Quasi-Periodic WaveNet Vocoder: A Pitch Dependent Dilated Convolution Model for Parametric Speech Generation
Graduate School of Informatics, Nagoya University（名古屋大学信息学研究科）；Graduate School of Information Science, Nagoya University（名古屋大学信息科学研究科）；Information Technology Center, Nagoya University（名古屋大学信息技术中心）
在本文中，我们提出了一个准周期神经网络（QPNet）声码器与一种新的网络结构命名为间距相关的扩张卷积（PDCNN），以提高音调的可控性的WaveNet（WN）声码器。WN声码器从给定的声学特征产生高保真语音样本的有效性最近已被证明。然而，由于固定的扩张卷积和通用的网络架构，WN声码器几乎不产生具有给定的F0值的语音，这些F0值在训练数据中观察到的范围之外。因此，WN声码器缺乏音调可控性，这是传统声码器的基本能力之一。为了解决这一限制，我们提出了PDCNN组件，它具有与给定的F0值相关的时变自适应膨胀大小和QPNet声码器的级联网络结构，以生成语音等准周期信号。进行了客观和主观测试，实验结果表明，更好的音高可控性的QPNet声码器相比，相同和两倍大小的WN声码器，同时达到可比的语音质量。索引术语：WaveNet，声码器，准周期信号，音高相关扩张卷积，音高可控性
2020-03-22 cs.SD eess.AS
FlowVocoder: A small Footprint Neural Vocoder based Normalizing flow for Speech Synthesis
Vinai Research（Vinai研究公司）；Deezer Research（Deezer研究公司）
最近，自回归神经声码器在产生高保真语音方面提供了显著的性能，并且已经能够实时产生合成语音。然而，自回归神经声码器（如WaveFlow）能够从梅尔频谱图中建模波形信号，其参数数量对于部署在边缘设备上非常重要。虽然NanoFlow具有少量参数，是最先进的自回归神经声码器，但NanoFlow的性能略低于WaveFlow。因此，我们提出了一种新型的自回归神经声码器称为FlowVocoder，它具有较小的内存占用，能够实时生成高保真音频。我们提出的模型改进了流块的密度估计，利用混合的累积分布函数（CDF）的二分变换。因此，所提出的模型能够对波形信号进行建模，而其内存占用比WaveFlow小得多。实验结果表明，FlowVocoder算法在主观和客观评价方面都取得了与基线算法相当的效果，更适合于实时的文语转换应用。
2022-03-25 cs.LG cs.SD eess.AS
PeriodGrad: Towards Pitch-Controllable Neural Vocoder Based on a Diffusion Probabilistic Model
Nagoya Institute of Technology（名古屋工业大学）
本文提出PeriodGrad神经声码器，通过在去噪扩散概率模型中引入显式周期信号作为条件，提升语音波形周期结构建模能力，实验证明其音质和音高控制均优于传统DDPM声码器。
2024-02-22 cs.LG cs.SD eess.AS
SqueezeWave: Extremely Lightweight Vocoders for On-device Speech Synthesis
UC Berkeley（加州大学伯克利分校）
自动语音合成是一项具有挑战性的任务，随着边缘设备开始通过语音与用户交互，该任务变得越来越重要。典型的文本到语音流水线包括声码器，其将中间音频表示转换成音频波形。大多数现有的声码器难以并行化，因为每个生成的样本是以先前的样本为条件的。WaveGlow是这些自回归模型的基于流量的前馈替代方案（Prenger等人，2019年）。然而，虽然WaveGlow可以很容易地并行化，但该模型对于边缘上的实时语音合成来说太昂贵了。本文介绍了SqueezeWave，一个基于WaveGlow的轻量级声码器家族，它可以生成与WaveGlow相似质量的音频，而MAC数减少61 - 214倍。代码、训练模型和生成的音频可在https://github.com/tianrengao/SqueezeWave上公开获取。
2020-01-16 cs.SD eess.AS
Continuous Wavelet Vocoder-based Decomposition of Parametric Speech Waveform Synthesis
Budapest University of Technology and Economics（布达佩斯技术与经济大学）；MTA-ELTE Lendület Lingual Articulation Research Group（MTA-ELTE Lendület 语言发音研究组）
迄今为止，各种语音技术系统都采用了声码器方法，这是一种合成语音波形的方法，在统计参数语音合成的性能中发挥着重要作用。WaveNet是最好的模型之一，几乎类似于人类的声音，必须以非常复杂的神经网络结构以耗时的顺序方式生成波形。
2021-06-12 cs.SD eess.AS
Towards Robust Neural Vocoding for Speech Generation: A Survey
College of Electrical Engineering and Computer Science, National Taiwan University（台湾大学电机资讯学院）；Graduate Institute of Communication Engineering, National Taiwan University（台湾大学电信工程学研究所）
近年来，神经声码器已广泛应用于语音合成任务，包括文本到语音和语音转换。然而，当遇到训练和推理之间的数据分布不匹配时，在真实数据上训练的神经声码器通常会在不可见的场景中降低语音质量。本文在五个不同的数据集上交替训练了WaveNet、WaveRNN、FFTNet、Parallel WaveGAN四种常用的神经元声码器。为了研究神经声码器的鲁棒性，我们使用来自可见/不可见扬声器，可见/不可见语言，文本到语音模型和语音转换模型的声学特征来评估模型。我们发现，对于实现通用声码器来说，说话者的多样性比语言更重要。通过我们的实验，我们表明WaveNet和WaveRNN更适合于文本到语音模型，而并行WaveGAN更适合于语音转换应用。大量的主观MOS结果的自然度的所有声码器，为未来的研究。
2020-08-20 cs.LG cs.SD eess.AS
A Neural Vocoder with Hierarchical Generation of Amplitude and Phase Spectra for Statistical Parametric Speech Synthesis
