雅、轻量且可训练的修复方案（Comfi-FastGRNN），体现了从工程实践中发现问题并解决问题的能力。短板： 创新主要是将一个已有的轻量RNN架构（FastGRNN）替换到另一个轻量模型（ULCNet）中，本质是模块替换，在短音频（10秒）标准评测集上并未带来性能提升甚至略有损失，其核心贡献更偏向于“工程优化”而非“算法突破”。

📌 核心摘要

1. 问题：单通道语音增强算法需要在资源受限的嵌入式设备上运行，要求极低的计算复杂度和延迟。
2. 方法核心：本文提出Fast-ULCNet，将现有低复杂度模型ULCNet中的GRU层替换为更轻量的FastGRNN层，以进一步降低计算开销和延迟。
3. 新发现与创新：研究发现FastGRNN在推理长音频信号（>60秒）时性能会因内部状态漂移而下降。为此，提出了Comfi-FastGRNN，通过一个可训练的互补滤波器模块来抑制状态漂移。
4. 主要实验结果：在DNS Challenge 2020数据集上，Fast-ULCNet在10秒测试集上与原始ULCNet性能相当；在90秒长测试集上，未经改进的FastGRNN性能显著下降，而Comfi-FastGRNN版本则恢复了稳定性，与ULCNet持平。模型参数量减少超过一半（从0.685M降至0.338M），在Raspberry Pi 3 B+上的平均实时因子（RTF）降低约34%（从0.976降至0.657）。
5. 实际意义：该工作使得高性能语音增强模型更容易部署到智能耳机、助听器等低功耗实时设备上。
6. 主要局限性：长序列评估仅通过拼接自身构造，可能不完全反映真实世界的持续流式处理场景；在短序列标准基准上，Fast-ULCNet的PESQ和SI-SDR指标略低于原始ULCNet。

47. ParaGSE: Parallel Generative Speech Enhancement with Group-Vector-Quantization-Based Neural Speech Codec

✅ 7.5/10 | 前25% | #语音增强 | #生成模型 | #模型/架构 #神经网络编解码器

👥 作者与机构

• 第一作者：Fei Liu（中国科学技术大学语音及语言信息处理国家工程研究中心）
• 通讯作者：Yang Ai（中国科学技术大学语音及语言信息处理国家工程研究中心）
• 作者列表：Fei Liu（中国科学技术大学语音及语言信息处理国家工程研究中心），Yang Ai*（中国科学技术大学语音及语言信息处理国家工程研究中心）

💡 毒舌点评

本文巧妙地将组向量量化（GVQ）这一常用于编解码器的并行思想，移植到生成式语音增强框架中，实现了“用独立的VQ产出独立的token，从而支持并行预测”这一核心洞察，逻辑自洽且效果显著。其短板在于，作为生成模型，其在精细频谱结构重建上（由LSD指标反映）仍略逊于顶尖的判别式模型，这或许是生成范式与回归范式在优化目标上的根本差异所导致的。

📌 核心摘要

1. 要解决的问题：现有生成式语音增强方法（如GenSE, Genhancer）面临模型复杂度高、生成效率低（多为串行自回归预测）以及性能受限的挑战。
2. 方法核心：提出ParaGSE框架，核心是使用一个基于组向量量化（GVQ）的神经语音编解码器（G-MDCTCodec）。GVQ将编码特征分组并独立量化，产出一组相互独立的离散token。在此基础上，ParaGSE采用并行的轻量级分支，直接根据带噪token和频谱特征，同时预测所有对应的干净token，最后由解码器重建语音。
3. 与已有方法相比新在哪里：与依赖大语言模型（GenSE）或残差向量量化（RVQ）进行串行自回归预测（Genhancer）的方法相比，本文首次在生成式增强中引入GVQ和并行预测机制，彻底摆脱了对前序token的依赖，从而实现了计算效率的飞跃。与判别式模型相比，它将优化目标从波形/频谱回归转变为token分类。
4. 主要实验结果：在去噪、去混响和混合失真抑制三项任务上，ParaGSE在多数客观指标（如NISQA, DNSMOS, UTMOS）和主观ABX测试中均优于或持平于基线模型（包括CMGAN, MP-SENet, Genhancer）。特别是在混合失真抑制任务上优势显著。效率方面，与串行基线（SerialGSE）相比，ParaGSE在CPU上的实时率（RTF）降低了约50%，速度提升约1.5倍（从0.0696降至0.0466）。
5. 实际意义：该框架为实时、高效的语音增强提供了一种新范式，尤其适合在CPU等计算资源受限的边缘设备上部署，适用于通信、会议等实时应用场景。
6. 主要局限性：在侵入式指标（LSD）上，其性能略弱于最强的判别式模型，表明生成模型在精确还原频谱细节上可能仍有差距。论文未报告在真实复杂声场下的性能。

48. High-Fidelity Speech Enhancement Via Discrete Audio Tokens

✅ 7.5/10 | 前25% | #语音增强 | #自回归模型 | #语音大模型 #数据集

👥 作者与机构

• 第一作者：Luca A. Lanzendörfer（未明确标注，但根据作者列表顺序推测）
• 通讯作者：未说明
• 作者列表：Luca A. Lanzendörfer (ETH Zurich), Frédéric Berdoz (ETH Zurich), Antonis Asonitis (ETH Zurich), Roger Wattenhofer (ETH Zurich)

💡 毒舌点评

亮点在于其架构的“暴力美学”——用一个足够大的语言模型（1B LLaMA）和足够高分辨率的离散表示（44.1kHz DAC），将复杂的语音增强多阶段流水线简化为直接的token-to-token转换，并取得了SOTA结果，为“大力出奇迹”在语音领域提供了又一例证。短板在于这种简化高度依赖预训练的高质量编解码器（DAC）和计算资源，论文对模型计算成本、推理延迟等实际部署考量几乎只字未提，且在处理特定失真（如DNS挑战中的背景噪声抑制）时并未展现出压倒性优势。

📌 核心摘要

这篇论文旨在解决现有基于语言模型的语音增强方法局限于低采样率（16kHz）和依赖复杂多阶段架构的问题，以实现高保真（44.1kHz）的语音增强与带宽扩展。 方法核心是提出一个名为DAC-SE1的单阶段框架，该框架直接使用44.1kHz的DAC离散音频令牌作为输入和输出，由一个基于LLaMA的1B参数自回归模型进行处理，无需额外的语义编码器或多阶段流水线。 与已往工作相比，新方法的新颖之处在于：1）直接操作高分辨率DAC令牌，保留了精细的声学细节；2）架构高度简化，统一了增强与带宽扩展任务；3）通过扩大模型参数和训练数据规模来提升性能。 主要实验结果表明，DAC-SE1在HiFiTTS-2测试集的客观指标（如DNSMOS OVRL: 2.95）和MUSHRA主观评分（58.3分）上均优于LLaSE-G1和VoiceFixer等基线。在ICASSP 2022 PLC挑战中，其PLCMOS分数达到4.34，超越了所有对比方法。在ICASSP 2023 DNS挑战中，性能与最强基线持平。 该工作的实际意义在于证明了通过简单、可扩展的自回归语言模型范式，结合高质量的音频离散表示，能够实现统一且高质量的语音增强任务，为未来构建通用音频生成模型提供了新思路。 主要局限性是论文未详细讨论模型的计算效率、训练成本以及在不同噪声类型或极低信噪比条件下的泛化能力，且其性能提升部分依赖于庞大的模型参数，可能限制了实际部署场景。

49. DISSR: Disentangling Speech Representation for Degradation-Prior Guided Cross-Domain Speech Restoration

✅ 7.5/10 | 前25% | #语音增强 | #扩散模型 | #对比学习 #领域适应

👥 作者与机构

• 第一作者：Ziqi Liang（蚂蚁集团，杭州）
• 通讯作者：Jian Wang（蚂蚁集团，杭州，bobblair.wj@antgroup.com）
• 作者列表：Ziqi Liang（蚂蚁集团），Zhijun Jia（蚂蚁集团），Chang Liu（中国科学技术大学，合肥），Minghui Yang（蚂蚁集团），Zhihong Lu（蚂蚁集团），Jian Wang（蚂蚁集团）。 注：作者贡献标注为† Equal Contribution，故Ziqi Liang与Zhijun Jia贡献相当。

💡 毒舌点评

亮点：论文直击现有语音修复模型跨说话人风格泛化能力差的痛点，并提出了一个新颖的假设——降质信息与说话人风格解耦，并据此设计了引导扩散模型的先验模块，思路清晰且具有启发性。短板：支撑“降质信息包含在说话人风格中”这一核心假设的实验（图3）略显间接，分类器收敛快慢并不能直接等同于“说话人风格”特征包含了全部且纯粹的“降质”信息，论证链不够坚实。

📌 核心摘要

1. 解决的问题：现有语音修复方法多为针对单一失真的特定模型，泛化能力差，尤其是面对训练时未见过的说话人风格（跨域）时性能下降明显。
2. 方法核心：提出DisSR模型，核心思想是将退化语音解纠缠为内容、说话人风格和降质表示。其中，降质表示被设计为说话人无关的先验信息，并用于条件引导一个基于扩散模型的恢复网络。同时，引入跨域对齐训练来最小化不同说话人分布间的差距。
3. 创新点：1) 提出并实验验证了降质信息主要存在于说话人风格表示中的假设；2) 利用说话人无关的降质先验引导扩散模型进行通用语音修复；3) 设计了针对降质编码器的跨域对齐训练策略以提升模型泛化能力。
4. 主要实验结果：在跨语言（英→中/日）跨说话人测试集上，DisSR在DNSMOS、PESQ-wb、MCD三项指标上均优于VoiceFixer、SelfRemaster和SGMSE+M基线模型（例如在LibriTTS→VCTK英文测试集上，PESQ-wb为3.02，相比最优基线SGMSE+M的2.74有显著提升）。在单任务修复（如带宽扩展、去噪）中，DisSR也展现出竞争力，总体感知质量（COVL）占优。消融实验表明，所提出的各组件（多层级降质先验、降质表示学习、跨域对齐损失）均对性能有贡献。
5. 实际意义：为构建能处理多种失真且对新说话人鲁棒的通用语音修复系统提供了一种新思路，具有较强的实用价值。
6. 主要局限性：核心假设的直接验证稍显薄弱；实验中假设“每条语音内降质相同，语音间变化”，这与真实世界复杂场景可能存在差距；未公开代码与模型，限制了可复现性。

50. Ranking The Impact of Contextual Specialization in Neural Speech Enhancement

✅ 7.5/10 | 前25% | #语音增强 | #迁移学习 | #领域适应 #低资源

👥 作者与机构

• 第一作者：Peter Leer (Eriksholm Research Centre, Snekkersten, Denmark; Aalborg University, Department of Electronic Systems, Aalborg, Denmark)
• 通讯作者：未说明
• 作者列表：Peter Leer (Eriksholm Research Centre; Aalborg University), Svend Feldt (Eriksholm Research Centre), Zheng-Hua Tan (Aalborg University), Jan Østergaard (Aalborg University), Jesper Jensen (Eriksholm Research Centre; Aalborg University)

💡 毒舌点评

这篇论文的“经验性上界”设计很聪明，像给各类“上下文”打了一针性能兴奋剂，清晰地告诉我们在理想情况下谁是王者（说话人身份），谁是陪练（信噪比、性别）。但它的结论——一个小型专业模型能打赢十倍大的通用模型——听起来很美，却建立在“你总能准确拿到目标说话人和噪声类型”的假设上，在真实世界混乱的声学场景里，这个“神谕”般的上下文信息从何而来？论文并未给出廉价的获取方案。

