通过条件流匹配实现更直的路径以提升语音增强精度

当前基于流的生成式语音增强方法学习弯曲的概率路径，建模干净语音与噪声语音之间的映射。尽管性能令人印象深刻，但弯曲概率路径的影响尚不明确。薛定谔桥等方法关注弯曲路径，其中时间依赖的梯度和方差并不促进直路径。机器学习研究的发现表明，直路径（如条件流匹配）更易于训练且泛化更好。在本文中，我们量化了路径直度对语音增强质量的影响。我们报告了薛定谔桥的实验，表明某些配置可产生更直的路径。相反，我们提出用于语音增强的独立条件流匹配，该方法建模噪声语音与干净语音之间的直路径。我们经验性地证明，时间无关的方差对样本质量的影响大于梯度。尽管条件流匹配改善了若干语音质量指标，但它需要多步推理。我们通过将训练好的基于流的模型视为直接预测器来进行一步推理，从而纠正了这一点。我们的工作表明，更直的、时间无关的概率路径优于弯曲的、时间依赖的路径，能够提升生成式语音增强效果。