本文提出了一种神经元声码器HiNet，它通过对幅度谱和相位谱的分层预测，从声学特征中重构语音波形。与现有的WaveNet、SampleRNN和WaveRNN等直接使用单个神经网络产生波形样本的神经声码器不同，HiNet声码器由幅度谱预测器（ASP）和相位谱预测器（PSP）组成。ASP是一个简单的DNN模型，它从声学特征预测对数振幅谱（LAS）。预测的LAS被发送到PSP中用于相位恢复。考虑到相位扭曲问题和相位建模的困难，PSP是通过级联一个神经源滤波器（NSF）波形发生器和相位提取器。我们还将生成对抗网络（GANs）引入ASP和PSP。最后，将ASP和PSP的输出结合起来，通过短时傅立叶合成来重构语音波形。由于两种预测器都没有自回归结构，HiNet声码器可以高效地产生语音波形。客观和主观的实验结果表明，我们提出的HiNet声码器实现了更好的自然度比传统的STRAIGHT声码器，一个16位的WaveNet声码器使用开源实现和NSF声码器具有类似的复杂度的PSP，并获得类似的性能与16位的WaverRNN声码器的重建语音。我们还发现，在一定程度上，HiNet的性能是不敏感的神经波形发生器在PSP中的复杂性。在简化其模型结构后，使用GPU生成16kHz语音的1s波形所消耗的时间可以从0.34s进一步减少到0.19s，而不会显着降低质量。
2020-02-05 cs.SD eess.AS
Parametric Resynthesis with neural vocoders
The Graduate Center, CUNY（纽约城市大学研究生中心）；Brooklyn College（布鲁克林学院）；Computer Science（计算机科学系）；Computer and Information Science（计算机与信息科学系）
噪声抑制系统通常产生具有折衷质量的输出语音。我们建议利用高品质的语音生成能力的神经声码器的噪声抑制。我们使用一个神经网络来预测干净的梅尔频谱图功能，从嘈杂的语音，然后比较两个神经声码器，WaveNet和WaveGlow，从预测梅尔频谱图合成干净的语音。WaveNet和WaveGlow都比声源分离模型Chimera++获得了更好的主观和客观质量分数。此外，WaveNet和WaveGlow还实现了比Oracle Wiener掩码更好的主观质量评级。此外，我们观察到，在WaveNet和WaveGlow之间，WaveNet实现了最佳的主观质量分数，尽管代价是波形生成速度要慢得多。
2019-11-14 cs.LG cs.SD eess.AS
Non-parallel Voice Conversion System with WaveNet Vocoder and Collapsed Speech Suppression
Graduate School of Informatics, Nagoya University（名古屋大学信息学研究科）；Information Technology Center, Nagoya University（名古屋大学信息技术中心）；Graduate School of Information Science, Nagoya University（名古屋大学信息科学研究科）
在本文中，我们集成了一个简单的非并行语音转换（VC）系统与WaveNet（WN）声码器和建议的折叠语音抑制技术。WN作为基于声学特征生成高保真语音波形的声码器的有效性已在最近的工作中得到证实。然而，当将WN声码器与VC系统相结合时，失真的声学特征、声学和时间失配以及曝光偏差通常导致显著的语音质量下降，使得WN生成一些非常嘈杂的语音段，称为塌陷语音。为了解决这个问题，我们采取传统的声码器生成的语音作为参考语音推导出一个线性预测编码分布约束（LPCDC），以避免崩溃的语音问题。此外，为了减轻由LPCDC引入的负面影响，我们提出了一个崩溃的语音段检测器（CSSD），以确保LPCDC仅适用于有问题的段，以限制质量损失到短时间内。进行了客观和主观评价，实验结果证实了所提出的方法的有效性，进一步提高了我们以前提交给2018年语音转换挑战赛的非并行VC系统的语音质量。
2020-04-07 cs.SD eess.AS
CQNV: A combination of coarsely quantized bitstream and neural vocoder for low rate speech coding
Wuhan University（武汉大学）；Supercomputing Center of Wuhan University（武汉大学超级计算中心）
针对传统参数与神经声码器结合的语音编码架构参数量化冗余问题，提出CQNV框架，结合传统粗量化参数与神经声码器并加入参数处理模块，在1.1kbps下实现优于3kbps的Lyra和Encodec的语音质量。
2023-07-25 cs.SD eess.AS
A Cyclical Post-filtering Approach to Mismatch Refinement of Neural Vocoder for Text-to-speech Systems
Nagoya University（名古屋大学）；AI, Inc.（AI股份有限公司）
最近，文本转语音（TTS）系统与神经声码器相结合，以产生高保真语音的有效性已被证明。然而，收集所需的训练数据并从头开始构建这些先进的系统是耗时耗力的。一个经济的方法是开发一个神经声码器，以提高现有的或低成本的TTS系统产生的语音。然而，这种方法通常存在两个问题：1）TTS和自然波形之间的时间失配，以及2）训练数据和测试数据之间的声学失配。为了解决这些问题，我们采用了一个循环语音转换（VC）模型来生成时间匹配的伪VC数据的训练和声学匹配的增强数据用于测试的神经声码器。由于该框架的通用性，它可以适用于任意的TTS系统和神经元声码器。在本文中，我们应用所提出的方法与国家的最先进的WaveNet声码器为两个不同的基本TTS系统，客观和主观的实验结果证实了所提出的框架的有效性。
2020-08-07 cs.SD eess.AS
Bunched LPCNet : Vocoder for Low-cost Neural Text-To-Speech Systems
Samsung AI Centre（三星人工智能中心）；Samsung Research（三星研究院）；University of Cambridge（剑桥大学）
LPCNet是一种高效的声码器，它结合了线性预测和深度神经网络模块，以保持较低的计算复杂度。在这项工作中，我们提出了两种技术，以进一步降低其复杂性，旨在低成本的LPCNet声码器为基础的神经文本转语音（TTS）系统。这些技术是：1）样本聚束，允许LPCNet为每个推理生成多个音频样本; 2）比特聚束，减少LPCNet最后一层的计算。使用所提出的聚束技术，LPCNet结合深度卷积TTS（DCTTS）声学模型，在移动终端上运行时，显示出比基线运行时间提高2.19倍，TTS平均意见评分（MOS）下降不到0.1。
2020-08-11 cs.LG cs.SD eess.AS
UTDUSS: UTokyo-SaruLab System for Interspeech2024 Speech Processing Using Discrete Speech Unit Challenge
The University of Tokyo（东京大学）