📌 核心摘要

1. 问题：本文旨在系统研究神经语音增强模型中，利用不同类型的上下文信息（如说话人身份、噪声类型、性别、语言、信噪比）进行“专业化”适配所能带来的性能提升，特别是针对助听器等资源受限的边缘设备。
2. 方法核心：作者采用一种“经验性上界”的研究框架，即假设能获得完美的上下文信息（神谕），通过将通用模型在特定数据子集上微调为“专家模型”，来量化各类上下文信息的价值。他们跨多种主流语音增强架构（FFNN， LiSenNet， DCCRN， Conv-TasNet， TF-GridNet）进行了系统实验。
3. 与已有方法相比新在哪里：与之前只针对单一架构或有限上下文类型的研究不同，本文的创新在于：(a) 在多种架构上验证结论的普适性；(b) 首次系统性地量化并排名了多种上下文信息（说话人、噪声、性别、SNR、语言）的重要性；(c) 首次控制性地研究了语言作为专业化因子的效果。
4. 主要实验结果：
   • 上下文信息的重要性排名为：说话人+噪声联合专家 > 说话人专家 > SNR专家 ≈ 噪声类型专家 ≈ 性别专家 > 通用模型。此排名在所有架构和指标上一致。
   • 关键发现：一个小型专业化模型（例如，tiny的LiSenNet，约10k参数，专业化到特定说话人和噪声）的性能可以达到或超过一个比其大10倍的通用模型。
   • 语言专业化实验显示，仅在英语上训练的模型对英语语音的增强效果显著优于多语言通用模型，且该优势对于与英语语言距离更远的芬兰语使用者更明显（但绝对提升幅度较小）。
   • （实验结果关键数据见“详细分析 > 04.实验结果”中的表格）
5. 实际意义：为在助听器、耳机等资源受限设备上部署高效语音增强系统提供了明确的设计方向：与其追求一个庞大而全面的通用模型，不如开发一个能够根据实时检测到的上下文（如说话人）动态切换或适配的小型专家模型库。这可以大幅降低计算和存储开销，同时保证甚至提升目标场景下的性能。
6. 主要局限性：(a) 研究假设了完美、已知的上下文信息（oracle context），而在实际应用中，如何低成本、高可靠地实时检测这些信息（尤其是说话人身份和精确噪声类型）是一个未解决的挑战；(b) 实验在纯净的加性噪声环境下进行，未考虑混响、语音失真等其他常见退化因素；(c) 语言专业化的性能提升幅度相对较小。

51. BSMP-SENet:Band-Split Magnitude-Phase Network for Speech Enhancement

✅ 7.0/10 | 前25% | #语音增强 | #信号处理 #时频分析 | #信号处理 #时频分析

👥 作者与机构

• 第一作者：XueZhou Ju（JiangSu University, School of Computer Science and Communication Engineering）（注：论文中作者列表仅出现一人，根据常规署名推断，但未明确标注“第一作者”）
• 通讯作者：未说明
• 作者列表：XueZhou Ju（JiangSu University, School of Computer Science and Communication Engineering）

💡 毒舌点评

亮点：论文敏锐地指出了现有Transformer增强模型“缺乏频率先验”和“相位全局建模困难”这两个痛点，并设计了针对性的解决方案（联合子带分解），思路清晰，消融实验也证实了该核心模块的有效性。短板：整体框架创新更像是“乐高式”模块组合（已有的子带思想+多尺度卷积+Transformer+通道注意力），且实验部分缺少与模型参数量、计算复杂度（FLOPs）的直接对比分析（表中虽列有FLOPs，但未深入讨论效率与性能的权衡），使得“平衡准确性与效率”的宣称缺乏更坚实的证据。

📌 核心摘要

1. 要解决什么问题：现有基于Transformer的语音增强模型对频率信息缺乏显式感知，导致频谱建模不均衡；同时，多数子带方法仅处理幅度，忽视了相位信息，而全局建模相位又因相位谱的非平稳性而困难，影响了语音重建质量。
2. 方法核心是什么：提出BSMP-SENet，其核心是可学习子带滤波器组模块，该模块首次在子带层面联合分解和处理语音的幅度谱与相位谱，引入了显式的频率先验。此外，模型还结合了门控多尺度卷积时序块和频段条件注意力模块，以增强时序建模并进行自适应的通道重加权。
3. 与已有方法相比新在哪里：与主要进行幅度子带处理或全局时频建模的方法不同，本方法创新性地实现了幅度-相位联合的、非均匀的子带分解与处理，从而更精细地建模不同频带（尤其是相位变化剧烈的高频）的特性。
4. 主要实验结果如何：
   • 在VoiceBank+DEMAND基准测试中，模型参数量为2.06M，WB-PESQ达到3.62，STOI为96.3%，CBAK为4.05，在PESQ、STOI和CBAK上均优于或匹配包括MPSENet在内的近期SOTA方法。
   • 在自建的LibriSpeech测试集（三种噪声，三种SNR）上，模型平均PESQ为3.26，STOI为0.92，均优于对比的SE-Conformer、UNIVERSE++和MPSENet。
   • 消融实验显示，移除核心模块LSFB导致性能下降最显著（PESQ降至3.53，STOI降至95.7%），验证了联合幅度-相位子带处理的关键作用。
5. 实际意义是什么：该工作提出了一种更精细地处理语音频谱（尤其是相位）的方法，有望提升真实噪声环境下语音的可懂度和感知质量，对通信、助听设备等应用有潜在价值。
6. 主要局限性是什么：论文未提供模型在不同硬件上的推理速度、延迟等实际部署相关的效率数据。此外，虽然使用了两个数据集，但均基于合成噪声，对真实世界极端复杂噪声的泛化能力未充分验证。

52. DECAF: Dynamic Envelope Context-Aware Fusion for Speech-Envelope Reconstruction from EEG

✅ 7.0/10 | 前25% | #语音增强 | #状态空间模型 | #跨模态 #信号处理

👥 作者与机构

• 第一作者：未说明（论文作者列表仅提供“Karan Thakkar”，但未明确标注其为第一作者）
• 通讯作者：未说明
• 作者列表：Karan Thakkar (Johns Hopkins University, USA), Mounya Elhilali (Johns Hopkins University, USA)
• 机构：约翰霍普金斯大学，计算音频感知实验室 (Laboratory for Computational Audio Perception)

💡 毒舌点评

亮点：该论文的核心思想——将语音包络重建从静态映射问题重新定义为结合时序先验的动态状态估计问题——非常清晰且富有启发性，为相关领域提供了有价值的范式参考；实验设计严谨，严格遵循公开挑战赛协议，并通过消融、频谱分析和鲁棒性测试多角度验证了方法的合理性。短板：在绝对性能上，尽管超越了先前SOTA，但提升幅度相对有限（从0.162到0.170），且与“理想上限”（DECAF-Oracle）差距依然明显，这削弱了其“突破性”的观感；论文中未提供完整的作者贡献与通讯信息，略显不规范。

📌 核心摘要

本文针对从脑电图（EEG）信号重建语音包络这一任务，提出了一种新的动态框架DECAF。1. 要解决的问题：现有深度学习方法将此任务视为静态回归，忽略了语音信号本身丰富的时序结构，导致重建保真度和鲁棒性受限。2. 方法核心：提出一种状态空间融合模型，它包含三个模块：直接从EEG估计当前包络的“EEG解码器”、从过去预测值自回归预测当前包络的“包络预测器”，以及一个学习到的门控网络，用于自适应地融合神经证据和时序先验。3. 与已有方法相比新在哪里：首次将此问题明确重构为动态状态估计任务，而非无状态的静态映射。模型完全因果且递归，能利用自身历史预测构建时序上下文。4. 主要实验结果：在ICASSP 2023 EEG解码挑战赛（任务2）的测试集上，DECAF的平均皮尔逊相关系数达到0.170±0.061，显著优于此前的最佳模型HappyQuokka（0.162±0.061，p=0.000483）。消融实验证明了两个分支的互补性：单独的EEG分支性能为0.117，单独的预测器分支接近随机。频谱分析表明，模型能协同利用EEG分支的低频信息和预测器的高频细节。5. 实际意义：该工作为听觉注意力解码和神经调控助听器等应用提供了更准确、连贯且适合在线处理的神经解码新方向。6. 主要局限性：模型绝对性能仍有提升空间（与Oracle上限差距大）；在EEG信号极度嘈杂时（SNR低），性能优势消失；作者信息在提供的文本中不完整。

表1：在ICASSP 2023 EEG解码基准（任务2）上的语音包络重建性能对比。

53. DAT-CFTNet: Speech Enhancement for Cochlear Implant Recipients using Attention-based Dual-Path Recurrent Neural Network

✅ 7.0/10 | 前50% | #语音增强 | #注意力机制 | #双路径RNN #复数值网络

👥 作者与机构

• 第一作者：Nursadul Mamun（Chittagong University of Engineering and Technology, Chittagong, Bangladesh）
• 通讯作者：未明确标注，根据实验室归属推测为John H.L. Hansen（University of Texas at Dallas, USA）
• 作者列表：Nursadul Mamun (Chittagong University of Engineering and Technology), John H. L. Hansen (University of Texas at Dallas; CRSS: Center for Robust Speech Systems; Cochlear Implant Processing Laboratory)

💡 毒舌点评

论文针对人工耳蜗用户这一垂直领域进行了扎实的工程优化，将注意力机制融入双路径RNN瓶颈层，确实看到了性能提升，且提供了轻量化变体的思考。但核心方法更偏向于“拿来主义”的组合（DPRNN + Attention + CFTNet），且实验验证主要局限于自身的变体对比和自建数据集，缺乏在业界公认的大型基准（如VoiceBank-DEMAND）上的横向比对来确立其绝对竞争力。

📌 核心摘要

本文旨在解决人工耳蜗（CI）用户在嘈杂环境中语音感知能力严重受限的问题。为此，作者提出了一种名为DAT-CFTNet的语音增强网络。其核心方法是将一种结合了注意力机制的双路径RNN（DAT-RNN）嵌入到复数值频率变换网络（CFTNet）的瓶颈层中。与基线CFTNet和DCCRN相比，该方法的创新点在于利用DAT-RNN更有效地建模时频表示中的长程依赖和局部特征，并通过注意力机制动态聚焦关键信息。实验在包含多种噪声类型的自建数据集上进行，结果表明，DAT-CFTNet在STOI、PESQ和SISDR等客观指标上均优于基线模型。例如，与未处理语音相比，DAT-CFTNet在STOI、PESQ和SISDR上分别取得了+22.8%，+113.4%，和+10.62 dB的提升；其改进变体DAT-CFTNet-F相比DCCRN和CFTNet，在SISDR上分别实现了+34.3%和+6%的相对提升。该工作的实际意义在于为CI用户提供了一种能更有效抑制非平稳噪声、保持语音清晰度的增强方案。主要局限性在于：1）模型计算复杂度较高，尽管提出了轻量化变体但性能有所下降；2）实验仅使用了IEEE语音库和特定噪声，未在大规模公开基准上进行验证；3）论文未提供针对CI听众的真实心理声学实验或主观听力评估。

54. Acoustic Teleportation Via Disentangled Neural Audio Codec Representations

✅ 7.0/10 | 前25% | #语音增强 | #神经音频编解码器 | #音频场景理解 #信号处理

👥 作者与机构

• 第一作者：Philipp Grundhuber（Fraunhofer Institute for Integrated Circuits (IIS), Erlangen, Germany）
• 通讯作者：未说明
• 作者列表：Philipp Grundhuber†（Fraunhofer Institute for Integrated Circuits (IIS)）, Mhd Modar Halimeh†,§（† Fraunhofer Institute for Integrated Circuits (IIS)；§ 现任职于Starkey Hearing Technologies）, Emanuël A. P. Habets⋆（International Audio Laboratories Erlangen）

