模型/架构

📄 ParaGSE: Parallel Generative Speech Enhancement with Group-Vector-Quantization-Based Neural Speech Codec #语音增强 #生成模型 #模型/架构 #神经网络编解码器 #实时处理 ✅ 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 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 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 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。 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。 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。 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）。 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。 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。 🏗️ 模型架构 本文提出的方法包含两个紧密耦合的组件：G-MDCTCodec（组向量量化语音编解码器）和ParaGSE（并行生成式语音增强框架）。 G-MDCTCodec 架构 (图1a) 输入/输出：输入为语音波形，输出为重建后的语音波形。其编码器和解码器均基于1D ConvNeXt v2块处理MDCT频谱。 编码器 (Encoder)：将语音MDCT频谱编码为高维向量 e ∈ RK。 组向量量化器 (GVQ)：这是核心创新点。它沿特征维度将 e 分成 N 个组（例如N=4），得到 N 个特征向量 en ∈ RK/N。每个组使用独立的码本 Wn（大小为 M）进行向量量化，通过最近邻查找得到量化向量 ê_n 和离散令牌 d_n。最后将所有组的量化向量拼接回原始维度，得到最终量化向量 ê。关键设计：与传统的串行残差向量量化（RVQ）不同，GVQ的各组量化是相互独立、并行的，这为后续的并行预测奠定了基础。 解码器 (Decoder)：将量化向量 ê 解码回语音波形。 训练：G-MDCTCodec的训练是独立的，使用对抗损失、MDCT频谱损失、梅尔频谱损失以及新增的GVQ损失（量化误差MSE），旨在获得高质量的语音编解码能力。 ParaGSE 架构 (图1b) 输入/输出：输入为带噪/失真语音 y，输出为增强后的干净语音 x̂。 整体流程：1) y 通过G-MDCTCodec的编码器和GVQ，得到一组“退化令牌” {d(y)_n}。2) 同时，一个频谱特征提取模块从 y 提取全局频谱特征 ŝ。3) N 个并行预测分支以退化令牌和频谱特征为输入，独立预测对应的干净令牌 d̂(x)_n。4) 所有预测的干净令牌通过G-MDCTCodec的解码器，重建出增强语音。 频谱特征提取模块：使用STFT获取幅度和相位谱，经卷积下采样后，通过BiLSTM和Conformer块建模，得到特征向量 ŝ。它为每个预测分支提供全局上下文。 并行预测分支 (PPB)：每个分支 PPB_n 对应一个GVQ组。它将退化令牌 d(y)_n 通过一个可训练的嵌入表（码本 Un）映射为向量 v_n，与频谱特征 ŝ 拼接后，经过BiLSTM和Conformer处理，最终通过Softmax输出在干净码本 Wn 上的概率分布，通过采样（训练时为交叉熵，推理时为argmax）得到预测的干净令牌 d̂(x)_n。 训练：训练ParaGSE时，冻结G-MDCTCodec的所有参数。仅训练频谱特征提取模块和N个并行预测分支。损失函数为预测干净令牌概率分布与目标（由G-MDCTCodec编码干净语音得到）的交叉熵损失之和。 💡 核心创新点 引入组向量量化（GVQ）神经语音编解码器：提出G-MDCTCodec，通过将编码特征分组并独立量化，生成一组相互独立的离散令牌。与主流RVQ的串行依赖结构相比，GVQ的并行独立结构是实现后续并行增强的前提，且实验表明其编解码质量未受明显影响。 提出并行令牌预测的生成式增强框架：基于GVQ的独立令牌特性，设计了ParaGSE框架。其核心创新在于用N个轻量级并行分支直接从退化令牌映射到干净令牌，彻底摒弃了自回归预测（预测下一个令牌需依赖前一个）的模式。这直接解决了生成式SE方法效率低下的核心瓶颈。 无需语义令牌依赖：与GenSE等依赖外部预训练模型提供语义令牌的方法不同，ParaGSE的输入仅为原始退化语音通过自身编解码器得到的声学令牌，简化了系统复杂度和对外部模型的依赖。 🔬 细节详述 训练数据： 干净语音：VoiceBank语料库，训练集23,075条（56位说话人），测试集824条（2位未见说话人），采样率16kHz。 失真构建： 去噪：训练使用DEMAND数据集10种噪声，SNR 0-15dB；测试使用5种未见噪声，SNR 2.5-17.5dB。 去混响：使用DNS Challenge提供的RIR数据集（248个真实+~60，000个模拟RIR），训练与测试使用未见的RIR。 混合失真：在干净语音上依次添加混响、噪声，最后下采样至8kHz。 损失函数： G-MDCTCodec训练损失：对抗损失 + MDCT频谱损失 + 梅尔频谱损失 + GVQ损失（公式3：各VQ的量化误差MSE之和）。 ParaGSE训练损失：冻结编解码器，仅优化增强网络。损失为N个并行分支的交叉熵损失之和（公式8）： L = Σ CrossEntropy( p̂(x)_n , p(x)_n )，目标 p(x)_n 是干净语音经编码量化后生成的one-hot分布。 训练策略： 优化器：AdamW (β1=0.9, β2=0.95, weight_decay=0.01)。 学习率：初始0.0005，使用余弦退火策略，并在前10k步使用warm-up。 训练轮数：100 epochs。 硬件：单卡Nvidia A800 GPU。 关键超参数： G-MDCTCodec：N=4个VQ，每个码本大小M=256，码本向量维度K/N=8（总维度K=32）。 频谱特征提取模块：STFT帧长320，帧移ws=40，FFT大小1024。下采样模块：3层卷积（核大小3，步长2），总下采样因子R=8。 并行预测分支与特征提取模块：使用Conformer块，通道数C=512，注意力头数8。 推理细节： 并行预测分支在推理时对每个分支的Softmax输出取argmax（公式7）得到预测令牌，而非采样，这是为了确定性输出。 实时率（RTF）测试环境：GPU为Nvidia A800，CPU为Intel(R) Xeon(R) Silver 4314。 📊 实验结果 表1：G-MDCTCodec与MDCTCodec编解码质量对比 ...