上海交通大学破解声音分离与提取的核心难题
论文标题：USE: A Unified Model for Universal Sound Separation and Extraction
作者团队：上海交通大学、南京大学等
发布时间：2025 年 12 月 24 日
论文链接：https://arxiv.org/pdf/2512.21215
Github 地址
大模型实验室 Lab4AI 论文阅读
✨ 研究背景
在复杂的声学环境下，传统的声音分离（SS）技术往往无法处理未知数量的声源。
而目标声音提取（TSE）技术虽然能定向取音，却高度依赖高质量的外部指令（如一段参考音频或文字），一旦指令模糊便难以工作。
✨ 研究内容
上海交通大学团队提出了 USE 统一模型。该模型由两个核心部分组成：
- ✔️EDA 吸引子网络：负责“自主思考”，自动推断混合声音的数量并捕捉每一个独立声源。
- ✔️多模态线索网络：负责“理解指令”，能够同时识别文字、视频或声音标签等不同形式的提示信息。
- ✔️ 通过创新的联合训练策略，模型让 AI 能够根据场景灵活切换：既能“全自动分离”所有声音，也能“按需提取”特定目标。
✨ 核心贡献
- ✔️ 提出 USE：旨在协同结合 SS 和 TSE 任务，以克服各自的局限性。
- ✔️ 性能提升：在 SS 任务上相比基准模型提升了 1.4dB，目标提取准确率高达 86%。
- ✔️ 极高稳健性：即便在提示信息低质量或缺失的情况下，模型依然能保持稳定的处理性能。
- ✔️ 高效推理性能：推理计算量随声源数线性增长，即使处理 6 个声源，计算量仍低于 30GFLOPS。
这项成果，不仅为自动驾驶（识别警笛声）、视障辅助（环境音解析）等领域提供了技术支撑，更让 AI 在复杂现实世界中的“听力”水平迈上了一个大台阶。
