单通道

论文把查询半径以内的说话人累加和作为直接目标，用连续半径调制和相邻半径一致性约束实现单模型连续区域提取，在实测混响上给出 29.25 dB 等结果，结论限定在两说话人训练和 0 到 4 米查询范围内。

论文把单次混响拍手建模为未知拍手与未知房间冲激响应的卷积，用消声拍手数据集构造合成配对训练神经回归器，在受控合成基准上全面优于加窗激励基线，并在 7 个真实房间中把频谱离散度从原始录音水平降到更一致的估计，但与已知激励解卷积参考仍有差距。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对微型扬声器低频重放不足导致固定有源降噪滤波器易机械过冲的问题，论文提出先只约束低频增益再扩展为全目标频段约束加正则的方法，仿真与消声室列车噪声和白噪声实验显示其在保低频限幅的同时恢复了目标频段降噪量，但低频段本身降噪仍明显低于无约束维纳解。

针对单通道无监督去混响缺少干净参考的问题，ARTT 先用随机合成混响构造可训练的加重混响到观测混响映射，再用均值教师非对称蒸馏提纯，并在 WSJ0CAM-DEREVERB 上以 7.3 dB 的 SI-SDR 和 2.61 的 PESQ 超过已有无监督基线，代价是两阶段流程与仿真参数依赖。

针对单通道带噪混响语音的盲房间脉冲响应估计问题，Rec-RIR 用去噪加去混响加卷积传递函数估计的多任务网络做混响谱重建再经伪侵入式测量转成波形，在 SimACE 上取得声学参数与早期反射的最优精度，代价是需要直达声对齐监督和 0.96 秒建模上限与 35.2 GMACs 每秒计算量。

针对无注册音频时噪声嵌入不可靠的问题，G-MaP-SE 用离线拟合的干净嵌入高斯混合先验对噪声嵌入做软匹配修正，再经门控融合注入 MP-SENet，在 VoiceBank+DEMAND 训练并在 DNS2020 跨域验证，最强证据是跨域条件下缩小与 oracle 干净条件差距，代价是先验质量受干净数据规模限制且部分样本仍可能匹配到次优原型。

针对流式语音增强在不同应用中时延预算不同但多数模型只固定一种前视的问题，论文用共享卷积主干加可切换的前视适配器实现七档时延可控，并在相同训练配方下报告单模型超越逐时延独立模型与参数总量大幅下降，但推理运算量并未下降。

针对单通道双人语音分离中生成模型易跟错说话人的问题，该文用冻结的端到端 diarization 吸引子作为唯一说话人条件，只训练潜在空间流匹配 U-Net，并用免训练的对抗说话人引导推开干扰说话人，在 LibriMix 上以可运行的分离策略报告了质量、可懂度和说话人混淆对照。

针对含噪混响单通道分离缺空间线索问题，该文用双通道三元组预训练单通道空间编码器并以 MHCA+FiLM 调制 TF-Locoformer，在 WHAMR!上 S 模型 17.4 升至 17.7 dB、M 模型 18.6 升至 18.9 dB，代价是增加 1.0-1.2M 参数并依赖仿真空间条件构造。

针对单通道语音增强中轻量化导致相位建模退化的问题，QC-GAN 用四元数 Conformer 生成器加 MetricGAN 判别器，在 VoiceBank+DEMAND 上以 0.89M 参数达到 PESQ 3.48，以 35K 参数达到 3.23，代价是四元数运算带来更高的实数乘加量与 CPU 负担。

针对仅用麦克风检测鼾声、低通气和阻塞性呼吸暂停并估计 AHI 的问题，论文提出把多分辨率 ALE 的逐帧置信图注入 Transformer 注意力偏置与特征调制的 ACF-SED，在 APSAA 上报告 Event-F1 0.7105、Segment-F1 0.6930、PSDS 0.7633，代价是双流编码与门控交叉融合带来的结构与调参复杂度。

针对单通道语音分离需要同时建模短时连续性与长时说话人一致性的问题，TF-MossFormer 在时频域交替做频率与时间建模并先局部后全局地融合注意力，在 WSJ0-2Mix 上报告 S/M/L 三档 22.6、24.0、24.4 dB 的 SI-SDRi，代价是 M/L 档计算量分别达到 283.4 与 425.0 G MACS/s。

针对倾听者反馈相对会话机会点延迟分布不一致的问题，论文用生存分析验证快慢功能类别的延迟差异，再用快慢双路径分别预测帧级起始与类别，最强证据是 Macro-F1 从 0.4862 提升到 0.6254，代价是只用单通道声学线索且依赖固定静音阈值定义的机会点。

针对单麦克风无人机自噪声语音增强，DroFiT 用全带与子带并行压缩加频率维 Transformer 建模，在 VoiceBank-DEMAND 混合无人机噪声上达到与 DCU-net 和 SMoLnet-T 可比的 SI-SDR 与 PESQ，代价是仍需验证更广泛机型与实时延迟。

论文把卷积的时间填充在过去与未来之间重新分配，用双缓冲加选择性状态更新解决分块流式的状态污染，在固定 1.37M 参数下实现 12.5 ms 时 PESQ 3.35 到 75.0 ms 时 PESQ 3.43 的延迟可配族，代价是每个延迟点需独立训练且大块才能实时。

针对说话人切换次数超出训练范围时多说话人识别会跳过整段话的问题，论文用说话人切换标记掩码加随机文本掩码切断解码器对切换次数的计数依赖，在仅见过至多 2 次切换的训练下把 3 次切换非重叠语音的字错率从 13.5% 降到 5.9%，代价是随机掩码率过大时训练变难且时间戳类标记越多时与上限差距越大。

针对语音与噪声频谱重叠时增强模型顾此失彼的问题，论文把语音衰减惩罚与残留噪声惩罚拆成两项并用 λ 加权组合，在四种架构上报告 λ 与语音质量正相关、与噪声抑制负相关，最强证据是 13 个 λ 下相关系数 0.95 与 -0.96，代价是两端极值会出现过抑制或噪声泄漏。

论文研究只用仿真训练的单通道距离估计器在真实语料上直接失效的问题，选择冻结估计器加几十条标注拟合仿射映射的路线，最强证据是 QMUL-TIMIT 干净条件下相关性 0.63 的模型经校准后明显优于常数均值，而代价是在低相关语料上斜率估计噪声会超过收益因而应退回常数预测。

针对穿混凝土墙雷达语音带限与杂波干扰问题，论文提出逐层扩频的 CAF-Former，先用共享键值的多查询时间注意力守住低频时序，再用频率注意力融合引导高频恢复，在仿真与实测上 STOI、DNSMOS 和 CS-MFCC 最优，代价是仿真 PESQ 略低于 EBENet 与 TF-Locoformer 且参数量为 2.726M。