💡 毒舌点评

本文在“声学传送”这个颇具未来感的细分赛道上，用扎实的工程改进（EnCodec架构 + 多任务训练）把基线方法（Omran et al.）远远甩在了后面，消融实验和可视化分析做得相当全面。然而，一个明显的短板是它处理“传送”的极限能力不足——当两个房间的混响时间差别大于0.8秒时，输出质量就明显下降，这基本锁死了它在真实复杂声学环境中大规模应用的天花板。

📌 核心摘要

1. 要解决什么问题：传统神经音频编解码器（NAC）学习的表示将语音内容与声学环境信息纠缠在一起，难以独立操控。本文旨在实现“声学传送”，即在不同录音之间转移房间声学特性，同时保持语音内容和说话人身份不变。
2. 方法核心是什么：基于EnCodec架构，将编码器的输出划分为两个独立的64维特征流：一个用于语音嵌入，一个用于声学嵌入。这两个流分别通过独立的残差向量量化（RVQ）模块进行量化。训练过程整合了五个任务：干净语音重建、混响语音重建、去混响、以及两种声学传送任务（同源、异源）。
3. 与已有方法相比新在哪里：相比Omran等人的工作（基于SoundStream），本文采用EnCodec架构并显著提升了性能；提出了包含五个任务的系统训练策略，增强了模型的通用性与解纠缠能力；深入分析了声学嵌入时域下采样对质量的影响，发现即使因子为2的下采样也会导致显著性能下降；并验证了声学嵌入与混响时间（RT60）的强相关性。
4. 主要实验结果如何：在非侵入式ScoreQ指标上，最佳量化模型（N=8）的声学传送得分达到3.03，优于Omran等人的2.44。t-SNE分析显示声学嵌入主要按房间聚类，语音嵌入主要按说话人聚类，证实了有效的解纠缠。然而，传送质量随两个房间RT60差异增大而线性下降（Pearson相关系数-0.61）。
5. 实际意义是什么：该技术可应用于电信中的环境适应性通话、虚拟/增强现实中的音频渲染、以及语音增强中的去混响，提供了一种灵活操控录音声学特性的新工具。
6. 主要局限性是什么：当前评估限于英文语音和模拟混响（RT60 < 1.2s），对背景噪声和极端声学条件的泛化能力未知；当房间声学差异过大时（RT60差>0.8s）性能下降明显；量化后的模型性能与非量化模型仍有差距。

55. Reference Microphone Selection for Guided Source Separation Based on The Normalized L-P Norm

✅ 7.0/10 | 前50% | #语音增强 | #波束成形 | #麦克风阵列 #语音识别

👥 作者与机构

• 第一作者：Anselm Lohmann (Carl von Ossietzky Universit¨at Oldenburg, Dept. of Medical Physics and Acoustics, Germany)
• 通讯作者：未明确说明（论文提供了第一作者邮箱，但未明确标注通讯作者）
• 作者列表：Anselm Lohmann (Carl von Ossietzky Universit¨at Oldenburg, Germany)、Tomohiro Nakatani (NTT, Inc., Japan)、Rintaro Ikeshita (NTT, Inc., Japan)、Marc Delcroix (NTT, Inc., Japan)、Shoko Araki (NTT, Inc., Japan)、Simon Doclo (Carl von Ossietzky Universit¨at Oldenburg, Germany)

💡 毒舌点评

论文敏锐地抓住了分布式麦克风语音增强中“信噪比最优”与“混响鲁棒性”之间的矛盾，并用一个优雅的数学工具（归一化ℓp范数）提出了解决方案，在CHiME-8这种高难度真实数据集上取得了稳定提升。然而，其方法深度绑定于特定的GSS处理流程，创新的“舞台”相对狭小，更像是对现有系统进行精细调优，而非提出一个可独立复用的新范式。

📌 核心摘要

1. 问题：在基于分布式麦克风的引导源分离（GSS）语音增强前端中，通常选择估计输出信噪比（SNR）最高的麦克风作为参考。但这种方法忽略了不同麦克风信号在早期-晚期混响比（ELR）上的巨大差异，可能无法选出整体信号质量最佳的参考信号，从而影响下游语音识别（ASR）性能。
2. 方法核心：提出两种新的参考麦克风选择方法，均基于归一化ℓp范数。第一种方法仅选择归一化ℓp范数最低的波束成形输出（对应最高的信号稀疏性，通常与高ELR相关）。第二种方法将归一化ℓp范数与SNR结合，通过最小化二者的加权归一化和，同时考虑ELR和SNR。
3. 新意：将原本用于WPE解混响的归一化ℓp范数参考麦克风选择准则，创新性地应用于包含解混响和噪声抑制的GSS全流程中。特别是，提出了兼顾ELR和SNR的组合选择策略。
4. 主要实验结果：在CHiME-8挑战赛的ASR系统上评估，所提方法在多个数据集（尤其是使用空间分布式麦克风的DiP和Mi6数据集）上降低了宏观平均时间约束最小排列词错率（tcpWER）。例如，在使用估计说话人日志时，组合方法（α=0.5）将宏观平均tcpWER从25.5%（基线SNR方法）降至24.4%。关键结果对比如下表：

   方法	CH6	DiP	Mi6	NSF	宏观平均tcpWER (%)
   （a）使用Oracle说话人日志
   SNR (基线)	24.3	24.2	14.4	13.5	19.1
   归一化ℓp范数	24.6	23.1	13.4	13.5	18.7
   组合方法 (α=0.5)	24.2	22.9	12.9	13.5	18.4
   （b）使用估计说话人日志
   SNR (基线)	37.2	28.1	16.1	20.6	25.5
   归一化ℓp范数	37.2	26.9	13.8	20.6	24.6
   组合方法 (α=0.5)	37.0	26.7	13.3	20.6	24.4

5. 实际意义：为分布式麦克风阵列的远场语音识别系统提供了一种更优的前端参考麦克风选择策略，有助于提升复杂声学环境下的ASR鲁棒性。
6. 主要局限性：方法的有效性高度依赖于GSS系统的整体流程。组合策略中的权衡参数α需要通过在验证集上搜索确定。论文未探讨该方法对非GSS前端或其他语音任务的适用性。

56. Low-Latency Audio Front-End Region-of-Interest Beamforming for Smart Glasses

✅ 7.0/10 | 前25% | #语音增强 | #波束成形 | #实时处理 #多通道

👥 作者与机构

• 第一作者：Ariel Frank（Technion – Israel Institute of Technology, Andrew and Erna Viterbi Faculty of Electrical and Computer Engineering）
• 通讯作者：未说明
• 作者列表：Ariel Frank（Technion – Israel Institute of Technology, Andrew and Erna Viterbi Faculty of Electrical and Computer Engineering）、Israel Cohen（Technion – Israel Institute of Technology, Andrew and Erna Viterbi Faculty of Electrical and Computer Engineering）

💡 毒舌点评

亮点：论文最大的价值在于其“公正裁判”的角色——它没有盲目声称自己方法最优，而是通过建立一个统一的数学框架，用同一套指标（延迟、复杂度、性能）系统地量化比较了时域和STFT域两种主流实现路径，结论清晰且有实验数据强力支撑，为智能眼镜产品的技术选型提供了坚实的工程依据。 短板：研究范畴严格限定在传统信号处理波束成形的对比上，完全未与当前火热的基于深度学习的波束成形/语音增强方法进行对比（即使引用了相关工作），使得结论的时效性和全面性打了折扣；实验在高度可控的消声室完成，对于智能眼镜实际使用中复杂的混响、噪声、多人的环境泛化性未经验证。

📌 核心摘要

1. 问题：智能眼镜等可穿戴设备需要在严格的功耗和低延迟约束下，实现与佩戴者视野对齐的空间音频捕获（即区域感兴趣波束成形），但现有时域与短时傅里叶变换（STFT）域两种实现方式的优劣权衡尚不明确。
2. 方法核心：作者建立了一个统一的数学公式来同时描述时域和STFT域的ROI LDMG波束成形器，明确揭示了各自的建模近似（时域为有限长FIR近似，STFT域为乘性传输函数近似），并在相同条件下对比其算法延迟、计算复杂度和性能。
3. 与已有方法相比新在哪里：本文并非提出新的波束成形算法，而是首次在统一框架下，使用同一套真实智能眼镜多通道录音数据，对最先进的时域与STFT域ROI波束成形器进行公平的、流式感知的头对头比较，使结论更具说服力。
4. 主要实验结果：在所有测试条件下，时域实现均优于STFT域实现。关键结果包括：（1）延迟：时域实现的算法延迟是STFT域实现的一半（例如，帧长128样本时，时域延迟4ms，STFT域延迟8ms）；（2）性能：在定向性因子（DF）、白噪声增益（WNG）和自身语音抑制（OV）指标上，时域实现均优于STFT域实现（具体数值见图1及描述）；（3）复杂度：时域实现的计算复杂度（$O(ML_y^2)$）高于STFT域实现（$O(ML_y \log_2 L_y)$）。
5. 实际意义：为智能眼镜音频前端开发提供了明确的工程指导——当低延迟至关重要且设备有足够计算资源时，时域ROI波束成形是更优的选择。
6. 主要局限性：实验基于可控消声室环境，未评估在复杂真实声学场景（如强混响、多人说话）下的性能；未与基于深度学习的端到端方法进行比较；研究聚焦于特定LDMG波束成形器，结论可能不适用于其他波束成形设计。

57. AmbiDrop: Array-Agnostic Speech Enhancement Using Ambisonics Encoding and Dropout-Based Learning

✅ 7.0/10 | 前50% | #语音增强 | #麦克风阵列 | #阵列无关 #鲁棒性

👥 作者与机构

• 第一作者：Michael Tatarjitzky（以色列本古里安大学电气与计算机工程学院）
• 通讯作者：未说明
• 作者列表：Michael Tatarjitzky（以色列本古里安大学电气与计算机工程学院）、Boaz Rafaely（以色列本古里安大学电气与计算机工程学院）

💡 毒舌点评

亮点在于其“以退为进”的巧妙设计：不追求让网络适应所有阵列，而是先将所有阵列信号“归一化”到一个与阵列无关的Ambisonics表示空间，再用dropout这种简单正则化来“治疗”这个归一化过程本身不完美的“后遗症”，思路非常工程友好。短板是实验略显“温室”化，所有测试阵列（包括未知的）都在仿真或可控条件下，且仅限于5麦克风的2D平面阵列，真实世界中更多阵列（如线性、不规则、高阶3D）下的表现仍是未知数。

📌 核心摘要

1. 问题：现有基于深度学习的多通道语音增强模型严重依赖特定的麦克风阵列几何结构，当部署设备的阵列配置与训练数据不符时，性能会显著下降，这限制了其实际应用。
2. 方法核心：提出AmbiDrop框架。在训练时，直接使用理想的Ambisonics（球谐域）信号作为输入，该信号与阵列几何无关；同时，对输入的Ambisonics通道进行随机丢弃（Channel-wise Dropout），以模拟真实场景中使用Ambisonics信号匹配（ASM）从任意阵列编码时可能出现的通道缺失或不准确，从而提升模型鲁棒性。推理时，任意麦克风信号先通过ASM转换为Ambisonics信号，再输入网络。
3. 与已有方法相比的新颖性：新在避免了依赖多样化的多几何阵列数据集进行训练。通过将问题域从“麦克风信号空间”转换到“Ambisonics信号空间”，并结合专门的dropout策略来应对转换误差，实现了无需多阵列训练数据即可获得阵列无关的增强能力。
4. 主要实验结果：在多说话人仿真场景下，实验对比了在训练阵列上表现良好的基线模型与AmbiDrop。
   • 在训练阵列上，两者性能接近（AmbiDrop在PESQ上略优）。
   • 在6种未见过的仿真阵列上，基线模型性能严重下降（SI-SDR从5.6dB降至-7.4dB），而AmbiDrop保持了稳定的高性能（SI-SDR为5.4dB）。
   • 在真实世界的AR眼镜麦克风阵列上，基线模型完全失效（SI-SDR降至-40.1dB），而AmbiDrop仍能有效增强（SI-SDR从-9.0dB提升至-2.0dB）。

