ParaGSE：基于基于群向量量化的神经语音编解码器的并行生成式语音增强
声音
2026-02-03 v1
摘要
最近，生成式语音增强受到了广泛关注；然而，现有方法受限于计算复杂度高、效率有限以及语音质量次优。为此，本文提出了一种新型并行生成式语音增强（ParaGSE）框架，利用基于群向量量化（GVQ）的神经语音编解码器。GVQ 基于编解码器采用独立的 VQ 来产生互不相关的 token，从而实现 ParaGSE 中高效的并行 token 预测。具体而言，ParaGSE 利用 GVQ 基于编解码器将退化语音编码为离散 token，通过在退化谱特征条件下的平行分支预测对应的干净 token，最终通过编解码器解码器重建干净语音。实验结果表明，ParaGSE 在包括噪声、混响、带宽限制及其混合等多种失真条件下， consistently 能产生优于判别式和生成式基线的优质增强语音。此外，凭借 token 预测中的并行计算能力，ParaGSE 在 CPU 上的生成效率相较于串行生成式语音增强方法提升约 1.5 倍。
引用
@article{arxiv.2602.01793,
title = {ParaGSE: Parallel Generative Speech Enhancement with Group-Vector-Quantization-based Neural Speech Codec},
author = {Fei Liu and Yang Ai},
journal= {arXiv preprint arXiv:2602.01793},
year = {2026}
}
备注
Accepted by ICASSP 2026