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

不用注册语音做条件:用混合语音自身的说话人吸引子引导潜在流匹配分离

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。

 · 更新于 2026-11-18 · 约 16 分钟 · 7554 字 阅读 →
论文解读

空间信息在系统与数据两层如何缓解漏检与混淆的跷跷板

针对多说话人重叠会议中仅靠频谱线索区分说话人困难的问题,论文先在系统层引入空间特征与波束形成得到多通道级联,再用空间聚类生成自适应数据并以知识蒸馏微调说话人日志模型,在相同识别后端下把时间受限词错率降到 17.86%,代价是更长的窗与额外的自适应流程。

 · 更新于 2026-11-18 · 约 17 分钟 · 8042 字 阅读 →
论文解读

判别先分、生成再修:MeCo 用一步平均速度把估计搬回干净语音流形

针对多通道分离中判别模型信号保真高但听感差、生成模型自然但需多步迭代的问题,MeCo 用条件平均速度场做一步校正并引入数据空间优化,在 WSJ0+WHAM!上达到 10.08 dB SI-SDR 与 3.19 DNSMOS,代价是只增加 1 次函数求值和 0.0068 实时率。

 · 更新于 2026-11-18 · 约 16 分钟 · 7520 字 阅读 →
论文解读

漏进来的声音别改归属直接删:用说话人日志做三重校验的剪枝校正

针对级联多说话人识别中分离残留导致串话被转写的问题,该文用独立日志模型做声学验证并经三重一致才剪词,在高泄漏子集上报告最高约 29% 相对 cpWER 下降,代价是依赖词级时间戳与相似度门限且联合分离-日志结构泛化不稳。

 · 更新于 2026-11-18 · 约 18 分钟 · 8903 字 阅读 →
论文解读

给说话倾向加先验:贝塔神经 FCASA 如何把远场 diarization 做成完全贝叶斯

针对多通道远场会议中重叠与混响导致说话人日志不稳的问题,该文在神经 FCASA 上为说话活动倾向引入贝塔先验并用变分下界代替交叉熵训练,在 AMI 上报告 DER 至少下降 3 个百分点且 JER 至少下降 4 个百分点,代价是只验证了说话人日志而未评价分离质量与计算开销。

 · 更新于 2026-11-18 · 约 17 分钟 · 8317 字 阅读 →
论文解读

单通道推理时没有空间线索怎么办:用双通道做特权监督练出伪空间嵌入再调制分离

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。

 · 更新于 2026-11-18 · 约 14 分钟 · 6830 字 阅读 →
论文解读

不用多条件训练做流式鲁棒识别:在线分离前端加干净训练后端的解耦路线

论文研究噪声混响和重叠说话下的零前视流式识别,采用在线语音分离前端加只用干净语音训练的流式识别后端的解耦框架,最强证据是在 LibriSpeech 模拟噪声、CHiME-4 和 LibriCSS 上用 oTF-CrossNet 加干净后端超过同等数据量的多条件训练基线,代价是系统好坏高度依赖分离前端的强度。

 · 更新于 2026-11-18 · 约 20 分钟 · 9719 字 阅读 →
论文解读

不用孤立语音也能去噪:用干净混合与噪声录音联合训练分离与说话人日志

针对多通道含噪混合中空间建模易受非平稳与扩散噪声干扰的问题,该文在神经全秩空间协方差分析与说话人活动模型上增加干净混合的信噪比、似然与后验三项半监督目标,在合成会议数据上报告分离指标明显提升而日志小幅改善,但仍依赖干净混合与噪声录音可得且未验证运动声源。

 · 更新于 2026-11-18 · 约 19 分钟 · 9517 字 阅读 →
论文解读

在时频谱上同时看清纹理与归属:TF-MossFormer 的局部-全局注意力分工

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。

 · 更新于 2026-11-18 · 约 21 分钟 · 10253 字 阅读 →
论文解读

先分开再贴标签:用两级流式说话人日志降低多说话人识别的归属错误

针对智能眼镜佩戴者与对话伙伴的近远场混合语音,论文用波束成形加声源分离再加轻量分类器做流式说话人标记,在三个真实多说话人语言对上把词错误率和说话人归属错误率同时压低,代价是仍依赖方向分区假设和仿真训练数据。

 · 更新于 2026-11-18 · 约 20 分钟 · 9880 字 阅读 →
论文解读

把多人混音当作续写来生成:LlaSep 在离散 token 上一次解码出多路语音

针对多人混叠语音要同时恢复每路干净信号并知道谁在何时说话的问题,论文把分离改写为以混合 token 与语义特征为前缀的自回归 token 生成,用 15k 小时合成多语对话做监督微调,在 LibriCSS 与 CallHome 上以可运行基线对比显示更低的日志误差与更高的听感质量,代价是输出为重新生成而非波形原样保留且长序列下误差会累积。