     数据集	方法	SI-SDR (dB) ↑	PESQ ↑	STOI ↑
     		增强后	增强后	增强后
     训练阵列	基线	5.6	1.73	0.84
     	AmbiDrop	3.9	1.84	0.83
     测试阵列	基线	-7.4	1.32	0.64
     	AmbiDrop	5.4	1.90	0.86
     AR眼镜	基线	-40.1	1.34	0.28
     	AmbiDrop	-2.0	1.59	0.75

5. 实际意义：为部署在多样化设备（如AR眼镜、智能家居设备）上的多通道语音增强提供了一种实用的解决方案，降低了对设备麦克风阵列一致性的要求。
6. 主要局限性：目前验证局限于二维、5麦克风的阵列场景，未探讨更高阶Ambisonics或更多麦克风的情况；实验主要基于仿真，真实复杂声学环境下的验证有限；模型架构相对简单（基于FT-JNF），未尝试与更先进的网络结构结合。

58. Joint Multichannel Acoustic Feedback Cancellation and Speaker Extraction via Kalman Filter and Deep Non-Linear Spatial Filter

✅ 7.0/10 | 前25% | #语音增强 | #信号处理 | #语音分离 #麦克风阵列

👥 作者与机构

• 第一作者：Ze Li（南京大学现代声学研究所 & NJU-Horizon智能音频实验室，地平线机器人；南京大学）
• 通讯作者：未说明
• 作者列表：Ze Li（南京大学现代声学研究所 & NJU-Horizon智能音频实验室，地平线机器人；南京大学），Haocheng Guo（华为技术有限公司），Xiaoyang Ge（南京大学现代声学研究所 & NJU-Horizon智能音频实验室，地平线机器人），Kai Chen（南京大学现代声学研究所 & NJU-Horizon智能音频实验室，地平线机器人），Jing Lu（南京大学现代声学研究所 & NJU-Horizon智能音频实验室，地平线机器人）

💡 毒舌点评

亮点：该工作切中了公共广播和助听器系统中“反馈”与“干扰”两大痛点，提出的AFC-SPEX框架在系统设计上逻辑清晰，将经典卡尔曼滤波与深度空间滤波器巧妙结合，并通过教师强制策略有效解决了训练难题。短板：尽管仿真实验对比了众多基线，但结论的说服力止步于“在模拟环境中表现良好”；对于声学反馈这类严重依赖实际硬件与声场交互的问题，缺乏真实录音数据的验证是一个明显的遗憾，限制了其向实际产品转化的说服力。

📌 核心摘要

这篇论文旨在解决公共广播和助听器等系统中同时存在的声学反馈和干扰噪声问题。核心方法AFC-SPEX将分块频域卡尔曼滤波器（PBFDKF）作为自适应反馈消除模块，其输出的残差信号与原始麦克风信号一起输入到一个深度非线性空间滤波器（DNSF）中，后者通过LSTM网络学习时、频、空特征以估计复数理想比值掩膜，从而提取目标语音。与现有级联方案或单独使用深度网络的方法相比，该工作的主要创新在于联合优化与交互设计：DNSF不仅依赖原始信号，还利用AFC模块的输出作为辅助参考，以联合抑制反馈和干扰；同时，采用了针对闭环问题的教师强制训练策略。实验结果（在模拟的带反馈和干扰的房间声学环境中）表明，所提方法在SI-SDR、PESQ、STOI及最大稳定增益提升（ΔMSG）等多项指标上均优于直接级联、单独DNSF以及一种传统的多通道维纳滤波方法（Rank2-MWF）。例如，在同时存在反馈和干扰的场景（Simulation A）中，AFC-SPEX的SI-SDR达到4.38，优于AFC+DNSF的-1.78和Rank2-MWF的-26.00。该工作的实际意义在于为需要同时处理声学反馈和语音提取的音频系统提供了一种高性能的算法框架。其主要局限性是所有实验均基于仿真，未进行真实世界数据的验证。

59. Gdiffuse: Diffusion-Based Speech Enhancement with Noise Model Guidance

✅ 7.0/10 | 前25% | #语音增强 | #扩散模型 | #领域适应 #鲁棒性

👥 作者与机构

• 第一作者：Efrayim Yanir（特拉维夫大学）
• 通讯作者：未说明
• 作者列表：Efrayim Yanir（特拉维夫大学）、David Burshtein（特拉维夫大学）、Sharon Gannot（巴伊兰大学）

💡 毒舌点评

论文巧妙地将一个庞大的语音生成扩散模型“冻结”起来，仅用一个172参数的噪声模型通过测试时训练进行“遥控”，实现了对新噪声的灵活适应，这个“四两拨千斤”的思路确实新颖。然而，论文声称“噪声统计在训练和推理间保持稳定”是核心假设，但仅用20秒噪声片段训练就断言其统计特性稳定可靠，这个前提在复杂多变的现实声学环境中显得有些理想化，可能成为其实用性的阿喀琉斯之踵。

📌 核心摘要

1. 问题：传统判别式语音增强模型在匹配条件下表现好，但面对未见过的噪声类型时泛化能力差，易产生伪影。现有的生成式（特别是基于扩散的）语音增强方法虽然性能优越，但往往需要为每种预期噪声专门训练庞大的模型，适应性差且成本高。
2. 方法核心：提出GDiffuSE，一个基于去噪扩散概率模型（DDPM）的语音增强框架。其核心是利用一个极轻量（172参数）的噪声模型，在测试时通过少量目标噪声样本进行快速训练。在扩散模型的反向生成过程中，利用该噪声模型的似然函数梯度作为“指导信号”，引导一个预训练的、冻结的语音生成扩散模型（DiffWave）生成干净语音。
3. 新意：与现有方法（如直接条件扩散或需重训大模型）不同，GDiffuSE首次将DDPM引导机制与测试时训练相结合，并专门针对语音增强设计了噪声模型指导策略。它解耦了通用语音先验学习和特定噪声适应，使系统能快速适应新噪声。
4. 实验：在LibriSpeech干净语音与BBC音效库噪声混合的数据上进行评估。结果表明，在失配噪声条件下（特别是高频噪声），GDiffuSE在PESQ和SI-SDR指标上持续优于基线方法SGMSE（在WSJ0和TIMIT上训练）和CDiffuSE。例如，在5dB SNR下针对高频噪声，GDiffuSE的SI-SDR为11.25±3.21，而sgmseWSJ0为9.43±2.64，CDiffuSE为3.66±3.23。频谱图也显示其抑制噪声更有效。
5. 实际意义：提供了一种快速、低成本地将强大语音生成模型适应到新噪声环境的可能方案，降低了先进语音增强技术的部署门槛。
6. 主要局限性：核心假设——训练噪声样本与推理时噪声统计一致——在现实中可能不总是成立；实验对比基线相对有限；未充分探讨当噪声统计发生显著变化时模型的失效模式；训练噪声片段（20秒）的充分性有待更全面验证。

60. An Efficient Neural Network for Modeling Human Auditory Neurograms for Speech

✅ 7.0/10 | 前25% | #语音增强 | #卷积神经网络 | #听觉编码 #流式处理

👥 作者与机构

• 第一作者：Eylon Zohar（Ben-Gurion University of the Negev，电气与计算机工程学院）
• 通讯作者：Boaz Rafaely（Ben-Gurion University of the Negev，电气与计算机工程学院）
• 作者列表：Eylon Zohar（Ben-Gurion University of the Negev，电气与计算机工程学院），Israel Nelken（The Hebrew University of Jerusalem，神经生物学系），Boaz Rafaely（Ben-Gurion University of the Negev，电气与计算机工程学院）

💡 毒舌点评

本文在工程实现上做到了“螺丝壳里做道场”，将复杂的Bruce听觉外周模型用紧凑的TCN网络高效复现，实时性优势显著；但研究过于聚焦于对已知生理模型的精确复刻，应用场景局限于理想条件下的前端编码，对于听觉系统更复杂的功能（如随机放电、双耳处理）及噪声环境下的鲁棒性探讨不足，显得有些“精致的实用主义”。

📌 核心摘要

本文旨在解决经典听觉外周模型（如Bruce模型）计算复杂、具有随机性且难以与梯度学习管道集成的问题，提出一种紧凑、全卷积、因果的神经网络编码器，用于高效生成语音的确定性、多频率神经图（neurogram）。与主要采用纯音进行验证的CoNNear等前作不同，本工作以连续语音为直接优化与评估目标，通过频带分割、多分辨率谱损失和包络损失进行联合训练，以稳定拟合不同动态范围的特征。实验在WSJ0-2mix的干净语音上进行，结果表明，所提编码器在测试集上实现了0.931的平均皮尔逊相关系数（PCC）和-10.5 dB的归一化均方误差（NMSE），并在A100 GPU上达到实时因子（RTF）2.32的流式推理速度。该模型为听觉神经科学和音频信号处理提供了一个高效、可微分、可重现的语音前端编码工具。其主要局限性在于仅验证了16 kHz采样率的干净语音，且模型性能在低频与中频带边界处略有下降。

61. Shortcut Flow Matching for Speech Enhancement: Step-Invariant Flows via Single Stage Training

✅ 7.0/10 | 前25% | #语音增强 | #流匹配 | #扩散模型 #实时处理

👥 作者与机构

• 第一作者：Naisong Zhou (†EPFL, ⋆Logitech)
• 通讯作者：未说明
• 作者列表：Naisong Zhou†⋆, Saisamarth Rajesh Phaye⋆, Milos Cernak⋆, Tijana Stojkovi´c⋆, Andy Pearce⋆, Andrea Cavallaro†, Andy Harper⋆ (†EPFL, ⋆Logitech)

💡 毒舌点评

亮点：该工作成功地将“快捷流匹配”框架移植到语音增强任务，并通过一个精巧的步条件化设计，用单一模型同时实现了单步和多步推理，且性能稳定，在单步推理时达到了与60步扩散模型可比的感知质量，工程实用性很强。短板：其核心创新是组合现有技术而非开创范式，且对端点先验的消融探索虽有价值但略显有限（仅四种固定形式），未能提出一种更具适应性或自适应的先验选择机制，理论深度有提升空间。

📌 核心摘要

1. 问题：基于扩散模型的语音增强技术感知质量高，但其迭代去噪过程需要大量神经函数评估（NFE），导致计算量大、延迟高，难以满足实时应用（如交互式通话）对低延迟（毫秒级）的严苛要求。
2. 方法核心：本文提出了快捷流匹配语音增强（SFMSE）。其核心是训练一个步不变的模型：通过在速度场中显式条件化“目标时间步”，并采用自洽性损失（要求大步长预测等于小步长预测的累积）进行训练，使得单一模型能够灵活地进行单步、少步或多步推理，而无需架构更改或微调。
3. 与已有方法相比新在哪里：相较于传统扩散模型需要多步迭代，SFMSE通过学习直接向量场并引入步条件，实现了推理步数的灵活配置；相较于其他单步/少步方法（如CRP），SFMSE通过单阶段联合训练即可获得多步能力，避免了两阶段微调，简化了流程并提升了鲁棒性。论文还系统性地比较了不同端点先验（从高斯到确定性狄拉克δ函数）的影响。
4. 主要实验结果：在VB-DMD数据集上，使用单步（NFE=1） 推理的SFMSE（Shortcut-F变体）达到了ESTOI 0.86、SI-SDR 18.39 dB、POLQA 4.16，在感知指标上与需要60步推理的SGMSE基线（POLQA 4.30）相当。其单步推理的实时因子（RTF）仅为0.013（在NVIDIA RTX 4070Ti GPU上）。在微软Teams认证测试（3QUEST）中，多数变体超过认证阈值。 关键实验结果表格（来自论文表1与表2）：

