语音增强

共分析 137 篇 ICML 2026 论文

针对离线训练的语音增强模型在新说话人、噪声和声学条件下退化的问题，论文提出冻结主干、只让记忆状态演化的 Continual Residual Memory，通过分时频有界回收被丢掉的残差并用历史原型修正，在三个目标集上一致改进冻结 CMGAN 且额外开销很小。

共分析 48 篇语音/AI 论文

本文用三角区分测试和带无偏好选项的成对偏好测试评价四个语音增强系统在不同语音上的可区分性和日常收听偏好，并检验常用客观指标差值能否预测这两个维度，发现可区分性与系统性偏好并不等同且多数客观指标相关性不稳定。

StreamSE 针对因果流式与手机端算力约束，用冻结因果神经音频编解码器的连续隐变量回归代替离散 token 分类与迭代采样，在 DNS Challenge 2020 上以零前视达到可比离线生成模型的 DNSMOS，并以单核 p95 每帧 61.04 毫秒满足 80 毫秒预算，代价是截断精细量化层级会损失部分说话人相似度。

共分析 25 篇语音/AI 论文

RASE 针对雷达隔玻璃测振动恢复语音的任务，提供配对雷达与干净语音数据、统一基线与保密评测，用直接振膜和二次表面两种条件加四个客观指标综合排名，首名综合分最高但可懂度绝对值仍低，说明方向可行但远未解决。

针对带噪目标训练会留下残留噪声的问题，论文用非成对干净语音的 Sinkhorn 漂移损失在语音质量评估模型隐空间内做分布对齐，在 VoiceBank-DEMAND 上保住波形保真度的同时提升听感指标，并在 CHiME-3 真机录音的域自适应中同样改善听感。

论文针对折叠复用引擎中精度与工作量脱钩的问题，用按存储定价的混合精度和按调度周期定价的通道稀疏分别压缩权重带与计算调度，在 Kria KV260 上证明稀疏跳过能同时降低帧耗时与动态能量而精度宽度主要影响存储与功耗。

TIMUSE 把通用增强拆成语义恢复与声学重建两步，用文本扩散语言模型补内容、用流匹配模型保音色，在重度缺失下内容保持更好，但结论只在原文的双基准与配对训练条件下成立。

共分析 80 篇语音/AI 论文

针对资源受限语音增强要在小算力下保留频谱细节的问题，HC-AINet 用三角形 ERB 子带压缩增益预测、用带噪谐波位置图在原始频点上补充谐波分支并做幅度条件相位重建，在 VoiceBank-DEMAND 上 64 带达到 PESQ 3.20 而参数约 0.27M，代价是频带加倍时运算量明显上升。

论文发现重度退化下缩小自监督特征距离不再对应听感提升，并提出把恢复主干中间特征送入自监督模型的早期恢复注入，在 VoiceFixer 上保真与可懂度占优而感知质量保持竞争，代价是总参数增大但实时率仅小幅上升。

针对多种退化混杂时单一模型难兼顾内容与音质的问题，该工作用语义分支保语言内容、声学分支保频率相位细节并经双向交互融合后交给大音频语言模型生成离散语音标记，在 Libri2Mix 与多退化子任务上内容指标占优但部分感知指标仍有起伏且依赖大规模合成训练。

共分析 58 篇语音/AI 论文

SpikeAid 针对噪声下助听既要降噪又要按压缩曲线放大的耦合问题，用 NR-Net 做语音噪声分支表征、WDRC-Net 估计分支增益并联合优化，以 DRN 神经元兼顾快瞬态和慢包络，在固定压缩配置和离线构造目标下提升目标一致性和感知指标，并以 FPGA 流式实现换来能效提升。

共分析 57 篇语音/AI 论文

论文要解决住宅多房间语音数据难批量构造的问题，用结构化平面图转可编辑声学场景加混合几何声学求解生成多通道房间脉冲响应与混响语音，并用实测校验与分布式定位增强实验验证其覆盖与增益，代价是仍依赖几何声学近似与受控仿真条件。

共分析 25 篇语音/AI 论文

论文针对随机组批可能让单批梯度只看到狭窄干净语音区间的问题，提出按干净语音特征分位数均衡组批的采样策略，在英语、西班牙语和帕金森病理语音上用回归与生成两类模型验证了多指标改善，但增益大小随特征、模型和数据集组合而变化，且几乎不增加训练改动。