 · 更新于 2026-11-18 · 约 19 分钟 · 9190 字 阅读 →
论文解读

算力不动、容量翻倍:TF-MoE 用时间-频率双路稀疏专家做语音分离

针对边缘端算力受限下语音分离需要低计算量而非小参数的问题,论文提出在 mel 带切分的 Conformer 双路径上对前馈层做时间维与频率维稀疏专家路由,在 Libri2Mix 上以 4.1 GMACs/s 达到 17.7 dB SDR,代价是专家参数量成倍增加与专家数过大时路由难学。

 · 更新于 2026-11-18 · 约 17 分钟 · 8414 字 阅读 →
论文解读

单麦克风既要分开声音又要估计每个声源的房间响应:DAMSEP 的联合做法

DAMSEP 针对单麦克风混叠下丢失空间信息的问题,用分离主干加共享去混响与多声源复数传递函数估计做联合训练,在 HETMIXR 上以可复述的混响重建约束实现分离与近远排序,最强证据是相对 TF-Locoformer 的 SI-SDRi 提升 0.65 dB,代价是需要成对干净与混响监督和固定扫频解码流程。

 · 更新于 2026-11-18 · 约 19 分钟 · 9453 字 阅读 →
论文解读

分散阵列各自分离却对不上序号:用方向约束与分带源模型对齐去中心化向量分析

针对分布式麦克风阵列下去中心化独立向量分析的跨阵列序号错乱与强跨阵列耦合问题,该文引入波达方向几何约束与按阵列分带的源模型,在 2 至 8 阵列、无噪与噪声混响仿真中提升分离指标与序号一致性,但依赖已知方向与同步假设且未测通信延迟与真实录音。

 · 更新于 2026-11-18 · 约 18 分钟 · 8713 字 阅读 →
论文解读

不把残差量化层加起来:用三维网格保留从粗到细的分离线索

针对量化后多层信息被求和压扁的问题,RVQ-Grid 把每层量化向量堆成三维网格并用双轴循环块分离,在 WSJ0-2Mix 上比 Codecformer 提升 3.6 dB 并以约 6 倍更少的乘加操作达到 8.6% 词错误率,但样本级指标仍低于波形 SepFormer。

 · 更新于 2026-11-18 · 约 15 分钟 · 7358 字 阅读 →
论文解读

不用干净人声也能学分离:只靠说话人身份做监督

该文研究单通道两人语音分离能否只用说话人身份做唯一监督,通过对比分离输出嵌入与辅助话语嵌入来训练分离器,在 Libri2Mix 上从零训练到 8.1 dB SDR 并能向含噪域自适应到 8.7 dB,但仍低于全波形监督的 14.4 dB 与 9.7 dB 上界。

 · 更新于 2026-11-18 · 约 15 分钟 · 7216 字 阅读 →
论文解读

圆环排序的断点代价:用互补折叠直线排序重组多通道分离的输出顺序

针对平面阵下圆形方位排序在 360 度回绕处带来学习负担的问题,该工作用两个正交折叠直线排序分别训练分离网络再按方位打分二选一,在混响会议室评估中对圆形排序取得小而一致的提升,代价是需要方位估计且推理侧要维护多个网络。

 · 更新于 2026-11-18 · 约 25 分钟 · 12490 字 阅读 →
论文解读

只共享频谱不共享空间:去中心化 ILRMA 如何在分布式麦克风阵列上分离

针对分布式子阵列间通信贵、难同步的问题,论文提出只在子阵列间共享非负矩阵分解变量的三种去中心化独立低秩矩阵分析,并报告基共享变体在混响与采样时间偏移下保持稳定分离的主要证据与建模代价。

 · 更新于 2026-11-18 · 约 16 分钟 · 7714 字 阅读 →
会议总览

eusipco-2026 论文深度解读

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

 · 更新于 2026-11-18 · 约 247 分钟 · 123292 字 阅读 →
论文解读

欠定下不失真分离:把时频掩蔽写进切换波束形成器的代价函数

针对麦克风少于声源的欠定盲分离,论文把时频掩蔽引入切换型 MVDR 的目标函数并联合优化滤波器、组合系数与掩蔽,报告在 2 麦 3/4 说话人任务上优于直接掩蔽、FastMNMF 与掩蔽 MVDR,但效果依赖掩蔽质量与声源相对位置。

 · 更新于 2026-11-18 · 约 18 分钟 · 8733 字 阅读 →