   模型	NFE	ESTOI	SI-SDR (dB)	POLQA	OVRL-MOS	SIG-MOS	BAK-MOS
   SGMSE	60	0.86	17.45	4.30	3.17	3.48	3.98
   CRP	1	0.84	18.04	4.33	3.05	3.38	3.90
   Shortcut-F	1	0.86	18.39	4.16	3.02	3.34	3.90
   Shortcut-S	1	0.83	16.32	3.93	3.02	3.37	3.84

   模型	NoBGN-SMOS	SMOS	NMOS	是否通过Teams阈值
   阈值	4.0	3.50	2.90	-
   Shortcut-F	4.16	4.09	3.69	是
   Shortcut-S	4.16	4.03	3.78	是
   Shortcut-D	4.05	3.87	3.82	是
   Shortcut-G	3.85	3.71	3.35	否 (NoBGN-SMOS未达)

5. 实际意义：该工作为高质量生成式语音增强的实时化部署提供了一种有前景的解决方案，有望在保持高感知质量的同时，满足助听器、视频会议、游戏语音等场景对低延迟、低计算成本的硬性要求，桥接了学术研究与工业应用之间的差距。
6. 主要局限性：1）单步推理的感知质量（如POLQA）虽与60步基线相当，但仍略低于经过精调的单步CRP模型，表明模型容量或训练目标仍有优化空间。2）实验仅在VB-DMD这一标准但相对受限的数据集上进行，对更复杂噪声（如非平稳噪声、多人说话）和真实设备录音的泛化能力有待验证。3）论文未提供开源代码，可能阻碍社区的快速验证与应用。

62. Generalizability of Predictive and Generative Speech Enhancement Models to Pathological Speakers

✅ 7.0/10 | 前50% | #语音增强 | #迁移学习 | #扩散模型 #鲁棒性

👥 作者与机构

• 第一作者：Mingchi Hou（Idiap Research Institute, Switzerland; École Polytechnique Fédérale de Lausanne, Switzerland）
• 通讯作者：未说明
• 作者列表：Mingchi Hou（Idiap Research Institute, Switzerland; École Polytechnique Fédérale de Lausanne, Switzerland）、Ante Jukić（NVIDIA, USA）、Ina Kodrasi（Idiap Research Institute, Switzerland）

💡 毒舌点评

这篇论文填补了SOTA语音增强模型在病理语音上性能评估的关键空白，是领域内一个��实且必要的“体检报告”。但其短板在于结论的深度略显不足——在发现“病理语音特性导致性能下降”和“迁移微调优于其他方案”这些相对符合直觉的结论后，未能进一步挖掘病理类型的异质性或提出更针对性的适配机制，更像是一份扎实的基准测试报告而非一篇有深度的方法论文。

📌 核心摘要

1. 问题：当前最先进的语音增强模型主要在健康人语音上训练和评估，其在病理性语音（如帕金森病患者）上的性能显著下降，而这一人群的增强需求迫切。
2. 方法核心：系统性地评估了两种策略（预测模型CR、生成模型SB）在三种训练范式下的性能：1）在小规模病理数据集上从零训练；2）在健康人大规模数据集预训练后，用病理数据微调；3）用单个患者的数据进行个性化微调。
3. 创新：首次全面、系统地对比了当前主流的预测式和生成式语音增强模型在病理语音上的表现，并比较了不同的领域适应策略。研究明确指出“预训练+微调”是当前最有效的路径。
4. 主要实验结果：在PC-GITA数据集（帕金森病语音）上的交叉验证表明：
   • 性能差距：仅用健康数据训练的模型，在病理语音上的所有评估指标（ΔPESQ, ΔSI-SDR等）均显著低于在健康语音上的表现。
   • 策略对比：采用“健康数据预训练+病理数据微调”的策略，在所有指标上均优于从零训练和个性化微调。例如，CR模型在病理语音上的ΔSI-SDR从基线2.81提升至8.29（微调后），从零训练为7.75。
   • 模型对比：在微调策略下，生成式SB模型在大多数指标上略优于预测式CR模型（如ΔPESQ: 1.31 vs 1.25）。
5. 实际意义：为开发适用于病理人群的语音增强技术提供了明确的工程路径：即利用大规模健康语料预训练基础模型，再利用有限的病理数据进行微调。这为助听器、辅助沟通设备等产品的开发提供了重要参考。
6. 主要局限性：1）病理语音与健康语音之间的性能差距依然持续存在，表明当前方法未完全解决领域内差异；2）个性化微调因数据过少而效果不佳；3）研究仅使用了帕金森病这一种病理类型，结论的普适性有待验证；4）缺乏主观听力测试的验证。

63. Mambaformer: State-Space Augmented Self-Attention with Downup Sampling for Monaural Speech Enhancement

✅ 7.0/10 | 前25% | #语音增强 | #状态空间模型 | #Transformer #双路径模型

👥 作者与机构

• 第一作者：未说明
• 通讯作者：未说明
• 作者列表：Shengkui Zhao, Haoxu Wang, Zexu Pan, Yiheng Jiang, Biao Tian, Bin Ma, Xiangang Li (阿里巴巴通义实验室，新加坡)

💡 毒舌点评

这篇论文在工程集成上确实下足了功夫，将Mamba、Conformer、ZipFormer等多种组件巧妙地缝合在一个双路径框架里，最终在标准测试集上刷新了指标。然而，其核心创新更偏向于“有效的组合技”而非“范式革新”，更像是对现有技术模块进行了一次成功的超参调优和工程排列组合，略显缺乏令人眼前一亮的原创思想火花。

📌 核心摘要

这篇论文要解决的是单通道语音增强任务中，如何更有效地结合Transformer的全局建模能力和状态空间模型（SSM）的高效序列处理能力的问题。 方法核心是提出了MambaFormer模型，它在一个双路径（时间-频率）框架内，将Mamba模块嵌入到Transformer的自注意力机制中，并辅以Conformer卷积和对称的降采样/上采样结构。 与已有方法相比，新在三个方面：1）首次在SE任务中将Mamba与自注意力深度融合，而非简单堆叠；2）设计了双层自注意力结构并共享注意力权重以提升效率；3）采用了可学习的下采样/上采样模块来平衡计算效率与表征保真度。 主要实验结果：在VoiceBank+DEMAND测试集上，其MambaFormer (M)模型取得了3.69的PESQ得分；在DNS Challenge 2020测试集上取得了3.82的PESQ得分，均报告为新的最先进水平。关键对比数据见下表：

实际意义在于验证了SSM与Transformer协同工作的有效性，为语音增强模型设计提供了新的模块化组合思路。主要局限性在于：1）创新更多是组合与适配，原创性有限；2）论文未提供代码和模型权重，复现性未验证；3）虽然提出了新的SOTA，但与基线的绝对提升幅度并不巨大。

64. Auditory-Inspired Transformer for Binaural Speech Enhancement and Spatial Cue Preservation

✅ 7.0/10 | 前25% | #语音增强 | #端到端 | #空间音频 #多通道

👥 作者与机构

• 第一作者：Sirawitch Laichatkul（朱拉隆功大学计算机工程系）
• 通讯作者：未说明
• 作者列表：Sirawitch Laichatkul（朱拉隆功大学计算机工程系）、Waradon Phokhinanan（巴黎高等师范学校感知系统实验室）、Thanapat Trachu（朱拉隆功大学计算机工程系）、Ekapol Chuangsuwanich（朱拉隆功大学计算机工程系）

💡 毒舌点评

这篇论文最大的亮点在于将听觉皮层的频率选择性（tonotopy）和自上而下注意力这一神经科学概念，成功地转化为了一个有效的计算模块（修改的ViT编码器和频率受限注意力掩码），为解决双耳增强中的空间线索失真问题提供了一个新颖且合理的切入点。但短板同样明显：模型对最具挑战性的相位线索（IPD）保持效果提升有限（∆IPD仅从1.12/1.13微降至1.09），实验仅基于合成数据，其在真实复杂声学环境下的表现和泛化能力有待验证，且缺乏开源代码，让这份“灵感”稍显难以触摸。

📌 核心摘要

1. 问题：双耳语音增强不仅要在频谱上抑制噪声，更关键的是要保持双耳线索（如耳间时间差ITD和耳间强度差ILD），否则会破坏空间听觉，影响助听器和增强现实等应用效果。现有方法在这一挑战上表现不足。
2. 方法：提出了BinauralViT，一个受听觉神经科学启发的Transformer架构。其核心是引入两个听觉启发层：一个能实现“自上而下”注意力的频率选择性表示层（通过修改ViT编码器和添加频率注意力掩码实现），以及一个用于捕捉时序连贯性的语音处理层。
3. 创新：与已有方法相比，新在：1）受皮层频率拓扑组织启发，设计了允许同一时间帧内频率间注意力但限制跨帧注意力的机制；2）提出了一种双层Transformer结构，第一层进行特征选择与融合，第二层建模时序依赖以保持空间线索。
4. 结果：在合成的非平稳噪声数据集上，BinauralViT在PESQ（2.78 vs 2.54/2.30）、SI-SNR（17.43 vs 16.92/15.30）上优于BiTasNet和BCCTN基线，并在ILD保持（∆ILD 4.20 vs 6.03/5.85）上显著提升，IPD保持（∆IPD 1.09 vs 1.13/1.12）略有改善。MBSTOI（~0.98）在所有模型中已接近饱和。消融实验验证了修改ViT编码器、第二层编码器及IPD/ILD特征的必要性。
5. 意义：为双耳语音处理提供了一种新的、受生物启发的模型设计思路，证明了模拟听觉机制对提升空间线索保持能力的有效性，对助听技术发展有积极参考价值。
6. 局限：实验在模拟数据上进行，可能无法完全反映真实场景的复杂性；对IPD的提升幅度有限；模型计算复杂度和实时性未作讨论。

65. A State-Dependent Markov Diffusion Process for Generative Speech Enhancement

✅ 6.5/10 | 前25% | #语音增强 | #扩散模型 | #图注意力 #混合损失

👥 作者与机构

• 第一作者：Yasir Iqbal（天津大学电气与信息工程学院）
• 通讯作者：Yanzhang Geng（天津大学电气与信息工程学院）
• 作者列表：Yasir Iqbal（天津大学电气与信息工程学院）、Tao Zhang（天津大学电气与信息工程学院）、Anjum Iqbal（大连理工大学软件学院）、Xin Zhao（天津大学电气与信息工程学院）、Yanzhang Geng†（天津大学电气与信息工程学院）

💡 毒舌点评

亮点在于将“状态依赖”的自适应理念引入扩散模型的前向过程，并设计了一套兼顾多目标（时域、频域、感知指标）的混合损失，实验结果在多个指标上确实超越了近期强基线。短板在于，核心创新更像是精巧的“模块拼装”（自适应SDE + GUGA网络 + 混合损失），对于“为何这些组合有效”背后的机理探讨略显不足，且54M参数的模型在实时性上相比轻量模型（如SEMamba）并无优势。