我们提出UTDUSS，UTokyo-SaruLab系统提交给Interspeech 2024使用离散语音单元挑战的语音处理。挑战的重点是使用从大型语音语料库中学习的离散语音单元来完成某些任务。我们将UTDUSS系统提交给两个文本到语音的轨道：声码器和声学+声码器。我们的系统采用了神经音频编解码器（NAC）只在语音语料库上进行预训练，这使得学习的编解码器代表了高保真语音重建所需的丰富声学特征。对于声学+声码器音轨，我们训练了一个基于Transformer编码器-解码器的声学模型，该编码器-解码器从文本输入预测预训练的NAC标记。我们描述了构建这些模型的策略，例如数据选择，下采样和超参数调整。我们的系统分别在声码器和声学+声码器音轨中排名第二和第一。
2024-03-20 cs.SD eess.AS
FeatherWave: An efficient high-fidelity neural vocoder with multi-band linear prediction
Tencent（腾讯）
在本文中，我们提出了FeatherWave，又一个变体的WaveRNN声码器结合多带信号处理和线性预测编码。LPCNet是最近提出的一种神经声码器，它利用了WaveRNN结构中语音信号的线性预测特性，可以在单个CPU核上以比实时更快的速度生成高质量的语音。然而，LPCNet对于在线语音生成任务仍然不够高效。为了解决这个问题，我们采用多带线性预测编码的WaveRNN声码器。多带方法使该模型能够在一个步骤中并行生成多个语音样本。因此，它可以显著提高语音合成的效率。所提出的模型与4个子带需要不到1.6 GFLOPS的语音生成。在我们的实验中，它可以在单个CPU上生成24 kHz高保真音频，速度比实时快9倍，比LPCNet声码器快得多。此外，我们的主观听力测试表明，FeatherWave可以生成比LPCNet更好的语音质量。
2020-09-03 cs.SD eess.AS
A Vocoder-free WaveNet Voice Conversion with Non-Parallel Data
National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）
在典型的语音转换系统中，声码器通常用于语音到特征分析和特征到语音合成。然而，声码器可以是语音质量降级的来源。本文提出了一种基于WaveNet的非并行训练数据的无声码器语音转换方法。该方法不需要处理中间特征，而是利用WaveNet将语音后验图（PPG）直接映射到波形样本。这样，我们就避免了声码器和特征转换所带来的估计误差。此外，由于PPG被假定为说话人独立的，所提出的方法还减少了基于WaveNet声码器的方法中的特征失配问题。在CMU-ARCTIC数据库上的实验结果表明，该方法在语音质量方面明显优于基线方法。
2019-09-17 cs.SD eess.AS
FBWave: Efficient and Scalable Neural Vocoders for Streaming Text-To-Speech on the Edge
Facebook Reality Labs（Facebook现实实验室）；Facebook AI（Facebook人工智能实验室）；UC Berkeley（加州大学伯克利分校）
目前，越来越多的应用可以受益于基于边缘的文本到语音（TTS）。然而，大多数现有的TTS模型在计算上过于昂贵，并且不够灵活，无法部署在具有同样不同计算能力的各种边缘设备上。为了解决这个问题，我们提出了FBWave，这是一系列高效且可扩展的神经声码器，可以为不同的边缘设备实现最佳的性能效率权衡。FBWave是一种基于流的混合生成模型，结合了自回归和非自回归模型的优点。它可以产生高质量的音频，并在推理过程中支持流式传输，同时保持高度的计算效率。我们的实验表明，FBWave可以实现与WaveRNN相似的音频质量，同时将MAC减少40倍。更高效的FBWave变体可以实现高达109倍的MAC，同时仍然提供可接受的音频质量。音频演示可在https://bichenwu09.github.io/vocoder_demos上获得。
2020-11-25 cs.LG cs.SD eess.AS
VocBench: A Neural Vocoder Benchmark for Speech Synthesis
Facebook AI（脸书人工智能研究院）；University at Albany, State University of New York（纽约州立大学奥尔巴尼分校）；University at Buffalo, State University of New York（纽约州立大学布法罗分校）
用于将音频信号的频谱表示转换为波形的神经声码器是语音合成流水线中常用的组件。它专注于从低维表示合成波形，例如Mel频谱图。近年来，已经引入了不同的方法来开发这样的声码器。然而，评估这些新的声码器并将其性能与以前的声码器进行比较变得更具挑战性。为了解决这个问题，我们提出了VocBench，一个基准测试最先进的神经声码器性能的框架。VocBench使用系统的研究来评估共享环境中不同的神经声码器，从而能够在它们之间进行公平的比较。在我们的实验中，我们对所有神经声码器的数据集、训练管道和评估指标使用相同的设置。我们进行了主观和客观的评价，比较性能的每个声码器沿不同的轴。我们的研究结果表明，该框架是能够显示的竞争力和质量的合成样本为每个声码器。VocBench框架可在https://github.com/facebookresearch/vocoder-benchmark上获得。
2021-12-06 cs.CL cs.SD eess.AS
Quasi-Periodic Parallel WaveGAN Vocoder: A Non-autoregressive Pitch-dependent Dilated Convolution Model for Parametric Speech Generation
Nagoya University（名古屋大学）
在本文中，我们提出了一个并行的WaveGAN（PWG）类神经声码器与准周期（QP）架构，以提高PWG的音调可控性。PWG是一种紧凑的非自回归（non-AR）语音生成模型，其生成速度远远快于实时。在利用PWG作为声码器以基于诸如频谱和韵律特征的声学特征来生成语音的同时，PWG生成高保真语音。然而，当输入的声学特征包括看不见的音高时，PWG生成的语音的音高准确性降低，因为PWG的固定和通用网络没有语音周期性的先验知识。QPPWG采用了一个基音相关的扩张卷积网络（PDCNN）模块，通过动态改变网络结构将基音信息引入PWG，提高了vanilla PWG的基音可控性和语音建模能力。客观和主观评价结果表明，当QPPWG模型大小仅为vanilla PWG模型大小的70%时，QPPWG生成的语音具有更高的基音精度和相当的语音质量。
2020-08-07 cs.SD eess.AS
Collapsed speech segment detection and suppression for WaveNet vocoder
Nagoya University（名古屋大学）
在本文中，我们提出了一种技术，以减轻崩溃的语音段有时产生的WaveNet声码器所造成的质量下降。WaveNet声码器用于从声学特征生成自然语音的有效性已在最近的工作中得到证明。然而，当只有有限数量的训练数据可用或训练数据和测试数据之间存在显著的声学失配时，它有时会生成具有折叠语音段的非常嘈杂的语音。这种对语料库的限制和有限的模型能力很容易出现在某些语音生成应用中，例如语音转换和语音增强。为了解决这个问题，我们提出了一种技术来自动检测崩溃的语音段。此外，为了细化检测到的片段，我们还提出了一种波形生成技术的WaveNet使用线性预测编码约束。验证和主观测试进行调查所提出的技术的有效性。验证结果表明，该检测技术可以检测到大多数塌陷段。语音转换的主观评价表明，该生成技术显着提高了语音质量，同时保持相同的说话人相似性。
