基于动态记忆增强的轻量化相位保真语音增强网络OA

针对复杂声学场景中低信噪比下的相位失真与噪声适应性难题,该研究基于幅度-相位显式语音增强框架提出一种改进的语音增强网络。设计记忆增强时频转换器,利用动态记忆矩阵与门控融合机制提升突发噪声建模能力;通过稀疏检索机制,减小模型参数交互规模,显著降低参数量;构建任务不确定性驱动的动态损失权重,协同优化抗包裹相位恢复、复谱重建与感知质量。相较原模型,改进模型在缩减9.7%参数量的同时,在VoiceBank+DEMAND数据集上,实现低信噪比环境(-5 dB)下宽频带语音质量感知质量(WB-PESQ)提升2.3%;在DNS Challenge数据集上,获得1.33%的性能增益,验证了其在相位保真度与噪声鲁棒性上的有效性。