高效推理

针对嵌入式音频芯片同时卡住内存与单帧算力的问题，该研究用因果声谱分离主干加门控深滤波实现可部署分离，在芯片实测单帧 10.43 ms 内达到 4.70 dB cSDR，代价是比装不进芯片的最强基线低约 0.5 至 0.7 dB 且连续上下文训练不可省略。

TokenMapper 针对同有效帧率但码本结构不同的语音分词器做离散域直接翻译，在 GLM、Moshi、DualCodec 六个方向上把跨模型词错误率控制在接近原生重建 2.5-6.8 个百分点内，并以省去波形桥接换来 4.8-94.5% 的传输路径延迟下降，但多码本残差声学细节仍是主要代价。

针对离散语音 token 到梅尔谱的低延迟合成问题，论文用梅尔空间重参数化的平均流把 2 到 3 步推理的声学目标直接化，并用层选择的分块掩码把每包计算限定在滑动窗内，代价是需要未来块的前视延迟和多步细化开销。

该文在波数字滤波器框架下用神经网络显式逼近四端口非线性散射映射，对比多层感知机与柯尔莫哥洛夫-阿诺德网络，发现 KAN 以 40 对 148 个参数达到相近时域频域精度，但实时率从 1.31 升至 4.74。

该工作在骁龙开发板上实测五种神经音频模型的中央处理器与集成图形处理器推理，问题是流式回调期限下集成显卡何时有效，选择是统一用高通推理栈对比最优中央处理器引擎，最强证据是二维卷积声码器在最小块上图形处理器已全面领先，主要代价是小模型与循环模型的调用开销反而拖慢并需要借用大缓冲换并行。

针对稀疏双耳房间脉冲响应重建后 700 个时域等效源带来双耳卷积负担的问题，论文提出能量加权方向 K 均值聚类把重建方向压缩到 30 个，ABX 显示与全分辨率难以区分，而按能量排序的基线在全部条件下均可被区分，代价是低能量但定位重要的源可能被合并且结论限于特定房间与早期反射条件。

针对高阶全通变换 DCT 分析合成滤波器组相位与混叠失真难以同时补偿的问题，论文用凸最小二乘直接求解 FIR 合成子滤波器系数，以完全重建设计实现全局最优，并以混叠受限的近完全重建设计换取更好的合成滤波器频率选择性。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

论文把小提琴琴桥导纳看作有限维线性系统，用特征系统实现算法从实测脉冲响应直接做汉克尔矩阵奇异值分解得到降阶状态空间，并在六把小提琴上以时域频域与能量衰减三类误差对比两版模态拟合基线，代价是高阶近似与尚无听感实验。

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

针对 Fulltone OCD v2 中 MOSFET 加锗二极管构成的非对称削波级难以实时求解的问题，论文把三个非线性合并为单个等效一端口并用分段线性函数显式映射，在 1 V、1 kHz 正弦和 96 kHz 采样下时域误差低至千分之量级，而显式方法实时比 0.14 约为迭代方法 3.12 的二十二分之一。

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。

针对矩形房间镜像声源数量随维度指数增长的问题，论文把距离计数归约为高斯圆格点计数并用几何卷积逐维递推，在整数坐标与全向反射等限定下把复杂度降为随维度线性的拟线性量级，代价是丢失方向性并需用缩放与插值补偿小距离误差。

该文把 16 通道反馈延迟网络做成端到端可微并用梯度下降拟合实测房间脉冲响应，在 9 个房间上以更少参数和更快训练达到更低混响时间误差，但训练延迟线可能引入可闻染色。

针对单通道语音增强中幅度与相位分工不同的问题，论文把实数分支的幅度掩蔽与复数分支的加性复数修正并联并在瓶颈处交换信息，在参数量对齐的卷积去噪自编码器与卷积循环网络上以短时客观可懂度、语音质量感知评估和尺度不变信号失真比为指标验证，并在乘加操作数上付出更少计算代价。

该文把均匀波形约简为带时间戳的局部极值点并用其间距逐样本控制重叠相加的拼接时机与时长，在嵌入式算力下保住瞬态，代价是频谱对比度损失与三次样条谐波失真。

针对声学回声控制中深度模型计算量过大而直接缩小模型会明显掉性能的问题，论文用大教师指导小学生的知识蒸馏训练轻量 CGGN16，在双讲条件下保住近端语音并有效抑回声，代价是仍需先训练大教师且依赖仿真数据条件。

该研究把 1 秒多通道语音转为时延轨迹、双耳相位与低频气流三组可解释特征再用 XGBoost 判真伪，在 D3 六通道上报告等错误率 17.8%，代价是仍需多通道阵列且在空旷与车载等未见环境下误差明显上升。

针对全模态大模型音频加视频序列过长问题，OmniZip 用免训练的音频引导加交错时空压缩做推理时剪枝，最强证据是在 Qwen2.5-Omni 上保持接近满词元精度的同时实现 2.51-3.42×预填充加速与约 10G 显存下降，代价是剪枝率需按任务平衡且依赖音频编码器注意力。