論文の概要: SE-MSB: End-to-End Unpaired Speech Enhancement using Mamba Schrödinger Bridges

• arxiv url: http://arxiv.org/abs/2609.26000v1
• Date: Tue, 22 Sep 2026 11:04:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.338047
• Title: SE-MSB: End-to-End Unpaired Speech Enhancement using Mamba Schrödinger Bridges
• Title（参考訳）: SE-MSB:Mamba Schrödinger Bridgesを用いた終端無声音声強調
• Abstract要約: 音声強調モデルは典型的には、クリーンな音声が合成的に劣化するペアデータ例に依存している。 本稿では,Diffusion Schrdinger Bridges (DSB) を用いて,清潔な音声と劣化した音声の伝達過程を学習する,完全不対のSEフレームワークを提案する。 DSB定式化の柔軟性により、SEタスク全体にわたってモデルを一般化することができ、実世界の音声復元のための堅牢で効率的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 3.64619686022842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech enhancement (SE) models typically rely on supervised learning with paired data examples where clean speech is synthetically degraded. This paradigm limits performance in real-world scenarios where the target environment's specific acoustic characteristics are unknown. We propose a fully unpaired SE framework that uses principled Diffusion Schrödinger Bridges (DSB) to learn a stochastic transport process between a clean and a degraded speech distribution. Algorithms for learning transport maps are computationally heavy since they require simulating differential equations during training, usually at each training step. Therefore, we propose using a high-efficiency Mamba Diffusion Model designed for end-to-end waveform processing. We compare against state-of-the-art methods for speech enhancement, both paired and unpaired, as well as a classical signal processing algorithm. Experimental results show that we are on par or better than the baselines while being orders of magnitude faster during inference. Furthermore, we show that the flexibility of the DSB formulation allows our model to generalize across SE tasks, offering a robust and efficient solution for real-world speech restoration.
• Abstract（参考訳）: 音声強調(SE)モデルは典型的には、クリーンな音声が合成的に劣化するペアデータ例による教師付き学習に依存している。 このパラダイムは、ターゲット環境の特定の音響特性が不明な実世界のシナリオでの性能を制限する。 本稿では,Diffusion Schrödinger Bridges (DSB) を用いて,クリーンな音声分布と劣化した音声分布の間の確率的伝達過程を学習する。 トランスポートマップを学習するアルゴリズムは、訓練中の微分方程式をシミュレーションする必要があるため、計算的に重い。 そこで本研究では,エンドツーエンドの波形処理用に設計された高効率マンバ拡散モデルを提案する。 我々は,従来の信号処理アルゴリズムと同様に,ペアとペアの双方による音声強調のための最先端手法との比較を行った。 実験結果から,提案手法はベースラインと同等かそれ以上の精度で,推論時の順序は桁違いに高速であることがわかった。 さらに,DSB定式化の柔軟性により,SEタスク全体にわたってモデルを一般化し,実世界の音声復元のための堅牢で効率的なソリューションを提供することを示す。

関連論文リスト

• Representation-Regularized Convolutional Audio Transformer for Audio Understanding [53.092757178419355]
  スクラッチからのブートストラップ表現は計算に高価で、しばしば収束するために広範囲のトレーニングを必要とします。 本稿では,これらの課題に対処するための統合フレームワークであるConvolutional Audio Transformer (CAT)を提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:16:19Z)
• DMOSpeech: Direct Metric Optimization via Distilled Diffusion Model in Zero-Shot Speech Synthesis [12.310318928818546]
  DMOSpeechは, 蒸留拡散に基づくTSモデルであり, 教師モデルと比較して高速な推論と優れた性能を実現する。 我々の総合的な実験は、人間の広範囲な評価によって検証され、自然性、知性、話者の類似性を大幅に向上させながら、推測時間を桁違いに減らした。 本研究は,音声合成と人間の聴覚嗜好を協調する新たな枠組みを,直接的メートル法最適化により確立する。
  論文  参考訳（メタデータ） (2024-10-14T21:17:58Z)
• Mutual Learning for Acoustic Matching and Dereverberation via Visual Scene-driven Diffusion [93.32354378820648]
  本稿では拡散モデルに基づく相互学習フレームワークMVSDを紹介する。 MVSDは2つのタスクを対称的に考慮し、逆タスクからの学習を容易にするために相互関係を利用する。 我々のフレームワークは、残響器と残響器の性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-07-15T00:47:56Z)
• From Modular to End-to-End Speaker Diarization [3.079020586262228]
  本稿では、VBxとして知られるxベクトル(ニューラルネットワークで得られた話者埋め込み)をクラスタリングするために使用されるベイズ隠れマルコフモデルに基づくシステムについて述べる。 本稿では,話者の旋回や重なり合いの観点から,実際の会話に類似した合成データを生成する手法について述べる。 本稿では,この「模擬会話」生成手法が,一般的なEENDのトレーニングにおいて,従来提案されていた「模擬混合」生成方法よりも優れた性能を実現する方法を示す。
  論文  参考訳（メタデータ） (2024-06-27T15:09:39Z)
• DASA: Difficulty-Aware Semantic Augmentation for Speaker Verification [55.306583814017046]
  本稿では,話者認証のための難易度認識型セマンティック拡張(DASA)手法を提案する。 DASAは、話者埋め込み空間における多様なトレーニングサンプルを、無視できる余分な計算コストで生成する。 最も良い結果は、CN-Celeb評価セット上でのEER測定値の14.6%の相対的な減少を達成する。
  論文  参考訳（メタデータ） (2023-10-18T17:07:05Z)
• High-Fidelity Speech Synthesis with Minimal Supervision: All Using Diffusion Models [56.00939852727501]
  最小教師付き音声合成は、2種類の離散音声表現を組み合わせることでTSを分離する。 非自己回帰フレームワークは、制御可能性を高め、持続拡散モデルは、多様化された韻律表現を可能にする。
  論文  参考訳（メタデータ） (2023-09-27T09:27:03Z)
• DDTSE: Discriminative Diffusion Model for Target Speech Extraction [62.422291953387955]
  ターゲット音声抽出(DDTSE)のための識別拡散モデルを提案する。 拡散モデルと同じ前方プロセスを適用し, 判別法と同様の復元損失を利用する。 モデルトレーニング中に推論過程をエミュレートするための2段階のトレーニング戦略を考案する。
  論文  参考訳（メタデータ） (2023-09-25T04:58:38Z)
• SE-Bridge: Speech Enhancement with Consistent Brownian Bridge [18.37042387650827]
  音声強調(SE)の新しい手法であるSE-Bridgeを提案する。 提案手法は,同一のPF-ODE軌道上の任意の音声状態が同一の初期状態に対応することを保証する一貫性モデルに基づく。 Brownian Bridgeプロセスを統合することで、モデルは敵の訓練なしに高信頼度音声サンプルを生成することができる。
  論文  参考訳（メタデータ） (2023-05-23T08:06:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。