计算机科学 > 声音
[提交于 2025年7月16日
]
标题: 用于语音增强的Schrödinger桥一致性轨迹模型
标题: Schrödinger Bridge Consistency Trajectory Models for Speech Enhancement
摘要: 语音增强(SE)利用扩散模型是一种有前景的技术,可改善嘈杂语音数据中的语音质量。 此外,薛定谔桥(SB)最近被用于基于扩散的SE,通过解决前向过程的终点和反向过程的起点之间的不匹配来提高语音质量。 然而,由于需要大量的函数评估(NFE)来进行推理以获得高质量的结果,SB仍然表现出推理速度慢的问题。 虽然一致性模型(CMs)通过使用来自图像生成领域的预训练模型进行蒸馏的一致性训练来解决这个问题,但当步骤数增加时,它不会提高生成质量。 为了解决这个问题,一致性轨迹模型(CTMs)不仅加速了推理速度,还保持了质量和速度之间的良好权衡。 此外,SoundCTM展示了CTM技术在声音生成领域的适用性。 在本文中,我们通过将CTM的技术应用于SE的薛定谔桥,提出了薛定谔桥一致性轨迹模型(SBCTM)。 此外,我们在原始CTM的训练框架中引入了一种新的辅助损失,包括感知损失。 结果,与传统的SE薛定谔桥相比,SBCTM的实时因子(RTF)大约提高了16倍。 此外,SBCTM在质量和速度之间的良好权衡使得通过将多步细化限制在1步推理不足的情况下,实现了时间高效的推理。 我们的代码、预训练模型和音频样本可在 https://github.com/sony/sbctm/ 获取。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.