Меню
Публикации
2026
2025
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2026-26-4-673-682
УДК 004.5, 004.934
Нейросетевые методы улучшения качества речевых сигналов: архитектурные парадигмы и тенденции развития
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Иванько Д.В. Нейросетевые методы улучшения качества речевых сигналов: архитектурные парадигмы и тенденции развития // Научно-технический вестник информационных технологий, механики и оптики. 2026. Т. 26, № 4. С. 673–682. doi: 10.17586/2226-1494-2026-26-4-673-682
Аннотация
Введение. Представлен систематический обзор современных нейросетевых методов улучшения качества речевых сигналов, предназначенных для повышения разборчивости и качества речи в условиях акустических искажений. Рассмотренные методы могут найти применение в системах голосового управления, телекоммуникациях, слуховых аппаратах и интерфейсах человеко-машинного взаимодействия. Методы. Рассмотрены ключевые архитектурные подходы, включая классические рекуррентные и сверточные сети, а также современные гибридные архитектуры с механизмами внимания (Transformer, Conformer), модели состояний (Mamba) и усовершенствованные рекуррентные блоки (xLSTM). Основные результаты. Показаны достоинства и недостатки различных архитектур с точки зрения качества восстановления речи и вычислительной эффективности. Выделены конкретные проблемы существующих методов, включая высокую ресурсоемкость и недостаточную обобщающую способность в нестационарных шумовых условиях. Обсуждение. Показана необходимость дальнейших исследований в области создания легковесных моделей для мобильных устройств, разработки методов многоцелевого подавления искажений, а также интеграции нейросетевого подавления шума с генеративными моделями для достижения нового качества восстановления речевых сигналов.
Ключевые слова: улучшение качества речевых сигналов, подавление шума, глубокое обучение, трансформеры, Mamba, xLSTM, нейросетевые архитектуры, обзор
Благодарности. Работы в разделе «Новая парадигма оценки SE-систем» выполнены в рамках бюджетной темы № FFZF-2025-0003. Все остальные разделы выполнены в рамках поддержки гранта РНФ 25-71-00093.
Благодарности. Работы в разделе «Новая парадигма оценки SE-систем» выполнены в рамках бюджетной темы № FFZF-2025-0003. Все остальные разделы выполнены в рамках поддержки гранта РНФ 25-71-00093.