📌 核心摘要

这篇论文旨在解决传统扩散模型因使用固定噪声调度而难以适应现实世界动态非平稳噪声的问题。其核心是提出一种状态依赖的马尔可夫扩散过程（SDMDP），该过程的扩散转移率可根据当前含噪状态与目标观测之间的偏差进行动态调整。与之配套的，是名为门控U-Net与图注意力（GUGA）的骨干网络架构，以及结合时域、频域和感知指标（PESQ, STOI）的混合损失函数。实验在VB-DMD数据集上进行，结果显示，采用数据预测范式的“SDMDP (Predict)”方法取得了当前最佳性能，其PESQ、SI-SDR和POLQA分别达到3.84、20.1 dB和4.34，显著优于包括SGMSE+、M8在内的多个竞争基线。该方法的实际意义在于提升了生成式语音增强在复杂噪声下的语音质量和可懂度。其主要局限性在于计算开销较高，论文也承认了加速推理以用于实时应用是未来工作的重点。

66. Confidence-Based Filtering for Speech Dataset Curation with Generative Speech Enhancement Using Discrete Tokens

✅ 6.5/10 | 前50% | #语音增强 | #生成模型 | #数据集 #语音合成

👥 作者与机构

• 第一作者：Kazuki Yamauchi (CyberAgent, 日本；东京大学，日本)
• 通讯作者：未明确说明（论文中未提供通讯作者标识，通常通讯作者会标注星号或邮箱特殊，此处无法判断）
• 作者列表：Kazuki Yamauchi（CyberAgent，东京大学）、Masato Murata（CyberAgent）、Shogo Seki（CyberAgent）

💡 毒舌点评

亮点：论文精准地抓住了生成式语音增强（GSE）模型一个非常具体但关键的工程痛点——“听起来干净但内容错误的幻觉”，并提出了一个简洁、即插即用且无需干净参考的解决方案（模型自身置信度），实验验证了该方案在提升下游TTS任务性能上的实际效用。 短板：创新本质上是对语言模型困惑度概念的直接迁移，缺乏理论层面的深入剖析；且实验完全依赖于单个骨干模型（Genhancer）和单个任务（TTS数据策划），方法的普适性和泛化能力存疑。

📌 核心摘要

1. 要解决的问题：生成式语音增强（GSE）模型在清理嘈杂语音数据集时，可能产生“幻觉错误”（如音素遗漏、说话人不一致）。传统的非侵入式语音质量评估指标（如DNSMOS）难以检测此类错误，而可检测的侵入式指标又因需要干净参考而在实际野外数据集策划中不可用。
2. 方法核心：提出一种非侵入式过滤方法，利用基于离散token的GSE模型（如Genhancer）生成过程中，第一层量化器token的对数概率平均值作为置信度分数，来量化模型对生成结果的“确定性”。低置信度样本被视为可能包含幻觉错误而被过滤。
3. 新意所在：将生成模型的内部置信度（类似于语言模型的困惑度）作为数据质量评估的信号，专门用于检测和过滤GSE模型特有的幻觉错误。与常规使用外部模型（如Whisper）或基于输出音频特征（如DNSMOS）的过滤方法不同，这是模型对自身输出的“自评估”。
4. 主要实验结果：
   • 指标相关性：在EARS-WHAM数据集上，提出的置信度分数与多种侵入式SE指标（如PESQ, SpeechBERTScore, LPS）的Spearman相关系数（SRCC）高达0.788-0.892（见下表），显著优于UTMOS、DNSMOS等常规非侵入指标。
   • 过滤效果：在相同数据保留率下，使用置信度过滤在所有侵入式指标上均优于单指标或双指标基线过滤方法。
   • 下游任务提升：在TITW-hard野外数据集上，使用置信度过滤后的数据训练TTS模型（Matcha-TTS），其合成语音的UTMOS（3.80）和DNSMOS（3.17）评分以及WER（18.14%） 均优于使用未过滤数据的基线（见下表）。
5. 实际意义：为利用GSE模型策划高质量TTS训练数据提供了一种有效、易用的质量控制手段，能够显著提升下游TTS模型的性能，具有明确的工程应用价值。
6. 主要局限性：方法局限于基于离散token的GSE模型；阈值选择需实验确定（存在质量与数据量的权衡）；核心创新思想相对直接，未提供理论解释为何置信度与幻觉错误相关。

表1：提出的置信度分数与其他非侵入指标与侵入指标的SRCC（摘要自论文表1，关键行）

表2：在TITW-hard数据集上训练的TTS模型评估结果（摘要自论文表2）

（图3：一个GSE幻觉错误示例。右侧增强后的语谱图和转录（“now you can so didn’t harm”）与左侧原始干净语音（“how you can play guitar”）在语义上严重不符，但UTMOS评分却很高（4.01），而提出的置信度分数（-1.45）和LPS（0.030）则很低，能有效识别此类错误。）

（图4：不同过滤方法在数据保留率（X轴）与平均侵入指标分数（Y轴）关系上的对比。在相同保留率下，Genhancer confidence（红色实线）在所有指标上均领先于其他非侵入指标过滤方法。）

67. Sampling-Rate-Agnostic Speech Super-Resolution Based on Gaussian Process Dynamical Systems with Deep Kernel Learning

✅ 6.5/10 | 前25% | #语音增强 | #高斯过程 | #深度核学习 #鲁棒性

👥 作者与机构

• 第一作者：Aditya Arie Nugraha（RIKEN Center for Advanced Intelligence Project (AIP)，日本）
• 通讯作者：未说明
• 作者列表：Aditya Arie Nugraha（RIKEN AIP，日本）、Diego Di Carlo（RIKEN AIP，日本）、Yoshiaki Bando（RIKEN AIP，日本）、Mathieu Fontaine（LTCI, T’el’ecom Paris, Institut Polytechnique de Paris，法国；RIKEN AIP，日本）、Kazuyoshi Yoshii（京都大学工学研究科，日本；RIKEN AIP，日本）

💡 毒舌点评

亮点：论文将语音超分辨率问题巧妙地重新定义为基于连续时间随机过程的统计逆问题，提出的GPDS-SR框架在理论上非常优雅，并首次实现了真正的采样率无关性（可输出如13931Hz、19391Hz等非标准采样率）和对缺失样本的鲁棒性。短板：然而，这种理论上的优雅并未完全转化为感知质量上的优势，在核心指标ViSQOL和LSD-LF上，GPDS-SR明显落后于NU-Wave 2和UDM+等扩散/变分模型，且频谱图显示其生成结果存在明显伪影，这削弱了其“更具数学严谨性”方法的实际竞争力。

📌 核心摘要

1. 要解决什么问题：传统的基于深度神经网络的语音超分辨率（SR）方法通常受限于固定的输入或输出采样率，无法处理任意、不规则的采样情况。本文旨在提出一种采样率无关的语音SR方法。
2. 方法核心是什么：提出了一种基于高斯过程动力学系统（GPDS）和深度核学习（DKL）的方法（GPDS-SR）。该方法将语音信号视为连续时间域上的随机过程，假设观测到的低采样率语音是某个连续语音信号在离散时间点的采样。通过GPDS建立生成模型，并利用变分推理和神经网络参数化的核函数来近似连续潜在信号的后验分布，从而可以在任意更细的时间网格上预测高采样率语音。
3. 与已有方法相比新在哪里：与大多将SR视为离散信号到离散信号映射的DNN方法不同，本文从概率建模角度，将SR视为基于连续随机过程的曲线拟合问题。GPDS-SR能支持任意输入采样率和任意更高的输出采样率（包括非整数倍率），并能处理缺失或不规则样本，这是大多数现有方法不具备的。
4. 主要实验结果如何：在VCTK数据集上，以4kHz输入为例，在16kHz标准目标下，GPDS-SR的LSD-HF（高频估计）与扩散模型基线UDM+接近，但ViSQOL（感知质量）和LSD-LF（低频保真）明显较差（例如，4kHz输入到16kHz输出：GPDS-SR ViSQOL ≈ 3.34，UDM+ ≈ 3.8；LSD-LF：GPDS-SR ≈ 0.41，UDM+ ≈ 0.1）。对于19391Hz等非标准输出率，GPDS-SR能生成高于输入奈奎斯特频率的谐波，而基线模型则无法做到。对缺失样本的鲁棒性测试显示，即使随机丢弃10%的样本，高频估计指标（LSD-HF）仅轻微变化。
5. 实际意义是什么：该方法为语音处理提供了一种统一的连续时间建模框架，在处理采样率不匹配、数据缺失或不规则采样的实际场景（如老旧录音、网络丢包）中具有潜在应用价值。
6. 主要局限性是什么：模型在低频保真度和整体感知质量上显著逊于当前基于扩散模型的SOTA方法，频谱图中存在伪影。其计算复杂度较高，需要分段处理以降低矩阵运算开销。

68. Low-Frequency Harmonic Control for Speech Intelligibility in Open-Ear Headphones

✅ 6.5/10 | 前50% | #语音增强 | #信号处理 | #鲁棒性 #实时处理

👥 作者与机构

• 第一作者：Yuki Watanabe（NTT Inc., Tokyo, Japan）（基于作者列表顺序判断，论文未明确标注）
• 通讯作者：未说明
• 作者列表：Yuki Watanabe（NTT Inc., Tokyo, Japan）、Hironobu Chiba（NTT Inc., Tokyo, Japan）、Yutaka Kamamoto（NTT Inc., Tokyo, Japan）、Tatsuya Kako（NTT Inc., Tokyo, Japan）

💡 毒舌点评

亮点：巧妙地利用了语音基频与谐波之间的能量关系，通过“抑制基频、增强谐波”这种反直觉的方式，在特定硬件限制（小扬声器低频弱）和环境掩蔽（低频噪声强）下找到了一个提升可懂度的“巧劲儿”，想法很有针对性。 短板：实验部分过于“迷你”——仅用8位听众和6个语音样本就得出“显著提高”的结论，说服力不足，且完全没有与经典的语音增强算法（如谱减法、维纳滤波）进行对比，让人无法判断其在现有技术体系中的真实位置。

📌 核心摘要

1. 解决的问题：开放式耳机因采用小型扬声器单元导致低频输出不足，在嘈杂环境中（尤其是存在大量低频成分的环境噪声时），语音的低频部分容易被掩蔽，导致可懂度下降。
2. 方法核心：提出一种名为“低频谐波控制（LFHC）”的低复杂度后处理方法。核心是通过一个延迟为基频周期2.5倍（τ=τ₀/2.5）的FIR梳状滤波器来抑制语音的基频（F0），并同时增强其第二和第三谐波，然后将处理后的信号通过一个截止频率为5倍基频的低通滤波器，最后与原信号相加。
3. 创新之处：与传统强调基频的音高增强不同，本方法反其道而行之，专注于将能量从易被掩蔽的基频重新分配到不易被掩蔽且耳机仍能有效重现的第二、三谐波频带。该方法计算复杂度低，适合在开放式耳机的DSP芯片上实时运行。
4. 主要实验结果：在棕色噪声（69 dB SPL）环境下，使用类似MUSHRA的主观评估（但标准为可懂度）。当加权因子α=0.6时，处理后语音的可懂度得分（相对于未处理同音量语音）在6个测试语音样本中的3个上获得了显著提升，对另外3个无显著降低；当α=0.9时，过度处理导致2个样本的可懂度显著下降。散点图显示，处理前第二、三谐波能量相对基频较高的语音，处理收益较小（相关系数-0.93）。详细数据见下表：

图5（论文中图片4）展示了不同条件下语音可懂度得分的均值及95%置信区间。与未处理的OR-3相比，LFHC-3(0.6)对多数样本有正向提升或无影响，而LFHC-3(0.9)则对部分样本产生负面影响。

