子标签

下方只统计已核验方向的论文记录,按已核身份去重,身份待核时按页面保留。“直接”只含明确标注该方向的论文;“含子树”同时包含下级方向。点击名称进入论文库继续筛选;数量与上方按标签名称收录的页面数不同。

论文解读

把语音先验放进波束形成:PnP-MVDR 如何工作与何时有效

针对两说话人加噪的多通道分离问题,论文在保持无失真约束的最小方差波束形成基础上用去噪器引入语音先验并交替迭代求解,在仿真与自采实测上比较了多种级联与端到端基线,代价是需要调参和多次迭代且结论限于给定阵列与数据条件。

 · 更新于 2026-11-18 · 约 23 分钟 · 11109 字 阅读 →
论文解读

多语重叠语音分离:MOUSSE 如何用边界加权与逐帧不确定性做分离

针对英韩混合的两人到四人重叠语音分离,MOUSSE 在流匹配分离器上加入边界感知加权训练和逐帧预测尺度并用尺度调节采样引导,在 MuSSeD 上取得更高的信号与可懂度改善,但结论只在该合成数据与相同评测条件下成立。

 · 更新于 2026-11-18 · 约 19 分钟 · 9469 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-11-17

共分析 50 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 103 分钟 · 51240 字 阅读 →
论文解读

Kezek:把单声道双人对话拆成逐说话人轨道

Kezek 先用整段录音固定两人的身份与活动,再用条件时域分离器执行该决定并强制两条轨道之和等于输入;在 Open Yap 和未见过的 CallHome 电话语音上,它以完整覆盖为基础减少了泄漏与通道交换、提高了短回复保留并快约 4–5 倍,但系统只处理恰好两人、离线、无注册且不做语音修复,极安静短回复仍是主要缺口。

 · 更新于 2026-11-18 · 约 26 分钟 · 12670 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-11-13

共分析 38 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 87 分钟 · 43310 字 阅读 →
论文解读

因果轻量语音分离如何分配残余能量并做两阶段精炼:GTCRN-SS 解读

GTCRN-SS 把单输出增强主干改成两阶段因果分离,用内部残余分支守住混合谱能量守恒并给第二阶段提供语音和线索,在含噪 Libri2Mix 上以 0.9 M 参数取得 10.1 dB SDRi 和 9.5 dB SI-SNRi,但结论只在 8 kHz 双人含噪全 utterance 评测和固定短时傅里叶变换前瞻下成立。

 · 更新于 2026-11-18 · 约 21 分钟 · 10280 字 阅读 →
论文解读

语音基础模型为什么不好直接蒸馏:Route-DMD 的任务分流做法

针对统一语音模型采样慢且直接做分布匹配蒸馏会损坏分离能力的问题,论文用一致性初始化加任务分流与改进引导把 32 步教师压缩为 4 步学生,在生成编辑处理上基本持平并获得约 4.5 倍端到端加速。

 · 更新于 2026-11-18 · 约 19 分钟 · 9340 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-11-09

共分析 66 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 139 分钟 · 69235 字 阅读 →
论文解读

SLM-SS:把多人混合语音变成离散符号再逐个生成

SLM-SS 把多人分离变成先用自回归模型生成零阶码本的说话人串接序列、再用非自回归模块补高阶残差码本的符号生成问题,在 Libri2Mix 上以可听质量和可懂度为主要收益,代价是依赖编解码器上限、序列变长和离线解码开销。

 · 更新于 2026-11-18 · 约 17 分钟 · 8416 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-10-21

共分析 34 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 70 分钟 · 34905 字 阅读 →
论文解读

Soloist:在没有孤立人声时如何分离真实录音中的人声

Soloist 把盲人声分离做成按人声个数串行生成音频编解码序列,用合成混合加说话人时间线做监督,再用模型评价器在真实录音上做强化学习,在已知个数和未知个数条件下都保留了内容和音高,代价是生成式重合成与评价器不稳定性需要多重门限和修复流程来约束。

