音频修复

MiDiff 要解决严重混响与话筒染色下鼓瞬态难恢复的问题，用对齐钢琴卷帘直接条件化复数 STFT 域的分数网络，在 StemGMD 上把测试 FAD 从 1.268 降到 0.233，而无真值 MIDI 时的混合转录采样只能降到 0.676 且切换点是在测试集上选出的。

共分析 47 篇语音/AI 论文

SORD 只用干净信号的扩散先验加已知污染位置，通过修复初始化与信号污染交替精炼恢复被局部结构污染的图像与音频，在未知污染类型上更稳，但依赖掩膜准确且计算代价来自多样本多轮扩散采样。

共分析 80 篇语音/AI 论文

针对 MP3 低码率造成的带宽缺失与编码失真，MPASCNet 用幅度和包裹相位共同指导频点到紧凑 token 的自适应压缩与分支重建，在 MedleyDB 非重叠评测上以 6.49 M 参数取得整体 17.65 dB SDR 和 17.27 dB SI-SNR，但增益只在原文的混合训练与三类评测条件下成立。

针对播放器染色、空间传播与手机录音链路耦合导致的音乐退化，该系统用尺度感知编码加直接复数谱映射的双轴 Top-1 稀疏专家模型复原，并以 202 种条件下 1572.12 小时对齐仿真数据提供监督，最终以 2.951M 参数取得盲测 LSD 1.273、FAD 2.540、ViSQOL 3.495 的第三名成绩。

共分析 146 篇语音/AI 论文

该论文把音乐源复原拆成混合级修复、八轨分离和逐轨修复三步，用直接预测频谱的修复模型配合掩蔽式分离模型，在挑战赛测试集上验证每步的分工与代价，并指出验证集筛选的逐轨修复增益并不能稳定迁移到测试集。

该文把 1926 年前管弦乐历史录音复原写成盲逆问题，用五阶段维纳-哈默斯坦退化函数合成成对数据，训练潜空间条件流匹配模型 SAMECFM，并在无参考指标与 MOS 上报告最优，但生成质量提升伴随保真度代价。

针对野外录音中噪声与信噪比多变导致逐频谱门控易漏信号的问题，论文提出先对语谱图做二维高斯局部平均再门控的 2D-SG，并在 70 段椴鸟合成噪声与抹香鲸、斑姬鹟实录上验证去噪与信号保留的改进，代价是多出一个高斯窗超参数且低信噪比与下游任务增益待验证。

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

针对神经音频编解码器量化导致水印提取跌到随机水平的问题，该文不改嵌入器而在解码前加频谱修复，并用分类器为每种编解码器选专用修复模型，在多码本残差量化编解码器上把比特准确率恢复到 98% 以上，代价是每种新编解码器都要单独训练一个专用模型且单码本极低码率下基本无效。

音乐源修复要同时解混与逆转非线性制作效果，DTT-BSR+ 用生成式 DTT-BSR 做分布拟合再用回归式 Demucs-L 做波形重建，在 MSRBench 上把八个声部的 MMSNR 全部提升并在五个声部超过 X-LANCE，但第二步会推高部分声部的 FAD 均值项。

论文把含噪观测插值的条件扩散统一为插值随机微分方程并给出指数龙格库塔求解器 iSDE-2S-κ，在去噪等五项语音恢复任务上用 10 次网络评估达到自适应 RK45 数十次评估的水平，而 κ 过大则残留噪声需要更多步数消除。

针对构音障碍语音可懂度低且隐式重构缺乏可解释性的问题，该研究选择先用共振峰对齐频谱变换显式修复元音空间再做说话人自适应合成，在中英文多库上报告 29% 到 72% 的识别错误率下降和主观可懂度近翻倍，但以说话人相似度轻微下降为代价。

针对历史音乐带限与噪声并存且修复标准主观的问题，RESTORE 用单次前向的六轨语义分解加独立高频生成实现可调修复，在合成与 78 转历史录音上以 FAD 与可控性为证据，代价是仍需两阶段对抗训练与配对仿真监督。

针对日常视频中增益失衡叠加噪声与混响的问题，SSE 用视频加文字引导的流匹配生成做重混与增强，在 DegradedMix 与 MuddyMix 上以分布与对齐指标优于 VisAH，但单真值重建指标上优势收窄且依赖预训练编解码与分离权重。

论文复活 Etter 双向自回归插值，用前后向预测残差能量最小导出线性方程组求缺口样本，并给出短缺口高阶模型和因果丢包隐藏两种扩展，在 80 毫秒内音乐缺口上与多数基线相当但弱于逐缺口 Janssen 迭代法且外插简化版更快。

论文把自适应房间均衡做成闭环可微分控制，用 7 段参量均衡加频域误差在实测时变房间脉冲响应和音乐激励下跟踪目标响应，最强证据是频域目标相对未均衡把系统距离压低约 7 成而时域误差全配置不收敛，代价是对在线房间估计质量敏感且高阶优化器单帧耗时接近帧长。

论文用暖初始化把预训练音频扩散模型的逆向过程从引导信号中途启动，以双簧管转钢琴等实验研究初始化时间与噪声比例的取舍，报告在杰卡德距离低于 0.6 且弗雷歇音频距离低于 0.7 附近存在可用工作点，代价是对人声与强打击乐等成分处理不稳定且依赖高引导强度等超参数。