HF 論文速讀 2026-08-09
生成式語音修復主打低幻覺與多失真一模型統修，旁支工業視覺異常檢測拚毫秒級延遲。
先看 AnyEnhance 的 prompt 與 self-critic 統一增強；PASE 用 WavLM 音韻先驗壓幻覺；EfficientAD 證明工業 anomaly 可做到約 2ms。
今天先記三件事
- AnyEnhance 無 prompt 設定下 VoiceFixer ALL-GSR 多指標居前，並支援 speech/singing 多…
- PASE 以 WavLM 音韻先驗錨定生成，主打降低 linguistic 與 acoustic hallucination。
- EfficientAD 輕量 student-teacher 加全域 autoencoder，MVTec Detection AUROC…
五篇速讀
AnyEnhance：具 Prompt 引導與 Self-Critic 的統一生成式語音增強
統一生成主力
為什麼重要：一把處理 denoising、dereverb、declip、超分與 target speaker extraction，speech 與 singing 共用，榜單訊號強。
帶走什麼：Masked generative + prompt in-context 參考音色；self-critic 迭代自评 refinement 拉高主觀與客觀品質。
下一步：先聽 demo、對 ALL-GSR 與 DNS with-reverb 指標；有 reference 時測 prompt 路徑。
PASE：運用 WavLM 音韻先驗的低幻覺生成式語音增強
低幻覺路線
為什麼重要：生成式 SE 聽感好但重噪易亂講話內容與說話人；PASE 把幻覺拆成 linguistic/acoustic 對症下藥。
帶走什麼：WavLM 經 representation distillation 成 denoising expert；vocoder 雙流分離語音內容與 speaker/prosody。
下一步：讀方法段對照 hallucination 定義；在 DNS 2020 with-reverb 聽內容是否跑題。
MaskSR：用於全頻帶語音修復的 Masked Language Model
全頻帶 MLM
為什麼重要：把 LM 式 masking 拉進 44.1 kHz 全頻帶 GSR，同時面對 noise、reverb、clipping、頻寬不足。
帶走什麼：以 neural codec 離散 token 訓練預測被 mask 的乾淨 token，推論用 iterative sampling 重建。
下一步：與 AnyEnhance/VoiceFixer 同台比 ALL-GSR；關注 full-band 聽感與 DNSMOS 系列。
VoiceFixer：以 Neural Vocoder 邁向通用語音修復
GSR 基準作
為什麼重要：定義一般語音修復 GSR，分析加合成兩段式，後續 ALL-GSR 榜多以其設定作比較底座。
帶走什麼：ResUNet 分析、neural vocoder 合成；同時對付加性噪、混響、低解析與 clipping，並可泛化到真實劣化錄音。
下一步：當歷史基線與資料設定來源；新模型數字先對齊其 ALL-GSR 協議再比。
EfficientAD：毫秒級延遲的精確視覺異常檢測
工業速度派
為什麼重要：唯一非語音篇；在真實產線要的是低錯誤率加極低延遲，不只刷 AUROC。
帶走什麼：輕量特徵擷取小於 1ms；student 只學 normal、loss 阻止模仿 abnormal；AE 補 logical anomaly。
下一步：看 MVTec 等 32 套件設定與 2ms/約 600 fps 宣稱；評估能否塞進既有 AOI 流程。