计算机研究与发展

作者：周俊佐,易江燕,陶建华,任勇,汪涛,

关键词：语音编解码, 梅尔谱图, 压缩激励网络, 残差矢量量化, 生成对抗网络,

目前，以SoundStream等为代表的端到端语音神经编解码器在重建语音感知质量方面展现了优异性能.然而，这些方法需要大量的卷积计算，从而导致较长的编码时间.为缓解上述问题，提出基于梅尔谱和压缩激励加权量化的神经语音编解码方法.该方法旨在保持较高语音感知质量的同时降低计算代价，加快运行速度，从而减少时延.具体而言，采用梅尔谱特征作为输入，借助梅尔谱提取过程中时域压缩的性质，并结合低层卷积编码器以简化运算过程.此外，借鉴压缩激励网络思想，提取了编码器最后一层输出特征各维度的激励权重，将其作为量化器中计算码本距离时压缩特征各维度的权重系数，由此学习特征间的相关性并优化量化性能.在LibriTTS和VCTK数据集上的实验结果表明，该方法显著提升了编码器计算速度，且能在较低比特率时（≤3Kbps）提升重建语音质量.以比特率1.5Kbps时为例，编码计算实时率（real-timefactor，RTF）最多可提升4.6倍.对于感知质量，以0.75Kbps为例，短时客观可懂度（short-timeobjectiveintelligibility，STOI）、虚拟语音质量客观评估（virtualspeechqualityobjectivelistener，VISQOL）等客观指标相较基线平均可提升8.72%.此外，消融实验不仅表明压缩激励权重方法的优化效果与比特率呈反相关，而且发现Relu激活函数相较周期性质激活函数Snake而言，在语音感知质量相当的情况下，能大量加快运行速度.

来源：2025年第11期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第11期