2018-08-09 cs.SD eess.AS
An Initial study on Birdsong Re-synthesis Using Neural Vocoders
University of Eastern Finland（东芬兰大学）
现代语音合成使用神经声码器直接对原始波形样本进行建模。这种增加的多功能性已经将声码器的范围从语音扩展到其他领域，例如音乐。我们解决另一个有趣的生物声学领域。我们提供了初步的比较分析，再合成实验的鸟鸣使用传统的（世界）和两个神经（WaveNet自动编码器，并行WaveGAN）声码器。我们的主观结果表明，在三个声码器的物种歧视（ABX测试）方面没有差异。尽管如此，WORLD声码器样本在保持类似鸟的质量（MOS测试）方面被评为更高。所有声码器都面临音高和发声的问题。我们的研究结果表明，在处理低质量的野生动物音频数据的一些挑战。
2022-09-21 cs.SD eess.AS eess.SP
LA-VocE: Low-SNR Audio-visual Speech Enhancement using Neural Vocoders
Imperial College London（帝国理工学院）；Meta Reality Labs Research（Meta现实实验室）；Meta
视听语音增强的目的是从噪声环境中提取干净的语音，不仅利用音频本身，而且还利用目标说话人的嘴唇运动。这种方法已被证明是产生改进的音频语音增强，特别是对于干扰语音的去除。尽管最近在语音合成方面取得了进展，但大多数视听方法继续使用频谱映射/掩蔽来再现干净的音频，通常导致视觉骨干被添加到现有的语音增强架构中。在这项工作中，我们提出了LA-VocE，一种新的两阶段方法，通过基于变换器的架构从嘈杂的视听语音中预测梅尔频谱图，然后使用神经声码器（HiFi-GAN）将其转换为波形音频。我们对数千名说话者和11种以上不同的语言进行了训练和评估，并研究了我们的模型适应不同水平背景噪声和语音干扰的能力。我们的实验表明，LA-VocE优于现有的方法，根据多个指标，特别是在非常嘈杂的情况下。
2023-03-13 cs.CV cs.LG cs.SD
Ultra-lightweight Neural Differential DSP Vocoder For High Quality Speech Synthesis
Meta
本文提出超轻量 DDSP 声码器，通过声学模型与 DSP 声码器联合优化，在保持极低算力和实时效率的同时达到接近神经声码器的音质。
2024-01-19 cs.LG cs.SD eess.AS
DeepA: A Deep Neural Analyzer For Speech And Singing Vocoding
National University of Singapore（新加坡国立大学）；Singapore University of Technology and Design（新加坡科技设计大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
传统的声码器通常用作分析工具，为诸如语音合成和语音转换之类的下游任务提供可解释的特征。它们是在关于遵循信号处理原理的信号的某些假设下建立的，因此，不容易推广到不同的音频，例如，从语音到唱歌。在本文中，我们提出了一种深度神经分析器，表示为DeepA -一种神经声码器，从输入语音中提取F0和音色/非周期性编码，模拟传统声码器中定义的那些。因此，所得到的参数比其他潜在神经表征更可解释。与此同时，由于深度神经分析器是可学习的，因此预计它将更准确地进行信号重建和操作，并可从语音推广到唱歌。建议的神经分析器是建立在一个变分自动编码器（VAE）架构的基础上。我们表明，DeepA比传统的声码器（WORLD）提高了F0估计。据我们所知，这是第一项致力于开发神经框架以提取可学习的声码器类参数的研究。
2021-10-13 cs.LG cs.SD eess.AS
Ultrasound-based Silent Speech Interface Built on a Continuous Vocoder
Budapest University of Technology and Economics（布达佩斯技术与经济大学）；MTA-SZTE Research Group on Artificial Intelligence（匈牙利科学院-塞格德大学人工智能研究组）；University of Szeged（塞格德大学）
最近表明，在无声语音接口（SSI）领域内，使用深度神经网络进行发音到声学映射，可以从超声舌图像（UTI）作为发音输入预测F0。此外，当使用连续音调估计时，文本到语音合成器被示出产生更高质量的语音，该连续音调估计即使在不存在浊音时也采用非零音调值。因此，在本文中基于UTI的SSI，我们使用一个简单的连续F0跟踪器，不适用于严格的有声/无声的决定。连续声码器参数（ContF 0，最大浊音频率和梅尔广义倒谱）预测使用卷积神经网络，与UTI作为输入。结果表明，在发音声学映射实验中，连续F0预测具有较低的误差，并且连续声码器产生比使用标准不连续F0的基线声码器稍微更自然的合成语音。
2019-06-24 cs.SD eess.AS eess.IV
Deep Vocoder: Low Bit Rate Compression of Speech with Deep Autoencoder
National University of Defense Technology（国防科技大学）；Army Engineering University of PLA（中国人民解放军陆军工程大学）
受深度神经网络（DNN）在语音处理中的成功启发，本文提出了一种带深度自动编码器（DAE）的直接端到端低比特率语音压缩方法--深度声码器（Deep Vocoder）。在深度声码器中，DAE用于提取语音的潜在代表特征（LRF），然后通过合成分析矢量量化（AbS VQ）方法对其进行有效量化。AbS VQ的目标是最小化感知频谱重建失真，而不是LRF向量本身的失真。此外，提出了一种次优码本搜索技术，以进一步降低计算复杂性。实验结果表明，与传统的基于SQ或VQ的编解码器的输出相比，深度声码器在频率加权分段SNR、STOI和PESQ得分方面产生了实质性的改善。对于2400 bit/s和1200 bit/s的语音编码，在TIMIT语料库上产生的PESQ分数分别为3.34和3.08。
2019-05-14 cs.IT cs.MM cs.SD
QHARMA-GAN: Quasi-Harmonic Neural Vocoder based on Autoregressive Moving Average Model
Graduate School of Informatics, Nagoya University（信息科学研究生院，名古屋大学）；Information Technology Center, Nagoya University（信息科技中心，名古屋大学）
本文提出QHARMA-GAN神经声码器，将神经网络与准谐波模型及ARMA函数结合，实现高质量、可灵活修改且更快速的语音合成。
2025-07-02 cs.SD eess.AS eess.SP
