基于谐波-鼓掌解耦神经音频编解码器的频带扩展
声音
2025-11-27 v1
摘要
频带扩展是从低通音频信号重建其高频分量的任务，这是音频处理中长期存在的难题。虽然传统方法沿着更广泛的信号处理趋势演进，但最近的神经网络架构显著提高了在广泛音频任务上的性能。在本工作中，我们将其扩展为一种音频标记预测问题。具体而言，我们在由神经音频编解码器产生的离散表示上训练一个基于 transformer 的语言模型，其中解耦由输入信号的谐波-鼓掌分解引导，突出了频带扩展特别相关的谱特征。我们的方法引入了一种新型编解码器设计，显式地考虑下游标记预测任务，使编解码器结构与 transformer 模型之间的耦合更为有效。这种联合设计产生了对原始信号的高质量重建，正如由客观指标和主观评估所测量。这些结果凸显了将编解码器解耦与表示学习与生成式建模阶段对齐的重要性，并展示了面向频带扩展的全局、面向表示的设计的潜力。
引用
@article{arxiv.2511.21580,
title = {Harmonic-Percussive Disentangled Neural Audio Codec for Bandwidth Extension},
author = {Benoît Giniès and Xiaoyu Bie and Olivier Fercoq and Gaël Richard},
journal= {arXiv preprint arXiv:2511.21580},
year = {2025}
}