📄 LMPAN: A Lightweight Multi-Path Alignment Network for Joint Full-Duplex Acoustic Echo Cancellation and Noise Suppression

#回声消除 #语音增强 #自监督学习

6.2/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.1/1.5 | 清晰 0.6/1 | 影响 0.9/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 1.2/1.5

✅ 6.2/10 | 前50% | #语音增强 | #自监督学习 | #回声消除 | arxiv

👥 作者与机构

• 第一作者：Chengwei Liu（Qwen Business Unit of Alibaba, China）
• 通讯作者：未明确说明，但根据惯例及作者署名，或为共同通讯作者。Shaofei Xue（Qwen Business Unit of Alibaba / TongYi AI Lab）与 Haoyin Yan（TongYi AI Lab of Alibaba Group）均有可能。
• 作者列表：Chengwei Liu（Qwen Business Unit of Alibaba）、Shaofei Xue（Qwen Business Unit of Alibaba / TongYi AI Lab）、Haoyin Yan（TongYi AI Lab of Alibaba Group）、Xiaotao Liang（Qwen Business Unit of Alibaba）、Zheng Xue（Qwen Business Unit of Alibaba）

💡 毒舌点评

本文的轻量级多路径对齐和两阶段SSL训练是在极低资源预算下的务实组合，将AEC+NS做到了可与更大参数模型竞争的水平，对下游ASR/VAD的提升也颇具说服力。然而，工作更多是已知组件（GTCRN、WavLM、软对齐）的系统化集成，缺乏原理性洞察。全篇未提供任何代码或模型，连batch size、GPU型号等基础训练配置都隐去，复现几乎不可能。动态目标适应带来的收益不如两阶段训练本身，且反而拉低了AECMOS，论文对此闪烁其词。此外，SERt的消融在模拟数据上进行，结论能否迁移到真实环境存疑。整体像一份精心包装的内部技术报告而非完整学术贡献。

📌 核心摘要

论文针对全双工语音对话系统中，硬件差异导致的时延抖动、能量不对齐和过抑制等问题，提出轻量级多路径对齐网络LMPAN。方法核心包括：(1) 三路软时间对齐与能量补偿，解决参考信号、麦克风信号与线性AEC (LAEC) 输出间的时频失配；(2) 注意力融合模块 (AFM)，根据声学场景动态融合增强后的LAEC和麦克风特征，无需双讲检测器；(3) 动态目标适应 (DTA) 策略，在训练中保留可控残差回声/噪声以防止过抑制，保护下游任务性能。此外，采用基于WavLM的自监督表示进行两阶段训练 (STL) 提升感知质量。LMPAN以0.48M参数和126M MACs在AEC Challenge 2023盲测集上取得平均AECMOS 4.49，超越了DeepVQE等轻量基线。在真实双讲测试中，其将低SER场景下的WER从24.25%降至14.38%。该工作在超低资源预算下实现了可部署于移动设备的实时AEC+NS，但严重缺乏开源和完全可复现的训练细节。

主要实验结果表：

方法概述和架构架构

LMPAN是一个模块化的混合系统，包含传统线性前端与神经网络增强管道。输入为麦克风信号 \(y\)、远端参考信号 \(r\) 和传统LAEC输出信号，经STFT（帧长32ms, 帧移16ms, 幅度压缩0.3）得到压缩的复数频谱。

LAEC模块： 采用子带互相关时延估计算法估计参考信号与麦克风信号间的时延，并利用频域NLMS自适应滤波器产生线性回声消除后的残差信号 \(X_l\)，作为神经网络第三路输入。

多路径对齐模块 (MA)： 核心是三个结构相同的软时间对齐块，分别处理 (参考, 麦克风) 、 (麦克风, LAEC) 和 (参考, LAEC) 信号对。每个对齐块首先对输入特征沿频率轴做 \(1 \times 4\) 最大池化降维，然后通过线性投影生成查询 (Query, Q) 和键 (Key, K)，投影维度为 \(p\)（文中未指定具体值）。为估计时延，对 K 施加 \(0\) 到 \(d_{\text{max}}=100\) 帧（最多1秒）的单向零填充移位，计算 Q 与各移位 K 的点积相似度分数，经 Softmax 得到概率化的时延分布 \(D \in \mathbb{R}^{d_{\text{max}}}\)。最终，利用该分布对原始信号进行软加权求和，得到对齐后的特征。此外，该模块还包含路径级可学习的缩放因子，用于补偿能量差异。该设计旨在动态、鲁棒地处理硬件带来的时延和能量失配问题。

双流增强模块： 对齐后的三组特征与原始参考特征 \(X_r\) 在通道维度拼接为 \(X_f\)。\(X_f\) 分别与原始LAEC特征 \(X_l\) 和麦克风特征 \(X_m\) 结合，送入两个结构相同但可能不共享参数的 GTCRN 分支进行增强。GTCRN 是一种门控卷积循环网络，论文中使用 \(1 \times 3\) 频率轴 PConv 卷积。此过程精炼出增强后的LAEC频谱 \(Y_l\) 和麦克风频谱 \(Y_m\)。