图6（论文中图片5）显示了测试语音样本的（第二谐波能量/F0能量 + 第三谐波能量/F0能量）/2 与使用LFHC-3(0.6)处理后的可懂度得分呈强负相关（-0.93），表明原始谐波结构较弱的语音受益更大。

5. 实际意义：为开放式耳机在噪声环境下的语音通话或播客收听场景提供了一种无需增加音量、计算成本极低的可懂度增强方案，有助于改善用户体验。
6. 主要局限性：实验规模非常有限（仅6个测试语音，8位听众），结论的普遍性存疑；缺乏与现有标准语音增强算法的对比，无法确立其技术优势；未探讨该方法对不同语言、不同噪声类型的泛化性能；方法高度依赖准确的基频估计，论文未讨论估计误差的影响及鲁棒性。

69. What the student learns in knowledge distillation: A subspace view and evidence on Convolutional Recurrent Network

✅ 6.5/10 | 前50% | #语音增强 | #知识蒸馏 | #模型压缩 #子空间学习

👥 作者与机构

• 第一作者：Bo Jin（清华大学电子工程系）
• 通讯作者：Dongmei Li（清华大学电子工程系）
• 作者列表：Bo Jin（清华大学电子工程系），Timin Li（清华大学电子工程系），Guhan Chen（清华大学统计与数据科学系），Dongmei Li（清华大学电子工程系）

💡 毒舌点评

论文的理论推导部分将卷积层线性化并建立统一的子空间损失形式，确实为理解知识蒸馏提供了一个优雅的数学视角，这是其核心亮点。但遗憾的是，所有实验都局限于DCCRN这一特定模型在语音增强任务上的表现，缺乏在其他经典架构（如ResNet、Transformer）或任务（如图像分类）上的跨域验证，大大削弱了其“统一视角”宣称的说服力。

📌 核心摘要

这篇论文旨在从统一的子空间视角解释知识蒸馏的工作原理。其核心方法是将卷积神经网络局部线性化，证明在该表示下，一大类知识蒸馏损失可统一为投影残差目标，进而等价于一个迹最大化问题，即学生的有限容量被引导去对齐教师模型的主能量子空间。与已有研究相比，该工作提出了一种更形式化、更统一的解释框架，并能够解释在语音增强实验中观察到的三个稳健现象：1) 多阶段蒸馏优于单阶段蒸馏；2) 多层特征蒸馏通常优于等层匹配蒸馏；3) 样本级别的教师-学生一致性会涌现。实验在DNS Challenge数据集上使用DCCRN模型进行，结果显示，相比无蒸馏基线，所测试的知识蒸馏方法均能提升学生模型性能（例如，1/16学生模型在CLSKD方法下STOI达到0.886，WB-PESQ达到2.732）。该论文的实际意义在于为知识蒸馏的机制提供了新的理论解释，并可指导蒸馏策略的设计。主要局限性是理论验证仅在单一架构（DCCRN）和单一任务（语音增强）上进行，普适性有待进一步检验。

表1: 非混响测试集上蒸馏与非蒸馏模型的客观语音指标对比

表2: 两个样本在DNSMOS P.835上的表现（分数越高越好）

70. MeanSE: Efficient Generative Speech Enhancement with Mean Flows

✅ 6.5/10 | 前25% | #语音增强 | #流匹配 | #生成模型 #实时处理

👥 作者与机构

• 第一作者：Jiahe Wang（上海交通大学 计算机科学与学院 听觉认知与计算声学实验室，教育部人工智能重点实验室）
• 通讯作者：Chenda Li，Yanmin Qian（标注为†，根据论文署名规则推断）
• 作者列表：Jiahe Wang¹， Hongyu Wang¹， Wei Wang¹， Lei Yang³， Chenda Li¹,⁴†， Wangyou Zhang²,⁴， Lufen Tan³， Yanmin Qian¹,⁴†
  1. 上海交通大学 计算机科学与学院 听觉认知与计算声学实验室，教育部人工智能重点实验室
  2. 上海交通大学 人工智能学院
  3. 三星电子中国研究院-北京
  4. VUI Labs

💡 毒舌点评

本文的亮点在于将生成模型领域的“平均流”概念巧妙地“移植”到语音增强，并通过精心设计的训练策略（时间区间课程学习、流场混合）解决了训练不稳定问题，最终在极低计算量下实现了稳定的性能提升。但短板在于，其核心贡献是已有方法的应用与适配，理论上的突破性有限；此外，论文在展示1-NFE优势时，与基线的对比在域内任务上虽显著但差距未形成量级碾压，且最佳性能仍需2-5 NFE才能达到，其“效率”的边界有待更严苛场景（如极低延迟、边缘设备）的验证。

📌 核心摘要

1. 要解决的问题：基于流匹配的生成式语音增强模型需要多次函数评估（NFE）才能获得稳定高质量的结果，导致计算开销大，且在单次评估（1-NFE）时性能严重下降，不利于实时等计算受限的应用场景。

2. 方法核心：提出MeanSE，采用平均流（Mean Flows） 替代传统的瞬时流（Instantaneous Flow） 进行建模。即模型学习预测从起始时间步到结束时间步整个区间内的平均速度场，而非某一瞬时的速度。

3. 与已有方法相比新在哪里：与标准流匹配模型（如FlowSE）相比，MeanSE的核心区别在于训练目标不同（从估计瞬时速度 vθ 变为估计平均速度 uθ）。这使得在推理时，理论上仅需一次网络前向传播（1-NFE）即可预测整个生成过程所需的总位移，从而大幅降低计算量。

4. 主要实验结果：

   • 域内测试（VoiceBank-DEMAND）：在1-NFE设置下，MeanSE在几乎所有指标上显著优于FlowSE基线。例如，PESQ从1.843提升至2.090，ESTOI从0.761提升至0.800。在2和5-NFE下，两者性能相当。
   • 域外泛化测试（WHAMR!）：MeanSE展现出优越的泛化能力。尤其在1-NFE时，FlowSE几乎失效（DNSMOS 1.785），而MeanSE仍能有效工作（DNSMOS 2.148），提升显著。
   • 关键消融实验：流场混合比率（Flow Ratio）影响训练稳定性，比率过低（如0.0）导致训练难以收敛，比率0.75为最佳。

   模型	NFE	SIG	BAK	OVRL	UTMOS	WVMOS	NISQA	PESQ	ESTOI
   域内性能对比 (VoiceBank-DEMAND)
   FlowSE	5	3.327	3.879	2.992	3.596	3.954	3.402	2.347	0.804
   FlowSE	1	3.336	3.177	2.685	3.317	3.375	3.420	1.843	0.761
   MeanSE	5	3.332	3.874	2.997	3.567	3.898	3.282	2.347	0.819
   MeanSE	1	3.317	3.528	2.841	3.483	3.644	3.552	2.090	0.800
   域外泛化性能对比 (WHAMR!)		DNSMOS			UTMOS	WVMOS	NISQA
   FlowSE	1	1.785			1.522	0.922	2.012
   MeanSE	1	2.148			1.924	2.012	2.523

5. 实际意义：使高质量的生成式语音增强模型能够以更低的计算成本（尤其是1-NFE）运行，为其在实时通信、助听设备等资源受限场景中的实际部署铺平了道路，同时增强了模型的泛化能力。

6. 主要局限性：创新主要是方法应用层面的，理论贡献有限；最佳性能（如表1中多项指标）在NFE=2或5时取得，1-NFE虽相对基线提升巨大，但绝对性能仍有优化空间；论文未与其他非流匹配的SOTA生成模型进行广泛对比。

71. On The Design of Efficient Neural Methods for Geometry-Agnostic Multichannel Speech Enhancement

✅ 6.5/10 | 前50% | #语音增强 | #波束成形 | #麦克风阵列 #实时处理

👥 作者与机构

• 第一作者：Dongzhe Zhang（意大利米兰理工大学 Dipartimento di Elettronica, Informazione e Bioingegneria）
• 通讯作者：未说明
• 作者列表：Dongzhe Zhang（意大利米兰理工大学）、Jianfeng Chen（中国西北工业大学 海洋科学与技术学院）、Mou Wang（中国科学院 声学研究所）、Alessandro Ilic Mezza（意大利米兰理工大学）、Alberto Bernardini（意大利米兰理工大学）

💡 毒舌点评

亮点： 论文最大的价值在于为基于空间滤波器组（SFB）的几何无关语音增强系统，从理论上解决了“滤波器通道数I该设为多少”这个一直靠拍脑袋决定的关键超参数问题，并提出了简洁有效的计算准则，这对工程实践有切实指导意义。 短板： 创新性有限，主要贡献在于对已有框架（SFB）的参数优化和后端网络的“降级”替换（用LSTM替代Attention），属于系统效率优化范畴，而非提出新的信号处理原理或学习范式。此外，论文未开源代码、模型和完整训练细节，大大削弱了其可复现性和实际影响力。

📌 核心摘要

1. 问题： 当前深度学习驱动的多通道语音增强方法严重依赖于特定的麦克风阵列几何结构，导致硬件泛化能力差。虽然几何无关方法（如SFB）出现，但其核心参数——SFB的通道数I——一直依赖经验选择，往往设置过高，导致特征冗余和计算开销巨大。
2. 方法核心： 本文提出了一个理论框架来确定任意波束方向图下的最优SFB通道数I，该框架基于确保空间无缝覆盖并最小化信息冗余的原则（公式6）。同时，作者将基线模型（SFB-TSCBM）中计算量大的多头自注意力（MHSA）层替换为更高效的LSTM网络，构建了新的SFB-LSTM架构。
3. 新意： 新意在于两点：一是为SFB通道数设计提供了有理论依据的通用启发式原则（见表1）；二是证明了在优化前端通道数后，一个相对简单的LSTM后端就能达到甚至超越复杂注意力模型的性能，同时计算量显著降低。
4. 主要实验结果： 实验在随机生成的阵列几何、房间声学和噪声条件下进行。核心结果见下表：

   模型	参数量(M)	GFLOPS	二阶超心形PESQ	一阶超心形PESQ
   SFB-TSCBM (I=9)	0.50	21.99	2.03	1.97
   SFB-TSCBM (I=3)	0.50	21.94	2.06	1.99
   SFB-LSTM (I=9)	0.48	16.48	2.09	2.01
   SFB-LSTM (I=3)	0.48	16.36	2.08	2.01
   固定波束成形（需DOA）	–	–	1.87	1.80
   未处理（含噪）	–	–	1.62	1.62
   关键结论： SFB-LSTM (I=3) 在几乎所有指标上都略优于或持平于SFB-TSCBM (I=9)，同时GFLOPS降低了约25.4%。将I从9降至3对性能几乎无损，验证了理论预测。

5. 实际意义： 为在资源受限设备（如助听器、智能音箱）上部署高性能、适配任意阵列的语音增强模型提供了更清晰的设计路径，降低了算法与硬件的耦合度。
6. 主要局限性： 论文没有公开代码、模型权重和完整的训练配置，复现难度较大。所提方法属于系统级优化，其核心理论贡献（公式6）的普适性和在更复杂场景（如强混响、高相关噪声）下的鲁棒性有待更多验证。

72. Position-Invariant Fine-Tuning Of Speech Enhancement Models With Self-Supervised Speech Representations

✅ 6.5/10 | 前50% | #语音增强 | #自监督学习 | #鲁棒性 #语音识别

👥 作者与机构

• 第一作者：Amit Meghanani（谢菲尔德大学计算机学院语音与听力研究组）
• 通讯作者：Thomas Hain（谢菲尔德大学计算机学院语音与听力研究组）
• 作者列表：Amit Meghanani（谢菲尔德大学计算机学院语音与听力研究组）、Thomas Hain（谢菲尔德大学计算机学院语音与听力研究组）

