MAGE：基于掩码生成模型的粗到细语音增强器
音频与语音处理
2026-03-16 v3 声音
摘要
语音增强由于效率与感知质量之间的权衡而具有挑战性。在本文中，我们引入了MAGE，即掩码音频生成增强器（Masked Audio Generative Enhancer），通过紧凑且鲁棒的设计推进了生成式语音增强。与先前使用随机掩码的掩码生成模型不同，MAGE采用一种感知稀缺性的粗到细掩码策略，在早期步骤中优先处理频繁token，在后期细化中处理稀有token，从而提高了效率和泛化能力。我们还提出了一种轻量级校正模块，通过检测低置信度预测并重新掩码进行细化，进一步稳定推理。基于BigCodec并从Qwen2.5-0.5B微调，MAGE通过选择性层保留减少至2亿参数。在DNS Challenge和噪声LibriSpeech上的实验表明，MAGE达到了最先进的感知质量，并显著降低了下游识别的词错误率，优于更大的基线模型。音频示例可在https://hieugiaosu.github.io/MAGE/获取。
引用
@article{arxiv.2509.19881,
title = {MAGE: A Coarse-to-Fine Speech Enhancer with Masked Generative Model},
author = {The Hieu Pham and Tan Dat Nguyen and Phuong Thanh Tran and Joon Son Chung and Duc Dung Nguyen},
journal= {arXiv preprint arXiv:2509.19881},
year = {2026}
}
备注
ICASSP 2026