基于梯度定理的高质量在线语音频谱图反转的高效神经与数值方法
机器学习
2025-06-02 v1
摘要
近期关于在线语音频谱图反转的工作有效地将深度学习与梯度定理相结合，直接从幅度预测相位导数。然后，通过最小二乘法从导数估计相位，从而实现高质量重建。在本工作中，我们引入了三项创新，在保持高质量的同时大幅降低计算成本：首先，我们引入了一种仅含 8k 参数的新型神经网络架构，比先前最先进技术小 30 倍。其次，将延迟增加 1 个 hop size 使我们能够进一步将神经推理步骤的成本减半。第三，我们观察到最小二乘问题具有三对角矩阵，并提出了一种利用三对角性和半正定性的线性复杂度求解器用于最小二乘步骤，实现了数个数量级的加速。我们在线发布了样本。
引用
@article{arxiv.2505.24498,
title = {Efficient Neural and Numerical Methods for High-Quality Online Speech Spectrogram Inversion via Gradient Theorem},
author = {Andres Fernandez and Juan Azcarreta and Cagdas Bilen and Jesus Monge Alvarez},
journal= {arXiv preprint arXiv:2505.24498},
year = {2025}
}
备注
Accepted at InterSpeech 2025