音频分离

该文用槽注意力把 AST 片段嵌入拆成 4 个槽并以重构为目标自监督预训练，再冻结主干只训练轻量任务头，在三声源合成场景上同时支撑分类、检测与分离，并在未见类上做零样本分离，但结论依赖合成混合与固定任务头的评测条件。

共分析 21 篇语音/AI 论文

论文把电动车内风噪、胎噪、动力总成与辅驱噪声的分解做成有监督双耳分离，用混合时域频谱 Transformer 在物理合成数据上训练，单车合成上宽带分量可分但弱 tonal 分量受限，实测迁移只部分成立且工况条件注入未带来增益。

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

针对多声源混合中弱声源在最后才分离时被压制的问题，论文用提前分出对象特征并逐层融合精炼的 PARASITE 分支解决，在 ASA2 上分离达到 14.24 dB SI-SDRi、SELD 分数 0.147，在 STARSS23 上 SELD 分数 0.240，代价是增加三层精炼分支的参数与计算量。

本文用一名孕妇最后五周自采的 28 段手机腹部录音，靠心率范围先验把包络分成快慢两个节律带，恢复出多数录音中稳定但未经金标准验证的胎儿 plausible 节律，同时报告母体节律、变异性和呼吸探测的失败边界。

共分析 57 篇语音/AI 论文

论文针对固定频带划分难以兼顾不同混合内容的问题，提出随混合自适应移动边界的动态频带切分框架，在三个数据集上用固定带数对照验证了划分自适应的增益，并以消融说明了分块预算与重建细化的代价。

该文把空间语义分割拆成先标注后提取的两步，研究用卷积标注器与 SuDoRMRF 分离器替换大基线后在混合准确率与类感知信干比提升上的得失，并给出参数量与计算量的代价。

共分析 146 篇语音/AI 论文

针对 7 个通用声音类别，用自动化数据引擎清洗训练数据并用两阶段方法优化类级别 CLAP 控制信号，在 AudioSep 基线上提升 SDRi 与 SI-SDRi 并在 17 人主观偏好中占优，但增益依赖于数据筛选与控制信号两步配合且商业模型对比不具备客观指标可比性。

论文针对空间语义分割中检测错误会拖累提取的问题，比较重标注器、适应函数与评估模型的推理时更新组合，发现只在基线较差的片段上有改善，而不加筛选地全量更新会降低整体指标。

SepGen 要解决的是联合音频视频生成只有一条混合声、无法逐声源定位与重渲染的问题，它用受保护的混合声通道加两条分轨通道实现生成与分离两种模式，最强证据是真实录音与跨生成器场景上的分离与听感对比，代价是固定两条分轨与额外的去噪与引导计算。

该研究把问题定为按多热查询减去 1-3 类触发音并保留残差声景，用 6 毫秒分块的流式双路径网络实现 10 毫秒算法延迟，并在 30 名误音症受试者中报告困扰下降 2.37 点但抑制后仍高于基线地板。

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

针对 10 dB 信噪比医院环境噪声下心音 S1、S2 与杂音被掩蔽的问题，CLEAR 依次用 Whisper 编码器取长程语义嵌入、掩码图注意力网络做乘性去噪、潜在生成对抗网络在嵌入空间修复连续性，最强证据是单个最优样本从 PESQ 1.0304、SI-SDR -29.3715 dB 恢复到 PESQ 4.6433、SI-SDR 64.3566 dB，代价 …

针对音频大模型在噪声与细粒度混淆下的感知幻觉，RAISE 用免训练的三阶段路由加两种外部声学证据在 MMAR 与 MMAU 上带来最高 12.4 个百分点的提升，代价是被路由到的少数困难样本需承担 20 秒以上的工具与推理耗时。

该研究以推理时因果干预解剖 SAM Audio 的文本条件与自注意力收敛，发现加性注入定语义、交叉注意力修声学、稳定层早收敛，并据此提出免训练的层选择注意力缓存，以约 25% 自注意力计算节省实现最高 6.7 倍的质量保持优势。

针对立体声电影音频要同时分出对白、音乐、音效并保住空间感的问题，LiteCASS 用确定性子带重排加两级紧凑 U-Net 做掩码分离，在 DnR v3 立体声扩展上以 1.06 M 参数和 0.72 G 每秒运算量取得平均 SI-SDR 最高，代价是语音感知指标仍落后于更大基线与视觉辅助系统。