生成模型

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

论文针对深度说话人嵌入后端仍需结构化建模与时长补偿的问题，提出各向同性 PLDA 与球面高斯 T-PSDA 及其时长扩展，在 NIST SRE 与 CN-Celeb 上以 EER 与最小代价显示时长建模带来可复现增益，但最小主代价改善有限且依赖前端与归一化条件。

针对严重噪声下生成式增强容易编造内容与音色的问题，PASE 把预训练 WavLM 蒸馏成去噪专家并用高低层双流重建波形，在自建 LibriTTS 低信噪比集上把内容错误压到更低，同时以双流声学条件把说话人相似度拉回可用水平，代价是浅层声学流会带入残留噪声并拉低部分感知分。

针对音乐舞蹈需同时逼真、对拍、多样、物理合理且可编辑的问题，论文以文本到动作掩码模型为先验并外挂音乐塔与姿态塔，在 FineDance 上把运动质量与多样性推高并实现快速推理，但节拍对齐并未登顶且依赖渐进训练与推理优化协同。

针对混合一致性要求下单步回归难以迭代纠错的问题，论文将任意分离模型扩展为多输入多输出并配合投影与递增加权损失实现多轮互精炼，在 MUSDB18-HQ 上以 BS-RoFormer 与 SCNet 为骨干取得一致提升，但判别器与生成式扰动的收益依赖配置且迭代带来线性计算开销。

论文刻画单通道时频实增益掩蔽的正交投影上限，并用一个高斯混合后验均值估计器研究先验、读出与相位对称性：长窗留出设置下估计器距实测类上界 11.44 dB，校准分析中的约 70% 是分贝缺口之比，不是全部缺口或误差能量都由后验方差解释，更不是所有生成分离器的性能上限。

在固定音轨、种子、上下文与评分窗下，中央 4 秒三全音破坏比完整 CNN-CRF 回放引发更大的伴奏特征偏移，而同时匹配改变支撑与关系构成的合成画像最接近回放响应，但它只缩小条件响应距离，不代表音质提升。

论文以 Schroeder 历史混响为案例，主张用开放架构重建 comb 与 all-pass 组合，通过 Csound 脉冲响应分析与 par/seq 重建验证理解过程，代价是遇到效率限制而把 C 编译 opcode 留作后续工作。

语音合成 | 7.5/10

音乐生成 | 7.0/10

音乐生成 | 5.9/10

音乐生成 | 6.0/10

音乐生成 | 7.3/10

音频生成 | 7.2/10

语音质量评估 | 7.4/10

音乐生成 | 7.9/10

音频生成 | 6.4/10

音乐理解 | 5.5/10

语音合成 | 9.6/10

声源定位 | 9.8/10