2024年ICASSP｜字节跳动流媒体音频团队提出创新方案解决丢包补偿和通用音质修复的难题
在本届ICASSP2024各类音频国际挑战赛中，字节跳动流媒体音频团队联合西北工业大学音频语音与语言处理研究实验室，在丢包补偿（PacketLossConcealment，PLC）与音质修复（SpeechSignalImprovement，SSI）两个挑战赛道中，多项指标上表现优秀，分别取得第一和第二的成绩，达到国际领先水平。ICASSP峰会上的音频挑战赛由国际音频顶级会议ICASSP和微软联合发起，旨在激发各研究构在音频效果与音质提升上的研究，自第一届举办以来就吸引了亚马逊、腾讯、阿里巴巴、百度、快手、
在本届ICASSP 2024 各类音频国际挑战赛中，字节跳动流媒体音频团队联合西北工业大学音频语音与语言处理研究实验室，在丢包补偿（Packet Loss Concealment， PLC）与音质修复（Speech Signal Improvement， SSI）两个挑战赛道中，多项指标上表现优秀，分别取得第一和第二的成绩，达到国际领先水平。
ICASSP峰会上的音频挑战赛由国际音频顶级会议 ICASSP 和微软联合发起，旨在激发各研究构在音频效果与音质提升上的研究，自第一届举办以来就吸引了亚马逊、腾讯、阿里巴巴、百度、快手、中科院、西工大等全球诸多知名企业和科研院所的参与。随着流媒体领域技术的不断发展，让声音听的清，听和真，变成音频技术行业发展必然趋势。围绕着如何让用户有更优的音频体验，多个研究团队对音频从采集到转发进行端到端的优化，这一过程包含了如何对音频采集缺陷，算法处理缺陷，编解码缺陷，网络传输缺陷等进行一体化修复。本届挑战赛中，字节跳动流媒体音频团队结合真实的业务落地场景，参加了丢包补偿与通用音质修复这两个挑战赛道。
ICASSP PLC 挑战赛旨在解决网络IP通话中长间隔数据包丢失和全带音频（48k Hz采样率）处理的问题。该挑战具有严格的时延限制，同时提供了苛刻的数据集来反映不利的网络条件。主观评估将使用P.804多维音频质量评估方法进行，同时WER也被用于评估参赛系统生成语音的可懂度。流媒体音频技术团队通过对模型结构进行优化，有效降低了丢包补偿模型的复杂度。同时，通过多判别器对抗训练与多任务学习，使丢包补偿模型可以以高质量、高可懂度恢复丢包片段，最终取得第一的成绩。
ICASSP SSI 挑战赛旨在解决通信系统中语音信号面临的频率响应失真、不连续失真、响度失真、噪声和混响这五类问题。该挑战赛在严格设置模型时延以及因果性的前提下，使用ITU-TP.804标准下的主观意见分和语音识别率综合评判名次。流媒体技术团队使用两阶段模型结构将复杂的修复问题简化为多个子任务，在第一阶段主要修复频率响应失真、不连续失真以及响度失真，并进行初步降噪与去混响；在第二阶段进一步去除第一阶段生成的伪影以及残余噪声。最终，团队在实时赛道取得第二名的成绩。
丢包补偿系统
为解决48kHz全带音频处理复杂度的问题，在丢包补偿系统中使用了频域模型，并根据频率将音频分为0-8kHz，8-24kHz两个子带并行处理。将主要计算量集中在对听感影响更大的0-8kHz频段，实现了低复杂度、高质量的丢包补偿。为了应对长间隔丢包问题，在编解码器每层后添加了时频扩张卷积模块(TFDCM)，在保持小尺寸卷积核同时通过时间和频率维度逐层膨胀的因果扩张卷积捕获长时历史信息与频率相关性。
为了更高质量的补偿音频，结合使用频域多分辨率判别器、时域多周期判别器与MetricGAN，进行生成对抗训练，使得生成音频听感优秀。对于长间隔丢包以及可懂度的问题，采用多任务学习框架。除了通常的语音信号相似度学习，还引入了基频预测与基于whisper的语义理解损失函数。模型最长能够以高质量恢复超过100ms的丢包片段，且恢复音频可懂度较高，词正确率(WAcc)指标领先所有参赛队伍，总体评估得分并列第一。
丢包补偿模型结构示意图
音质修复系统