RawNet: Fast End-to-End Neural Vocoder
Xiaomi Corporation（小米集团）
最近，基于神经网络的声码器已经展示了合成高质量语音的强大能力。这些模型通常通过调节频谱特征来生成样本，例如梅尔频谱图和基频，这对语音合成至关重要。然而，特征提取过程往往严重依赖于人类的知识，导致原始音频的表达能力较低。在这项工作中，我们提出了RawNet，一个完整的端到端的神经声码器以下的自动编码器结构的说话人相关和独立的语音合成。它自动学习提取特征并使用神经网络恢复音频，其中包括编码器网络以捕获输入音频的更高表示和自回归voder网络以逐个样本的方式恢复音频。编码器和语音合成器直接在原始波形上联合训练，没有任何人为设计的特征。实验结果表明，RawNet在简化模型架构的基础上，获得了更好的语音质量，并在推理阶段获得了更快的语音生成速度。
2023-03-10 cs.LG cs.SD eess.AS
Multilingual Multi-Speaker Unit Vocoders: A Systematic Analysis of Discrete Speech Representations
National Institute of Technology, Trichy（印度Trichy国家理工学院）；Indian Institute of Technology, Madras（印度Madras理工学院）
分析基于BigVGAN的单元声码器在多语言多说话人语音生成中的表现，发现聚类大小控制可懂度，显式说话人条件防止身份崩溃，语言监督在低聚类大小时有益。
2026-06-04 cs.AI cs.CL cs.SD
Training Generative Adversarial Network-Based Vocoder with Limited Data Using Augmentation-Conditional Discriminator
NTT Corporation（NTT公司）
针对GAN声码器在有限数据下易过拟合的问题，提出增强条件判别器AugCondD，通过输入增强状态评估语音，在有限数据下提升语音质量且不损害充足数据下的表现。
2024-03-25 cs.LG cs.SD eess.AS
Towards Parametric Speech Synthesis Using Gaussian-Markov Model of Spectral Envelope and Wavelet-Based Decomposition of F0
Budapest University of Technology and Economics（布达佩斯技术与经济大学）
基于神经网络的文语转换（Text-to-Speech）技术显著提高了合成语音的质量。突出的方法（例如，Tacotron 2、FastSpeech、FastPitch）通常从文本生成Mel频谱图，然后使用声码器（例如，WaveNet、WaveGlow、HiFiGAN）。与传统的参数方法（例如，STRAIGHT和WORLD），基于神经声码器的端到端模型存在推理速度慢的问题，并且合成的语音通常不鲁棒且缺乏可控性。在这项工作中，我们提出了一种新的更新声码器，这是一个简单的信号模型，训练和容易产生的波形。我们使用高斯马尔可夫模型对强大的学习谱包络和基于小波的统计信号处理的特点和分解F0功能。它能保持语音的精细谱包络，实现自然语音的高度可控性。实验结果表明，我们提出的声码器实现了更好的自然度重建语音比传统的直声码器，略优于WaveNet，并略差于WaveRNN。
2022-08-15 cs.SD eess.AS
Neural Vocoders as Speech Enhancers
Institute of Acoustics Chinese Academy of Sciences（中国科学院声学研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent AI Lab（腾讯AI实验室）
本文发现语音增强与神经声码在秩行为上存在共性，提出统一模型可同时处理两个任务，实验证明联合训练性能与单独训练相当，为语音恢复提供统一框架。
2025-01-23 cs.SD eess.AS
Vocoder-free End-to-End Voice Conversion with Transformer Network
Kyungpook National University（庆北国立大学）
与原始频谱相比，基于梅尔频率滤波器组（MFB）的方法具有学习语音的优势，因为MFB具有较小的特征尺寸。然而，采用MFB方法的语音发生器需要额外的声码器，这需要大量的计算开销用于训练过程。额外的预/后处理，如MFB和声码器，对于将真实的人类语音转换为其他语音并不重要。可以仅使用原始频谱以及相位来生成具有清晰发音的不同风格的语音。在这方面，我们提出了一种快速有效的方法来转换现实的声音，使用原始频谱的并行方式。我们的基于transformer的模型架构没有任何CNN或RNN层，显示了快速学习的优势，解决了传统RNN顺序计算的局限性。本文介绍了一种利用Transformer网络实现无声码器端到端语音转换的方法。该转换模型也可用于语音识别的说话人自适应。我们的方法可以将源语音转换为目标语音，而无需使用MFB和声码器。通过将转换后的幅度与相位相乘，可以得到用于语音识别的自适应MFB。我们在TIDIGITS数据集上进行了语音转换实验，分别使用自然度，相似度和清晰度等指标与平均意见得分。
2020-02-05 cs.LG cs.SD eess.AS
Source-Filter-Based Generative Adversarial Neural Vocoder for High Fidelity Speech Synthesis
National Engineering Research Center of Speech and Language Information Processing（语音与语言信息处理国家工程研究中心）；University of Science and Technology of China（中国科学技术大学）
本文提出基于声源-滤波器的生成对抗神经声码器SF-GAN，通过引入F0激励信号结合多分辨率卷积滤波器重建波形，在AS和TTS任务中超越HiFi-GAN和Fre-GAN，合成质量媲美真实音频。
2023-04-26 cs.SD eess.AS
DelightfulTTS 2: End-to-End Speech Synthesis with Adversarial Vector-Quantized Auto-Encoders
Microsoft Azure Speech（微软Azure语音）；Microsoft Research Asia（微软亚洲研究院）
当前的文本到语音（TTS）系统通常利用级联的声学模型和声码器流水线，其中梅尔频谱图作为中间表示，其受到两个限制：1）声学模型和声码器是单独训练的，而不是联合优化的，这导致级联的误差; 2）中间语音表示（例如，MEL频谱图）是预先设计的，并且丢失了相位信息，这是次优的。为了解决这些问题，本文开发了DelightfulTTS 2，这是一种新型端到端语音合成系统，具有自动学习的语音表示以及联合优化的声学模型和声码器。具体而言，1）我们提出了一种新的基于矢量量化自编码器与对抗训练（VQ-GAN）的编解码器网络，以提取中间帧级语音表示（而不是像梅尔频谱图这样的传统表示）并重建语音波形; 2）共同优化声学模型（基于DelightfulTTS）和声码器（VQ-GAN的解码器），在声学模型上具有辅助损失以预测中间语音表示。实验表明，DelightfulTTS 2的CMOS增益比DelightfulTTS提高了+0.14，进一步的方法分析进一步验证了所开发系统的有效性。
