ICASSP 2026 URGENT Challenge 優勝の GAP-URGENet──生成・予測融合で音声強調の客観評価 1 位を獲得

論文概要

Xiaobin Rongらの研究チームは、ICASSP 2026のURGENT Challenge Track 1において優勝を果たした汎用音声強調フレームワーク「GAP-URGENet」を提案した。本手法は、自己教師あり表現ドメインでのフルスタック音声復元を行う生成分岐と、スペクトログラムドメインで強調処理を行う予測分岐を組み合わせ、相補的な手がかりを活用することでブラインドテスト段階で最高性能を記録し、客観評価で1位を獲得した。

関連研究

従来の音声強調手法の多くは、単一のドメイン（時間領域やスペクトログラム領域）あるいは単一の学習パラダイムに依存しており、複雑な雑音環境や多様な音響劣化に対する頑健性と知覚品質の両立に限界があった。本研究では、生成モデルの持つ高い表現力と、予測モデルの持つ安定したスペクトログラム処理の双方を融合するアプローチを採用している。

新規性と貢献

生成分岐と予測分岐という異なるドメイン・アプローチを統合した「Generative-Predictive Fusion（生成・予測融合）」フレームワークの設計に新規性がある。これにより、音声の復元における頑健性と知覚品質のトレードオフを克服し、ICASSP 2026 URGENT Challengeの客観評価で1位という実証的な成果を挙げた。

提案手法の詳細

GAP-URGENetは、大きく分けて生成分岐（Generative Branch）、予測分岐（Predictive Branch）、そしてポストプロセッシングモジュールの3つの要素で構成される。生成分岐は自己教師あり表現ドメイン上でフルスタックの音声復元を行い、ニューラルボコーダーを介して波形を再構築する。一方、予測分岐はスペクトログラムドメインで強調処理を行い、生成分岐に対して相補的な手がかりを提供する。両分岐の出力はポストプロセッシングモジュールで統合され、48 kHzへの帯域拡張（Bandwidth Extension）を経て最終的な強調波形を生成し、元のサンプリングレートへとダウンサンプルされる。

評価・考察

ICASSP 2026 URGENT Challenge Track 1のブラインドテストフェーズにおいてトップパフォーマンスを記録し、客観評価（Objective Evaluation）において1位を獲得した。これにより、生成と予測のハイブリッドなアプローチが、過酷な実環境を想定した音声強調タスクにおいて極めて有効であることが示されている。

応用例と今後の展望

音声認識（ASR）の前処理、音声通話アプリ、および会議システム等の音声品質改善への応用が期待される。日本の音声認識・通信インフラ関連のエンジニアや研究者にとって、実環境における雑音耐性と知覚品質を同時に高めるためのアーキテクチャ設計として、次世代の音声処理パイプライン実装における重要な参照モデルとなる。

結論

GAP-URGENetは、生成モデルと予測モデルの融合による音声強調手法の有効性を実証し、ICASSP 2026 URGENT Challengeで首位を獲得した。多様な音響環境における頑健な音声復元の新たなスタンダードを提示するものである。

注釈

• 自己教師あり表現（Self-supervised Representation）: ラベルなしデータを用いてモデルにデータの構造を学習させる手法により得られた、音声の特徴量表現。