 · 更新于 2026-11-18 · 约 21 分钟 · 10361 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-10-16

共分析 69 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 147 分钟 · 73483 字 阅读 →
论文解读

SEAL:混合闭合加性重建与细化感知专家路由的紧凑语音分离

SEAL 针对紧凑时频分离器在抵消频点估计受限和共享单元处处计算的问题,用混合闭合加性残差恢复抵消处的非零估计,用细化感知稀疏路由为每个时频令牌选一个残差专家,在 EchoSet 上以更少参数和运算量达到与 TIGER 相当或更好的分离质量。

 · 更新于 2026-11-18 · 约 18 分钟 · 8651 字 阅读 →
论文解读

混合语音里学出可分离的表示:SepRQ 的多分辨率伪源分离

SepRQ 针对多人混合语音的表示学习问题,用无掩码的多分辨率伪源分离预测冻结随机码本序列,在 SUPERB 分离与日志任务上取得较强结果,代价是保留 85.68M 推理参数的编码器并在预训练时承担多层分离头开销,且单说话人任务仍受限。

 · 更新于 2026-11-18 · 约 17 分钟 · 8485 字 阅读 →
论文解读

说话人跟踪:按段在线组织重叠与中断语音

该文把说话人跟踪拆成段内分离加跨段两阶段组织,用重叠拼接接续连续语音、用工作记忆做说话人验证来连接中断语音,在 LibriCSS 和 AMI 上验证了在线跟踪效果与说话人增多时的代价。

 · 更新于 2026-11-18 · 约 19 分钟 · 9242 字 阅读 →
论文解读

用虚拟麦克风给扩散分离补上观测约束:VM-ArrayDPS 解读

针对少麦克风、低信噪比下盲语音分离观测约束不足的问题,VM-ArrayDPS 把独立向量分析输出当作虚拟麦克风与物理麦克风一起做多通道一致性引导,在 SMS-WSJ 二人和三人混响分离上一致超过 ArrayDPS,代价是每步要多做虚拟通道的前向卷积预测与梯度计算。

 · 更新于 2026-11-18 · 约 19 分钟 · 9164 字 阅读 →
会议总览

interspeech-2026 论文深度解读

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

 · 更新于 2026-11-18 · 约 2613 分钟 · 1309023 字 阅读 →
论文解读

分得开还要对得上人:雷达位移给鸡尾酒会分离定序

论文把单通道混合语音分离与按源雷达位移的身份配对做成同一任务,用门控融合的 DPRNN 先分离再用跨模态匹配器定序,在两路和三路混合上同时报告 PIT 与有序指标,而有序增益高度依赖第二阶段匹配器且雷达单独不可懂。

 · 更新于 2026-11-18 · 约 21 分钟 · 10331 字 阅读 →
论文解读

难对太少见、尾部总失败:用在线难度矩阵把采样从均匀推向难对

针对相似音色混合尾部误差大的问题,论文用在线说话人对难度矩阵加温度 Softmax 课程采样多练难对,在 Libri2Mix 上以初始温度 20 保住或小幅提升平均 SI-SDRi 并改善底部 30% 表现,代价是温度过低会损害平均分且首尾两段必须切回均匀采样。

 · 更新于 2026-11-18 · 约 19 分钟 · 9046 字 阅读 →
论文解读

把到达方向变成宽波束约束:直接性正则化如何引导 FastMNMF 的伪分离矩阵

针对麦克风数不少于说话人数的到达方向已知分离任务,论文用冯米塞斯加权的方向图正则约束 FastMNMF 的联合对角化矩阵,在 1 人和 2 人混响仿真中提升分离质量,而 3 人和 4 人拥挤条件下增益受限。

 · 更新于 2026-11-18 · 约 16 分钟 · 7840 字 阅读 →