💡 毒舌点评

亮点：精准识别了SSL-MSE微调中“位置坍缩”这一具体痛点，并巧妙地将已知的零填充方法迁移至微调场景进行验证，同时创新性地提出用Soft-DTW损失进行时间对齐，思路清晰且实用。 短板：实验说服力略显不足——改进幅度微乎其微（例如ASR的WER在户外噪声下仅从9.19降至9.06），且只用了最基础的HuBERT-BASE和单一SE模型进行验证，未能证明该方法在更强大的SSL模型（如WavLM）或更复杂噪声环境下的普适性，使得贡献显得“有用但非关键”。

📌 核心摘要

本文研究了利用自监督学习（SSL）模型（如HuBERT）的表征来微调语音增强（SE）前端时，所使用的均方误差（MSE）损失函数会不当地依赖模型的绝对位置嵌入，而非内容信息，从而损害泛化能力。为解决此问题，文章提出了两种策略：1）SSL-MSE-PAD，借鉴SPIRAL工作，在微调时对干净语音添加随机零填充以破坏位置对齐；2）SSL-SoftDTW，对干净语音进行速度扰动，并使用可微分的动态时间规整（soft-DTW）损失进行内容对齐。实验在噪声增强的LibriSpeech数据集上，以HuBERT和master64 SE模型为基础进行。结果表明，SSL-SoftDTW方法在下游语音识别（ASR）和音素识别（PR）任务上，尤其是在未见过的噪声条件下，性能略优于基线SSL-MSE（例如，ASR的WER在户外噪声下从9.19降至9.06），且收敛速度显著更快（约60k步 vs. 200k步）。SSL-MSE-PAD仅有微弱改进。该研究的实际意义在于提供了一种轻量级的微调优化思路，无需修改昂贵的SSL预训练过程。主要局限在于改进幅度有限，且实验场景和模型选择较为单一，未验证在更复杂条件下的有效性。

73. Stereophonic Acoustic Echo Cancellation Using an Improved Affine Projection Algorithm with Adaptive Multiple Sub-Filters

✅ 6.0/10 | 前50% | #语音增强 | #自适应滤波 | #实时处理 #声学回声消除

👥 作者与机构

• 第一作者：Gagandeep Singh (印度Dr B R Ambedkar国立技术学院电子与通信工程系)
• 通讯作者：未说明
• 作者列表：Gagandeep Singh (印度Dr B R Ambedkar国立技术学院电子与通信工程系)、Asutosh Kar (英国伯明翰城市大学建筑、建成环境、计算与工程学院)、Rohit Singh (印度Dr B R Ambedkar国立技术学院电子与通信工程系)、Vasundhara (印度国立技术学院瓦朗加尔分校电子与通信工程系)、Jesper R. Jensen (丹麦奥尔堡大学音频分析实验室)、M.G. Christensen (丹麦奥尔堡大学音频分析实验室)

💡 毒舌点评

本文系统性地将多子滤波器（MSF）结构、基于递推均方偏差的可变步长机制以及能量方差跟踪重置策略相结合，为解决立体声回声消除中信号高相关性与非圆性难题提供了一个工程上完整且有效的方案，在特定条件下提升了收敛速度和追踪能力。但其创新点更像是“乐高积木”式的组合，缺乏底层理论突破，且完全忽略了双讲（double-talk）和非线性失真这两个实际场景中的核心挑战，限制了其在复杂真实环境中的适用性。

📌 核心摘要

1. 问题：立体声声学回声消除（SAEC）因左右声道输入信号高度相关且具有非圆性，导致传统自适应算法收敛慢、稳态性能差。
2. 方法核心：提出一种基于多子滤波器（MSF）的可变步长改进仿射投影算法（VSS-CAPA）。通过将左右声道信号组合为复数信号输入，并利用多个子滤波器并行处理。核心创新在于：a) 设计了一种基于递推均方偏差（MSD）分析的动态步长调整策略（公式16-19）；b) 引入能量方差跟踪指标（公式20-21），在回声路径突变时重置步长以加速重收敛。
3. 创新性：与已有方法（如VSS-APA、EOAPA、VSS-CLMS）相比，本文系统性地结合了MSF结构与复数APA，并提出了具体的、基于MSD分析的变步长调整规则和突变检测重置机制。
4. 实验结果：在合成信号和真实语音实验中，所提方法在0-35 dB SNR范围内的ERLE（回声回损增强）均优于基线方法。例如，在SNR=35 dB时，所提βMSF VSS-CAPA在真实语音上的ERLE达到24.3 dB，比单滤波器SLF VSS-CAPA（21.7 dB）和βMSF VSS-CLMS（20.9 dB）分别高出2.6 dB和3.4 dB。在动态回声路径突变测试中，该方法表现出更快的重新收敛速度（图5）。
5. 实际意义：该算法旨在提升实时通信系统（如电话会议）中的回声消除效果和用户体验，尤其适用于回声路径可能动态变化的环境。
6. 主要局限性：论文未考虑双讲（near-end speech存在时）和非线性扬声器失真情况，这两者是实际SAEC系统中必须处理的复杂场景。此外，计算复杂度随子滤波器数量s线性增加（表2）。

74. Towards Real-Time Generative Speech Restoration with Flow-Matching

✅ 6.0/10 | 前50% | #语音增强 | #流匹配 | #实时处理 #模型比较

👥 作者与机构

• 第一作者：Tsun-An Hsieh（University of Illinois Urbana-Champaign）
• 通讯作者：未说明
• 作者列表：Tsun-An Hsieh（University of Illinois Urbana-Champaign）， Sebastian Braun（Microsoft Research）

💡 毒舌点评

这篇论文首次将流匹配应用于实时语音恢复并实现了20ms的极低算法延迟，工程目标明确；然而，其核心结论“流匹配在实时约束下性能未超越GAN”多少有些令人失望，削弱了创新价值，且训练细节的缺失让“探索”的结论难以被他人验证。

📌 核心摘要

1. 要解决什么问题：现有生成式语音增强/恢复模型（如基于扩散的）通常需要大量推理步骤，导致高延迟，无法满足实时通信应用（<100ms延迟）的需求。
2. 方法核心是什么：采用基于条件流匹配（Conditional Flow-Matching, FM）的生成框架，并设计了仅使用因果卷积且在时间维度不下采样的网络架构（Causal NCSN++），将算法延迟降至20ms。同时，探索了更轻量的ConvGLU-UNet架构。
3. 与已有方法相比新在哪里：首次针对实时语音恢复场景设计了低延迟的因果FM模型。与之前依赖时间下采样的因果扩散模型相比，大幅降低了延迟。研究并量化了模型复杂度（从53M到6M参数）与采样步数（NFE）对实时恢复性能的影响。
4. 主要实验结果如何：在DNS和SIG2024测试集上，因果NCSN++在NFE=5时达到最佳感知质量（DistillMOS），而非因果版本在NFE=10时最优。关键发现是：轻量模型（如ConvGLU-UNet-base）对长采样轨迹敏感，步骤增多性能反而下降。在相同架构下，FM训练的ConvGLU-UNet在BGMOS（噪声抑制）和WER（字错率）上弱于用对抗损失训练的GAN版本。具体图表结果见下文实验结果部分。
5. 实际意义是什么：为将高效的生成模型（如FM）应用于实时语音处理提供了初步的架构设计和性能基准，明确了在低延迟约束下FM模型的优势与局限。
6. 主要局限性：在严格的实时约束和相同模型复杂度下，FM并未展现出优于成熟对抗训练方法的性能。论文的训练超参数、优化器等关键复现信息缺失，结论的普适性有待验证。

75. Is Phase Really Needed for Weakly-Supervised Dereverberation?

✅ 6.0/10 | 前50% | #语音增强 | #自监督学习 | #弱监督学习 #信号处理

👥 作者与机构

• 第一作者：Marius Rodrigues（LTCI, Télécom Paris, Institut Polytechnique de Paris）
• 通讯作者：未说明
• 作者列表：Marius Rodrigues（LTCI, Télécom Paris, Institut Polytechnique de Paris）、Louis Bahrman（LTCI, Télécom Paris, Institut Polytechnique de Paris）、Roland Badeau（LTCI, Télécom Paris, Institut Polytechnique de Paris）、Gaël Richard（LTCI, Télécom Paris, Institut Polytechnique de Paris）

💡 毒舌点评

论文核心的物理洞见（混响相位近似均匀噪声）非常漂亮且具有启发性，为弱监督语音处理提供了坚实的理论依据。然而，实验部分却显得有些“雷声大雨点小”，仅在一个特定的弱监督框架内用简单的损失修改进行验证，缺乏与当前最强基线（例如全监督的TF-GridNet或更复杂的弱监督方法）的横向对比，使得结论的普适性和影响力打了折扣。

📌 核心摘要

1. 要解决什么问题？ 在弱监督或无监督语音去混响任务中，由于无法获得干净的（干）语音参考信号，模型训练极具挑战。其中一个关键问题是：受混响污染的（湿）语音信号中的相位信息，对模型学习到底有多大价值？

2. 方法核心是什么？ 作者基于统计波场理论进行理论推导，证明晚期混响会在时频域对相位施加近似均匀分布的白噪声扰动（除极低频外）。因此，湿信号的相位本质上不包含恢复干信号所需的有用信息，应被视为噪声。据此，他们提出在弱监督训练中，损失函数应直接忽略混响信号的相位信息。

3. 与已有方法相比新在哪里？ 已有的全监督语音增强方法通常将相位纳入训练目标，而弱监督方法则往往简单地复用或试图修复损坏的相位。本文的创新在于从物理学原理上系统论证了在弱监督场景下“忽略相位”的合理性和优越性，而非将其视为一个工程上的取舍。

4. 主要实验结果如何？ 在EARS-Reverb数据集上的实验表明，在弱监督框架下，无论模型本身是否设计为估计相位（FSN vs. PI-FSN），在损失函数中丢弃相位信息（f3或f4配置）均能获得最佳性能。具体地，使用log(1+|z|)损失并忽略相位的配置（f4）在SRMR（去混响指标）和WB-PESQ（语音质量）上均优于保留相位的配置。与输入信号相比，PI-FSN（显式忽略相位的模型）在SISDR（整体失真）上实现了显著提升（从-16.5提升至-2.1）。

   模型	损失函数配置	SRMR ↑	SISDR ↑	WB-PESQ ↑	ESTOI ↑
   FSN	f1 (保留相位，无压缩)	3.859	-16.719	1.291	0.572
   	f2 (保留相位，log压缩)	3.246	-17.663	1.248	0.553
   	f3 (忽略相位，无压缩)	6.024	-16.252	1.381	0.642
   	f4 (忽略相位，log压缩)	6.563	-16.541	1.405	0.647
   PI-FSN	log(1+	z	) (忽略相位)	6.604	-2.111
   输入	-	4.357	-16.539	1.323	0.584

5. 实际意义是什么？ 为弱监督/自监督语音去混响系统的设计提供了明确的理论指导：应优先处理并重建语音的频谱幅度，而将相位视为需要额外处理（或直接复用湿信号相位）的次要元素，从而简化模型并提升性能。

6. 主要局限性是什么？ 理论分析聚焦于晚期混响的渐近特性，可能未充分涵盖早期反射等复杂场景。实验验证局限于一个特定的弱监督框架和单一基线模型（FullSubNet），未证明其结论在更广泛模型架构和任务（如语音分离）中的普适性。缺乏与当前最强的语音增强/去混响方法的直接对比，难以量化其方法在整个领域中的相对水平。