Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2508.02974

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.02974 (eess)
[提交于 2025年8月5日 ]

标题: 使用神经音频编解码器作为基础模型的噪声中实时喉部麦克风语音增强

标题: Real-time speech enhancement in noise for throat microphone using neural audio codec as foundation model

Authors:Julien Hauret, Thomas Joubaud, Éric Bavu
摘要: 我们展示了一个使用喉部麦克风捕捉的语音实时增强演示。 该演示旨在展示完整的流程,从录音到基于深度学习的后处理,适用于通过体传导麦克风在嘈杂环境中捕捉的语音。 喉部麦克风记录皮肤振动,这会自然地衰减外部噪声,但这种鲁棒性是以减少音频带宽为代价的。 为了解决这一挑战,我们在Vibravox数据集上微调Kyutai的Mimi——一种支持实时推理的神经音频编解码器——该数据集包含成对的空气传导和喉部麦克风录音。 我们将这种增强策略与最先进模型进行比较,并证明其性能更优。 推理在交互式界面中运行,允许用户切换增强功能、可视化频谱图并监控处理延迟。
摘要: We present a real-time speech enhancement demo using speech captured with a throat microphone. This demo aims to showcase the complete pipeline, from recording to deep learning-based post-processing, for speech captured in noisy environments with a body-conducted microphone. The throat microphone records skin vibrations, which naturally attenuate external noise, but this robustness comes at the cost of reduced audio bandwidth. To address this challenge, we fine-tune Kyutai's Mimi--a neural audio codec supporting real-time inference--on Vibravox, a dataset containing paired air-conducted and throat microphone recordings. We compare this enhancement strategy against state-of-the-art models and demonstrate its superior performance. The inference runs in an interactive interface that allows users to toggle enhancement, visualize spectrograms, and monitor processing latency.
评论: 2页,2图
主题: 音频与语音处理 (eess.AS)
引用方式: arXiv:2508.02974 [eess.AS]
  (或者 arXiv:2508.02974v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.02974
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Julien Hauret [查看电子邮件]
[v1] 星期二, 2025 年 8 月 5 日 00:46:12 UTC (1,151 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号