音频分离

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。

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。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

针对发声谐波污染唇端扫频响应的问题，该研究用闭口校准加高阶小啁啾变换分离嗓音与扫频重建声道响应，在 90 赫兹到 1100 赫兹基频的/a/静态仿体上识别前四个共振并给出频率与带宽，代价是在共振一致与低基频处误差与分离难度明显增大。

针对电影音轨要分成对白音乐音效的问题，CineSubNet 用稀疏编解码加 Transformer 分离并以 Whisper 加 BERT 字幕作语义先验，在 DnR 全系列上以 SDR 为指标超过 BandIt 等基线，多模态版本代价是参数从 23.5M 到 24.1M 而延迟基本不变。

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

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

该文不改滤波器设计，只把拉伸有限冲激响应级联做成块流加环形状态的串行基线，再用开放多处理任务流水线并行，在英伟达 Jetson Orin Nano 上以串行超每秒 118 万采样、6 线程加速超 4.5 倍为证据，代价是最小能耗点不在最高性能点。

针对空间语义分割同时要分离和分类而旧联合指标会把标签错配算成负分的问题，论文提出先做置换不变匹配再算分类的 CASA-SDR，并在受控交换与 DCASE 2025 系统上显示它能把差分离与标签交换区分开，代价是对删除与替换类错误不再区分。

针对紧凑阵列按用户给定方向图做空间滤波的问题，该工作把采样方向图经 FiLM 调制送入 FT-JNF 并用差分与矩形混合配方训练，在未见高阶与缩放方向图上高于理想到达方向的参数滤波上界，代价是依赖大量无混响仿真语音与固定阵列几何。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读