基于熵导向GRVQ的超低比特率神经语音编解码器
音频与语音处理
2026-03-03 v1 信号处理
摘要
神经音频编解码器(Neural audio codec, NAC)是实现高质量语音信号重建和为下游语音语言模型生成离散表示的关键技术。然而，在维持高保真重建的同时，确保准确的语义建模且受限于超低比特率条件仍具有挑战性。我们提出一种用于超低比特率神经语音编解码器的熵导向组残差向量量化(entropy-guided group residual vector quantization, EG-GRVQ)，该方法保留用于语言信息的语义分支，并在声学分支中融入熵导向分组策略。假设信道激活遵循近似高斯分布，则每个信道的方差可作为其信息内容的原则性代理。基于此假设，我们对编码器输出进行分区，使得每个分组携带总信息量的相等份额。这种均衡的分配提高了码本效率并减少了冗余。我们在LibriTTS和VCTK上进行训练，结果在超低比特率条件下在感知质量和可理解性指标方面均取得改进，尤其注重面向通信的场景下的编解码器级保真度。
引用
@article{arxiv.2603.01476,
title = {Entropy-Guided GRVQ for Ultra-Low Bitrate Neural Speech Codec},
author = {Yanzhou Ren and Noboru Harada and Daiki Takeuchi and Siyu Chen and Wei Liu and Xiao Zhang and Liyuan Zhang and Takehiro Moriya and Shoji Makino},
journal= {arXiv preprint arXiv:2603.01476},
year = {2026}
}