2022-07-11 cs.SD eess.AS eess.SP
Statistical Voice Conversion with Quasi-Periodic WaveNet Vocoder
Graduate School of Informatics, Nagoya University（名古屋大学信息学研究科）；Graduate School of Information Science, Nagoya University（名古屋大学情报科学研究科）；Information Technology Center, Nagoya University（名古屋大学信息技术中心）
在本文中，我们调查的有效性的准周期波网（QPNet）声码器结合统计频谱转换技术的语音转换任务。WaveNet（WN）声码器已被应用于许多不同的语音转换框架中的波形生成模块，并取得了显着的改善，比传统的声码器。然而，由于固定的扩张卷积和通用的网络架构，WN声码器缺乏对看不见的输入功能的鲁棒性，往往需要一个巨大的网络规模，以实现可接受的语音质量。这种限制通常会导致语音转换任务的性能下降。为了克服这个问题，应用了QPNet声码器，它包括一个与音调相关的扩张卷积组件，以增强音调可控性并获得比WN声码器更紧凑的网络。在所提出的方法中，首先使用逐帧深度神经网络转换输入频谱特征，然后QPNet声码器基于线性转换的韵律和变换后的频谱特征生成转换后的语音。实验结果证实，QPNet声码器实现了显着更好的性能比相同大小的WN声码器，同时保持可比的语音质量的两倍大小的WN声码器。索引术语：WaveNet，声码器，语音转换，音高相关的扩张卷积，音高可控性
2020-03-22 cs.SD eess.AS
Improving Resource-Efficient Speech Enhancement via Neural Differentiable DSP Vocoder Refinement
Meta Reality Labs（Meta现实实验室）；Meta AI
针对可穿戴设备计算资源有限的问题，提出基于可微分数字信号处理（DDSP）声码器的高效端到端语音增强框架，通过紧凑网络预测声学特征并合成波形，在不增加计算量的情况下提升可懂度和质量。
2025-08-20 cs.SD eess.AS
Reconstructing Speech from Real-Time Articulatory MRI Using Neural Vocoders
University of Szeged（塞格德大学）
存在用于记录发音运动的几种方法，例如电磁和永磁发音描记术、超声舌成像和表面肌电图。尽管磁共振成像（MRI）比上述方法更昂贵，但该领域的最新发展现在允许以可接受的分辨率记录咬合架的实时的【形】MRI视频。在这里，我们尝试使用深度神经网络从实时的【形】MRI记录中重建语音信号。我们的网络不是直接估计语音，而是经过训练输出一个频谱向量，然后使用WaveGlow神经声码器重建语音信号。我们比较了三种深度神经架构在估计任务中的性能，结合了卷积（CNN）和基于递归（LSTM）的神经层。除了我们的网络的平均绝对误差（MAE），我们还通过比较使用几个客观的语音质量指标，如平均倒谱失真（MCD），短时客观可懂度（STOI），语音质量的感知评估（PESQ）和信号失真比（SDR）获得的语音信号来评估我们的模型。结果表明，我们的方法可以成功地重建总的光谱形状，但需要更多的改进，以重现精细的光谱细节。
2021-04-23 cs.SD eess.AS
Wasserstein GAN and Waveform Loss-based Acoustic Model Training for Multi-speaker Text-to-Speech Synthesis Systems Using a WaveNet Vocoder
The University of Tokyo（东京大学）；National Institute of Informatics（国立信息学研究所）；University of Edinburgh（爱丁堡大学）
最近的神经网络，如直接从语音波形样本学习的WaveNet和sampleRNN，即使在多扬声器文本转语音合成系统中，也在自然度和扬声器相似性方面实现了非常高质量的合成语音。这种神经网络被用作声码器的替代方案，因此它们通常被称为神经声码器。神经声码器使用声学特征作为局部条件参数，这些参数需要由另一个声学模型准确预测。然而，还不清楚如何训练该声学模型，这是有问题的，因为合成语音的最终质量受声学模型的性能的显著影响。发生显著的退化，特别是当预测的声学特征与自然特征相比具有不匹配的特征时。为了减少自然和生成的声学特征之间的不匹配特性，我们提出了将条件生成对抗网络（GAN）或其变体Wasserstein GAN与梯度惩罚（WGAN-GP）结合到使用WaveNet声码器的多扬声器语音合成中的框架。我们还扩展了GAN框架，并使用经过良好训练的WaveNet的离散化混合逻辑损失以及均方误差和对抗损失作为目标函数的一部分。实验结果表明，使用WGAN-GP框架训练的声学模型，使用反向传播离散混合物流（DML）损失在质量和扬声器相似性方面达到最高的主观评价分数。
2018-07-31 cs.CL cs.SD eess.AS
A Real-Time Wideband Neural Vocoder at 1.6 kb/s Using LPCNet
Mozilla（谋智）
神经语音合成算法是一种很有前途的低码率语音编码新方法。到目前为止，它们已经证明了远远超过传统声码器的质量，但代价是非常高的复杂性。在这项工作中，我们提出了一个低比特率的神经声码器的LPCNet模型的基础上。线性预测和稀疏递归网络的使用使得在通用硬件上实现实时运算成为可能。我们表明，LPCNet在1.6 kb/s的操作实现了显着更高的质量比MELP和未压缩的LPCNet可以超过在低比特率的波形编解码器的质量。这为基于神经合成模型的新编解码器设计开辟了道路。
2019-06-28 cs.LG cs.SD eess.AS
Spoofed training data for speech spoofing countermeasure can be efficiently created using neural vocoders
National Institute of Informatics（国立信息学研究所）
用于语音欺骗对策的良好训练集需要不同的TTS和VC欺骗攻击，但是为目标说话者生成TTS和VC欺骗试验可能在技术上要求很高。这项研究没有使用成熟的TTS和VC系统，而是使用基于神经网络的声码器对真实的话语进行复制合成。输出数据可用作欺骗数据。为了更好地利用成对的真实数据和欺骗数据，本研究引入了一种可以插入标准训练标准的对比特征损失。在ASVspoof 2019逻辑访问训练集的真实试验的基础上，本研究根据经验比较了使用一些神经非自回归声码器以所提出的方式创建的一些训练集。多个测试集的结果表明了良好的实践，例如使用来自目标域的真实数据微调神经声码器。实验结果也证明了对比特征丢失的有效性。结合最佳实践，经过培训的CM实现了整体竞争力。其在ASVspoof 2021隐藏子集上的EER也超过了前1名的挑战提交。
