会议总览
interspeech-2026 论文深度解读
共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读
音频超分辨
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
先定语义再补声音：DelayGSE 用延迟文本与码本加权压住幻觉
DelayGSE 把去噪、去混响和超分放在多码本离散生成框架下，用延迟文本监督约束语义、用重要性加权平衡码本损失，主证据是内部集上词错误率从 0.099 降到 0.063 而 MOS 保持在 4.040 附近，代价是依赖大规模仿真数据与自回归推理。
论文解读
把扩散模型做小做快：FastWave 用去噪重参数与轻卷积做任意到 48 kHz 超分
针对音频超分辨率中扩散模型参数大、训练久、推理步数多的问题，FastWave 沿 NU-Wave 2 引入 EDM 去噪范式与 ConvNeXtV2 轻量化结构，在 VCTK 任意到 48 kHz 基准上以 1.3M 参数和更少训练资源达到可比重建质量，代价是低频谱距离仍弱于充分训练的 NU-Wave 2 与 FlowHigh。
会议总览
aaai-2026 论文深度解读
共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读
论文解读
低资源下保住音高与细节：HQ-SVC 用解耦编解码加两级合成做零样本歌声转换
HQ-SVC 针对无目标说话人数据、无微调的零样本歌声转换，用冻结的解耦编解码同时取内容与音色特征，再经 EVA 模块融合音高能量并用 DDSP 加扩散两级重建 44.1 kHz 梅尔谱，在不足 80 小时数据与单张消费级 GPU 条件下取得比大资源基线更高的自然度与音高准确性，代价是音色相似度客观指标未全面领先且重建引入可接受的发音音高误差。
论文解读
不增加采样步数：用验证器引导的多轨搜索做音频超分
针对扩散音频超分一次采样方差大、关键属性易丢失的问题，论文用冻结 AudioSR 加验证器打分与随机/零阶搜索选优，在 4 kHz 到 24 kHz 语音上报告最高约 9.70% 美学、15.20% 词错误率与 46.98% 频谱距离改善，代价是 120 路候选的成倍推理开销与单验证器过拟合风险。
论文解读
Efficient Audio Enhancement with a Differentiable Psychoacoustic Loss
音频超分辨 | 8.2/10