从ICASSP到NeurIPS：中国团队深耕音频超分获双顶会成果
最近音频技术圈出了个硬货，清华大学和生数科技的团队，接连在ICASSP 2025、NeurIPS 2025这两个顶会上发了成果，专门解决“音频超分辨率”的问题。可能有人没听过这词，其实就是把低采样率的音频，修复成高采样率的，听着更清楚、细节更足。
像老录音修复、语音通话增强，甚至音乐制作，都用得上这技术。
不过这事儿说起来容易做起来难，高频细节在低采样率音频里很容易丢，想补回来一直是行业难题。
现在学术界大多模型还卡在48kHz以内，连OpenAI的Sora2也就做到96kHz。
而这个中国团队，直接把目标定得更高，还真搞出了名堂。
Bridge-SR：用薛定谔桥搞语音超分，参数少还能打
团队先在ICASSP 2025上放了个大招，Bridge-SR模型。
这模型专做语音超分，最特别的是用了“薛定谔桥”这个思路，以前没人把这招用在语音超分上。
以前不少模型搞超分，都是从随机噪声开始慢慢生成信号，又慢又费算力。
但Bridge-SR不这么干，它直接拿低分辨率的音频当“底子”，在低、高分辨率音频之间搭了个“桥”，这样生成效率一下就提上来了。
更厉害的是，它的参数才1.7M，比同类模型轻太多了。
本来想觉得这么轻的模型，效果可能一般，后来发现人家在VCTK测试集上，比不少主流方法都强。
团队还加了些小技巧，比如非对称的噪声调度、同时盯着频域的幅度谱和相位谱，这些都让音质更稳。
我觉得这一点特别好，现在很多技术都追求大参数，好像参数越大越牛，但Bridge-SR证明，找对方法，小参数也能解决大问题，以后在手机这种算力有限的设备上用，也没压力。
Bridge-SR在语音超分上打了个好基础，但团队没停下，接着就搞出了更全面的AudioLBM。
毕竟语音只是一部分，音效、音乐这些音频类型，也需要超分技术来提升体验。
AudioLBM更猛：直接冲到192kHz，全音频都能搞定这次团队把成果发到了NeurIPS 2025上，AudioLBM比Bridge-SR的适用范围广多了，语音、音效、音乐都能处理，还打破了48kHz的瓶颈。
它用了个新思路，先通过变分自编码器把音频波形压缩成“隐空间表征”，再在这个空间里搭建超分的“桥”。
这么做既能保留原音频的关键信息，又能让模型适应更多类型的音频。
团队还加了两个关键设计：一个是“频率感知机制”，能自动识别输入音频的采样率，还能检测该输出多少采样率，实现“任意采样率转任意采样率”，另一个是“级联桥类模型”，一步一步把采样率提上去，直接冲到了192kHz。
192kHz可是母带级的采样率，以前只有特别贵的专业设备才能搞出来，现在一个模型就能实现，对音乐制作、老音频修复这些行业来说太实用了。
在测试里，它比AudioSR、FlowHigh这些基线模型表现都好，对数谱距离明显下降，就算到了96kHz、192kHz，效果也很稳。
团队还做了消融实验，对比了波形空间、谱空间这些不同的表征方式，最后证实波形隐空间的效果最好。
能做出这么亮眼的成果，团队成员的实力也很关键。
第一作者李畅是中科大少年班的本科生，已经在好几个CCF-A/B类会议上发过音频相关的论文，这么年轻就有这水平，确实厉害，另一位第一作者陈泽华是清华的博士后，博士毕业于帝国理工，一直做概率生成模型，在语音、生物电信号合成这些领域积累很深，两个人的专业能力刚好互补。
现在团队还开放了两篇论文的地址和样本展示页，想研究的人都能去看，这一点也很大气。
毕竟技术只有共享出来，才能更快推动整个行业进步。
毫无疑问，这两个成果把音频超分技术往前推了一大步。
Bridge-SR做到了轻量化、高效率，适合语音相关的场景，AudioLBM实现了全音频覆盖和高采样率突破，能解决更多复杂需求。
以后我们听老唱片、打语音电话，甚至自己做音乐，可能都会受益于这些技术。
期待这个团队以后能出更多好成果，也希望有更多中国团队在音频技术领域做出突破，让咱们的声音体验越来越棒。
页:
[1]