2023-02-22 cs.SD eess.AS
VocGAN: A High-Fidelity Real-time Vocoder with a Hierarchically-nested Adversarial Network
NCSOFT（NCSoft公司）；Handong Global University（韩东国际大学）
我们提出了一种新的高保真实时神经声码器称为VocGAN。最近开发的基于GAN的声码器MelGAN实时产生语音波形。然而，它经常产生质量不足或与输入梅尔频谱图的声学特性不一致的波形。VocGAN几乎与MelGAN一样快，但它显著提高了输出波形的质量和一致性。VocGAN应用多尺度波形发生器和分层嵌套的学习器，以平衡的方式学习多个级别的声学特性。它还应用了联合条件和无条件目标，这在高分辨率图像合成中显示了成功的结果。在实验中，VocGAN在GTX 1080Ti GPU上合成语音波形的速度比实时快416.7倍，在CPU上合成语音波形的速度比实时快3.24倍。与MelGAN相比，它在多个评估指标（包括平均意见分数（MOS））方面也表现出显着提高的质量，同时具有最小的额外开销。此外，与最近开发的另一种高保真声码器并行WaveGAN相比，VocGAN在CPU上的速度快6.98倍，并且具有更高的MOS。
2020-07-30 cs.LG cs.SD eess.AS
SpecGrad: Diffusion Probabilistic Model based Neural Vocoder with Adaptive Noise Spectral Shaping
Google Research（谷歌研究院）；Tokyo University of Agriculture and Technology（东京农工大学）
通过对扩散噪声分布进行自适应处理，改进了基于去噪扩散概率模型（DDPM）的神经声码器。在这项研究中，我们提出了SpecGrad，适应扩散噪声，使其随时间变化的频谱包络变得接近的条件对数梅尔频谱图。通过时变滤波的这种适应改善了声音质量，特别是在高频段中。它在时频域中进行处理，以保持与传统的基于DDPM的神经声码器几乎相同的计算成本。实验结果表明，SpecGrad在分析合成和语音增强两种情况下都比传统的基于DDPM的神经声码器产生更高保真的语音波形。音频演示可在wavegrad.github.io/specgrad/上获得。
2022-08-04 cs.LG cs.SD eess.AS
Wave-Trainer-Fit: Neural Vocoder with Trainable Prior and Fixed-Point Iteration towards High-Quality Speech Generation from SSL features
Nara Institute of Science and Technology（奈良科学技术大学）；LY Corporation（LY公司）
WaveTrainerFit通过引入可训练先验和固定点迭代，提升从SSL特征生成高质量语音的效果，减少推理步骤并提高语音相似度。
2026-02-05 cs.SD eess.AS
Bunched LPCNet2: Efficient Neural Vocoders Covering Devices from Cloud to Edge
Samsung Research, Samsung Electronics（三星电子三星研究院）；PDMI RAS（俄罗斯科学院圣彼得堡数学研究所）；Mobile eXperience Business, Samsung Electronics（三星电子移动体验事业部）
与云TTS相比，在边缘设备上运行的文本到语音（TTS）服务具有许多优势，例如，延迟和隐私问题。然而，具有低复杂度和小模型占用空间的神经声码器不可避免地产生恼人的声音。本研究提出了一种Bunched LPCNet2，这是一种改进的LPCNet架构，可为云服务器提供高质量的高效性能，并为低资源边缘设备提供低复杂性。单一逻辑分布实现了计算效率，有见地的技巧减少了模型占用空间，同时保持了语音质量。一个双速率架构，它产生一个较低的采样率从韵律模型，也提出了减少维护成本。实验表明，Bunched LPCNet2生成令人满意的语音质量，模型占用空间为1.1MB，同时在RPi 3B上运行速度比实时更快。我们的音频样本可以在https://srtts.github.io/bunchedLPCNet2上找到。
2022-06-30 cs.LG cs.SD eess.AS
LP-WaveNet: Linear Prediction-based WaveNet Speech Synthesis
Microsoft Research Asia（微软亚洲研究院）；Microsoft（微软）；Naver Corporation（Naver公司）；Yonsei University（延世大学）
提出了一种基于WaveNet语音编码框架的线性预测（LP）波形生成方法.基于WaveNet的神经声码器显著提高了参数化文语转换（TTS）系统的质量。然而，当目标数据库包含大量的声学信息，如韵律、风格或表现力时，有效地训练神经声码器是具有挑战性的。作为一种解决方案，已经提出了仅通过神经声码器产生语音源分量的方法。然而，它们往往会产生合成噪声，因为声源分量是独立处理的，而没有考虑整个语音产生过程;其中不可避免地会出现声源和声道滤波器之间的失配。为了解决这个问题，我们提出了一个LP-WaveNet声码器，其中声源和声道分量之间的复杂相互作用是在基于混合密度网络的WaveNet模型内联合训练的。实验结果表明，该系统在客观和主观上都优于传统的WaveNet声码器。特别是，所提出的方法实现了4.47 MOS的TTS框架内。
2020-03-04 cs.SD eess.AS
MSR-NV: Neural Vocoder Using Multiple Sampling Rates
rinna Co., Ltd.（Rinna株式会社）
神经声码器（NVs）的发展导致了高质量和快速生成波形。然而，常规NV以单个采样率为目标，并且在应用于不同采样率时需要重新训练。由于语音质量和生成速度之间的权衡，合适的采样率因应用而异。在这项研究中，我们提出了一种方法来处理多个采样率在一个单一的NV，称为MSR-NV。通过从低采样率开始逐步生成波形，MSR-NV可以有效地学习每个频段的特性，并以多个采样率合成高质量的语音。它可以被看作是以前提出的NVs的扩展，在这项研究中，我们扩展了并行WaveGAN（PWG）的结构。实验结果表明，该方法在不增加推理时间的前提下，显著提高了在16、24和48 kHz下训练的PWG的主观质量。我们还表明，MSR-NV可以利用语音与较低的采样率，以进一步提高合成语音的质量。
2022-06-24 cs.LG cs.SD eess.AS
DSPGAN: a GAN-based universal vocoder for high-fidelity TTS by time-frequency domain supervision from DSP
Northwestern Polytechnical University（西北工业大学）；TAL Education Group（好未来集团）