为了修复同时受多种失真影响的音频，构建系统中使用了两阶段模型架构，在不同阶段着重对不同失真进行处理。一阶段模型使用映射（Mapping）的方式直接预测修复后音频的复数谱，从而使模型同时具备生成音频缺失成分与消除干扰信号的能力，同时为了提升模型的长时捕获信息的能力，在编码器和解码器中引入了时频卷积模块（Time-Frequency Convlution Module，TFCM）；由于映射法的不稳定性，可能产生伪影，因此引入使用掩蔽（Mask）方式的二阶段模型，并采用子带-全带建模的方式对频带进行细粒度建模，从而进一步消除一阶段模型生成的伪影与残余噪声。
为了提升生成的音频成分的自然度，引入生成式对抗网络框架，使用多分辨率判别器、分子带多分辨率判别器辅助模型进行训练。同时为了多阶段模型在训练时更容易收敛，首先在降噪和去混响任务上对二阶段模型进行预训练，然后冻结已训练完成的一阶段模型的参数，并将其与预训练的二阶段模型级联进行联合训练，从而加快模型收敛。
音质修复模型结构示意图
团队介绍
字节跳动流媒体音频团队，致力于提供全球互联网范围内高质量、低延时的实时音视频通信能力，帮助开发者快速构建语音通话、视频通话、互动直播、转推直播等丰富场景功能，目前已覆盖互娱、教育、会议、游戏、汽车、金融、IoT 等实时音视频互动场景，服务数亿用户。
WPS Office是一款面向macOS用户的综合办公套件，将文字处理、电子表格、演示文稿、PDF工具、模板与云协作整合在同一应用中。它兼容常见Microsoft Office格式，支持Intel及Apple芯片Mac，基础功能可免费使用，
Shapr3D是一款面向工业设计、机械工程、建筑概念和三维打印工作流的CAD软件。Mac版采用Parasolid建模内核，支持草图约束、实体建模、工程图、可视化渲染及常见CAD格式交换，并可通过账户在多台设备之间同步项目。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Ableton Live 是面向音乐制作人与现场表演者的数字音频工作站，提供编曲视图、独具特色的现场视图、音频录制、MIDI创作、实时变速、乐器及效果器。Mac版原生支持Apple芯片，并可连接音频接口、MIDI控制器和第三方插件。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Affinity Photo 是一款面向摄影师、修图师和视觉设计人员的桌面图像编辑工具，提供 RAW 显影、多图层合成、蒙版、实时滤镜、批处理和色彩管理等功能。原独立产品已停止销售，其照片编辑能力已延续至免费的新 Affinity 应用；
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Figma 是面向产品设计与开发团队的云端协作平台，可在 Windows 桌面客户端中完成界面绘制、组件管理、交互原型、评论评审和开发交付。文件保存在云端，多名成员能够同步编辑并共享设计系统；官方同时提供免费 Starter 方案及按席位计
Affinity Designer 是面向矢量图形、数字插画和界面设计的专业创作工具，可在矢量、像素与导出工作区之间快速切换。它提供曲线编辑、形状构建、画板、排版、图层和专业色彩管理，并支持常见设计文件的导入及多种印刷、网页格式输出。
Capture One Pro 是面向摄影师和影像团队的专业桌面照片处理工具，提供相机定制色彩配置、RAW转换、图层与蒙版、联机拍摄、目录及会话管理等功能。它适合棚拍、人像、商业产品、婚礼和风光摄影，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
DaVinci Resolve是Blackmagic Design推出的一体化影视后期工具，将素材管理、非线性剪辑、专业调色、Fusion视觉特效、Fairlight音频处理和成片交付整合在统一工程中。免费版已覆盖多数个人创作需求，