生成对抗网络

针对每秒仅 25 个 token 重建 24 kHz 波形时语义丢失与高频失真问题，论文用条件流匹配迭代生成波形并以分层表示对齐与稠密单层量化组织语义和声学信息，最强证据是 8 层 RVQ 对照与频带误差表显示的语义保持与高频改善，代价是四步 ODE 采样与大规模 Transformer 解码器的推理开销。

该文针对仅混淆音色后韵律节奏仍会泄露身份的问题，用离散语音单元加时长预测与单元声码器同时改写音色与节奏，在非音色攻击下半知情评估取得相对 32% 的提升，代价是词错误率上升到 7% 量级且自然度轻微下降。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

针对 1.5 kbps 下多层残差量化误差累积与单码本语义稀疏问题，SACodec 用冻结 mHuBERT 语义锚定加 SimVQ 残差激活的非对称双量化，在 LibriTTS 与 LJSpeech 上取得接近真值的主观重建分并保留语义，代价是仍限于英语朗读语料与两路量化结构。

针对梅尔声码器黑盒预测丢失频谱细节与相位包裹难监督的问题，SCNet 用低频子带先验耦合到逆变换主干并以幅度加权相位损失训练，在域内与跨说话人测试及 CosyVoice 合成中报告更高质量，但合成速度不及 Vocos 且通用音频能力待验证。

论文把音频水印威胁从删除与伪造推进到再嵌入伪造消息并劫持归属的覆盖攻击，在 AudioSeal、Timbre、WavMark 上按白盒、灰盒、黑盒验证了接近 100% 的原水印失效率，代价是暴力堆叠会让信噪比明显下降而查询筛选能省下一半以上训练开销。

EffVOC 用因果卷积加 LSTM 的上采样声码器从幅度谱或 Mel 系数直接重建宽带与全频带波形，在 20 毫秒算法延迟下宽带 MOS 达到 4.17 与 4.15、全频带达到 4.14 与 4.11，代价是更高帧率带来的计算量与对短窗高重叠的依赖。

论文把 RIR 压缩从通用音频重建转向房间结构约束，用 EnCodec 单码本加 EDC 与局部能量加混响语音监督，在 375 bps 上把 T60 误差降到 1.14 s、ViSQOL 做到 4.11，但 46.875 bps 时容量明显不够。

DSME 用短时傅里叶谱显式生成幅值与相位、用恒 Q 谱作八度分段判别并加入色度损失，在独奏音乐的三类仿真退化中改善多数客观指标；主观偏好仅在混合失真任务上优于三个基线，该任务的 FAD 仍劣于 MP-SENet。

PACodec 用并行加性量化，在 LibriTTS 1.4 kbps 与 VCTK 4.2 kbps 上取得接近较高码率基线的客观表现；主观 ABX 仅在 LibriTTS 上进行，对多数 2 kbps 基线未检出显著偏好差异，并非等效证明，分支解耦也仍只是消融显示的潜力。

StreamWSR 把低采样语音先上采样再用全因果波形网络预测残差补高频，在 VCTK 三种带宽扩展设置下以 9M 参数和 2G FLOPs 达到与非流式基线相当的失真与可懂度，并用消融证明了帧级压缩与频谱判别器的作用。

音乐源分离 | 5.3/10

空间音频 | 5.3/10

空间音频 | 7.6/10

音乐生成 | 5.0/10

语音编码 | 8.1/10

音频超分辨 | 8.2/10

语音合成 | 7.1/10

音频伪造检测 | 6.1/10

语音增强 | 7.1/10