本文提出DSPGAN，一种基于GAN的通用神经声码器，通过引入来自DSP模块的时频域监督和正弦激励时域监督，解决训练与推理阶段频谱不匹配问题，实现跨说话人、语言和风格的高保真语音合成。
2023-05-28 cs.SD eess.AS
Parallel WaveNet conditioned on VAE latent vectors
最近，最先进的文本到语音合成系统已经转移到两个模型的方法：一个序列到序列模型来预测语音的表示（通常是梅尔频谱图），其次是一个“神经声码器”模型，它产生的时域语音波形从这个中间的语音表示。这种方法能够合成与自然语音记录混淆的语音。然而，神经声码器方法的推理速度是将该技术用于商业应用的主要障碍。并行WaveNet是为解决这一问题而开发的一种方法，它牺牲了一些合成质量，以获得更快的推理速度。在本文中，我们研究了使用一个并行的WaveNet神经声码器的信号质量，以提高一个电平调节向量。我们用来自Tacotron 2型序列到序列模型的预训练VAE分量的潜在向量来调节神经声码器。这样，我们就能够显著提高声码语音的质量。
2020-12-17 cs.SD eess.AS
Enhancing Kurdish Text-to-Speech with Native Corpus Training: A High-Quality WaveGlow Vocoder Approach
University of Kurdistan Hewlêr（休勒库尔德斯坦大学）；Soran University（索兰大学）；University of Tehran（德黑兰大学）
针对 Central Kurdish 低资源 TTS 问题，通过在 21 小时原生语料上训练 WaveGlow 声码器以改进 Tacotron 系统，使 MOS 达到 4.91，显著超越英文预训练基线并树立新基准。
2024-09-24 cs.CL cs.SD eess.AS
ESTVocoder: An Excitation-Spectral-Transformed Neural Vocoder Conditioned on Mel Spectrogram
National Engineering Research Center of Speech and Language Information Processing（国家语言语音信息处理工程研究中心）；University of Science and Technology of China（中国科学技术大学）
本文提出基于源-滤波器理论的ESTVocoder，利用ConvNeXt v2将F0激励的幅度与相位谱转换为语音频谱并经ISTFT重建波形，实验表明其在语音质量上优于或媲美主流基线，且有效加速了模型收敛。
2024-11-18 cs.SD eess.AS
Knowledge-and-Data-Driven Amplitude Spectrum Prediction for Hierarchical Neural Vocoders
University of Science and Technology of China（中国科学技术大学）
在我们以前的工作中，我们提出了一个神经声码器称为HiNet恢复语音波形预测幅度和相位谱分层输入的声学特征。在HiNet中，幅度谱预测器（ASP）从输入声学特征预测对数幅度谱（LAS）。本文提出了一种新的知识和数据驱动的ASP（KDD-ASP），以改善传统的。首先，声学特征（即，F0和梅尔倒谱）通过知识驱动的LAS恢复模块以获得近似LAS（ALAS）。该模块是基于短时傅里叶变换和信源滤波器理论相结合的方法设计的，其中信源部分和滤波器部分分别基于输入F0和梅尔倒谱进行设计。然后，由数据驱动的LAS细化模块处理恢复的LAS，该模块由多个可训练卷积层组成，以获得最终的LAS。实验结果表明，在文本到语音（TTS）任务中，使用KDD-ASP的HiNet声码器可以获得比使用传统ASP和WaveRNN声码器更高的合成语音质量。
2020-05-18 cs.SD eess.AS
A comparison of recent waveform generation and acoustic modeling methods for neural-network-based speech synthesis
National Institute of Informatics（国立信息学研究所）；Aalto University（阿尔托大学）
语音合成的最新进展表明，可以通过使用先进的机器学习方法来克服诸如具有最小相位近似的幅度谱的有损性质和声学建模中的过平滑效应之类的限制。在本文中，我们建立了一个框架，我们可以公平地比较新的声码和声学建模技术与传统的方法，通过大规模的众包评估。声学模型的结果表明，生成对抗网络和自回归（AR）模型的性能优于正常的递归网络，AR模型的性能最好。使用相同的AR声学模型对声码器进行评估表明，Wavenet声码器的性能优于经典的基于源滤波器的声码器。特别地，从AR声学模型和Wavenet声码器的组合生成的语音波形实现了类似的语音质量分数的声码语音。
2018-04-07 cs.CL cs.SD eess.AS
Universal MelGAN: A Robust Neural Vocoder for High-Fidelity Waveform Generation in Multiple Domains
Kakao Enterprise Corp.（Kakao 企业公司）；Kakao Corp.（Kakao公司）
我们提出了通用MelGAN，声码器，在多个域合成高保真语音。为了在使用数百个扬声器的数据集训练基于MelGAN的结构时保持音质，我们添加了多分辨率频谱图鉴别器来锐化生成波形的频谱分辨率。这使得模型能够通过减轻大覆盖区模型的高频段中的过平滑问题来生成多扬声器的真实波形。我们的结构通过在训练过程中区分波形和频谱图，在不降低推理速度的情况下生成接近地面实况数据的信号。该模型在大多数情况下使用地面实况mel-spectrogram作为输入，实现了最佳的平均意见得分（MOS）。特别是，它表现出优越的性能在看不见的领域方面的发言人，情感和语言。此外，在一个多说话人的文本到语音的场景中，使用由Transformer模型生成的梅尔频谱图，它合成高保真语音的4.22 MOS。这些结果，实现没有外部域的信息，突出了所提出的模型作为一个通用的声码器的潜力。
2021-03-04 cs.CL cs.LG cs.SD
From Spikes to Speech: NeuroVoc -- A Biologically Plausible Vocoder Framework for Auditory Perception and Cochlear Implant Simulation
Leiden Institute of Advanced Computer Science（莱顿高级计算机科学研究所）；Department of Otorhinolaryngology（耳鼻喉科部门）；Leiden Institute for Brain and Cognition（莱顿脑认知研究所）；Bioelectronics group, EEMCS（生物电子组，EEMCS）
NeuroVoc 是一个模块化、与模型无关的声码器框架，通过逆傅里叶变换从模拟神经活动重建语音，支持正常听力与电听力模型对比，并能准确反映人工耳蜗使用者在噪声中的语音感知下降。
2025-06-04 cs.SD eess.AS q-bio.NC