注意力融合模块 (AFM)： 对 \(Y_l\) 和 \(Y_m\) 进行多尺度通道注意力操作，生成一个软掩码 \(M \in \mathbb{R}^{2 \times t \times f}\)。随后通过公式 \(Y_f = M \cdot Y_l + (1-M) \cdot Y_m\) 动态融合两路信息。该机制使模型能自动适应双讲、单讲等不同场景，降低了对LAEC输出质量的敏感度，无需额外的双讲检测器。

后滤波与动态目标适应 (DTA)： 对网络最终输出应用固定残差缩放参数 \(\alpha=0.4\) 进行后滤波，以减少非线性伪影。在训练时，DTA 策略会动态构造训练目标 \(t\)。通过引入由目标 SNR (\(\mathrm{SNR_t}\)) 和 SER (\(\mathrm{SER_t}\)) 控制的噪声残差因子 \(\gamma\) 和回声残差因子 \(\beta\)，有意保留部分残余干扰，目标信号构建为 \(t = s + \gamma n' + \beta e'\)。这能防止模型“过抑制”，从而保护语音完整性，提升ASR/VAD性能。

两阶段训练 (STL)： 第一阶段仅使用 SSL 损失，最小化增强输出与干净语音在冻结的 WavLM-Large 模型各层嵌入上的 MSE。第二阶段联合优化复谱重建损失 \(\mathcal{L}_{\text{spec}}\)、回声感知损失 \(\mathcal{L}_{\text{echo}}\)、尺度不变SNR损失 \(\mathcal{L}_{\text{si-snr}}\) 和 PMSQE 感知损失 \(\mathcal{L}_{\text{pmsqe}}\) 的加权和，并以 SSL 损失作为一致性正则项。

核心创新点

1. 系统化的轻量级多路径对齐方案：设计了三个并行的软时间对齐模块，分别处理全双工场景下的三对信号(参考-麦克风, 麦克风-LAEC, 参考-LAEC)。该方案将时延估计与能量补偿进行端到端联合学习，增强了对硬件差异和数据域偏移的鲁棒性。
2. 无检测器的双流注意力融合机制：通过基于多尺度通道注意力的AFM模块，动态融合增强后的LAEC特征和麦克风特征，使模型能根据声学环境自适应调整，摆脱了对前置VAD或双讲检测器精度的依赖。
3. 面向下游任务的动态目标适应训练：提出了一种独特的DTA策略，在训练目标中根据期望的SNR和SER动态保留可控的噪声和回声残差，以牺牲少量AEC/NS绝对性能为代价，换取对下游ASR/VAD任务更友好的增强结果，避免了过度处理导致的语音损伤。
4. SSL引导的两阶段训练范式：将WavLM-Large自监督表征对齐作为独立的第一训练阶段，并在第二阶段作为感知正则项，有效地在轻量级模型上提升了增强语音的主观质量和语义完整性。

实验结果

AEC与NS性能： 在AEC Challenge 2023盲测集上，最优配置 +MA+AFM+STL 取得了 \(4.49\) 的 \(\text{MOS}_{\text{avg}}\) 和 \(47.15\) dB的ERLE。其在非双讲(ST-FE)场景的EMOS (\(4.71\)) 和DMOS (\(4.44\)) 均为最高。虽然DTA配置 (+MA+AFM+STL+DTA) 的 \(\text{MOS}_{\text{avg}}\) 略降至 \(4.44\)，ERLE降至 \(45.04\) dB，但所有LMPAN变体在参数量和/或MOS上均优于DeepVQE，展示了效率与性能的良好折中。

消融分析： 逐步集成各组件的消融实验表明，多路径对齐 (MA) 带来最显著的 \(\text{MOS}_{\text{avg}}\) 提升 (\(4.17 \rightarrow 4.31\))；注意力融合 (AFM) 进一步提升了ERLE和MOS (\(4.31 \rightarrow 4.39\))；两阶段训练 (STL) 则是提升感知质量的关键 (\(4.39 \rightarrow 4.49\))。

下游任务表现： 在真实双讲测试集的评估中，LMPAN的完整管线 (+MA+AFM+STL+DTA) 展现了强大的下游任务增益。尤其在极具挑战性的 \([-20, -15]\) dB SER场景下，相对于基线 (One-stage)，WER从 \(24.25\%\) 降至 \(14.38\%\)，TIR从 \(85.17\%\) 升至 \(93.85\%\)，DCF从 \(9.38\%\) 降至 \(3.75\%\)。

动态目标适应分析： 对DTA的关键超参数 \(\mathrm{SER_t}\) 在模拟双讲测试集上的消融显示，\(\mathrm{SER_t}=25\) dB 时 ASR 表现最优（WER \(10.24\%\)），而 \(30\) dB 和 \(35\) dB 分别在 PESQ 和 ERLE 上更优。这证实了任务的最佳干扰残留水平需要权衡。

细节详述

• 训练数据： 基于ICASSP 2022/2023 AEC Challenge和DNS Challenge数据，使用混合法 (hybrid method) 仿真了10000个房间 (RT60 0.2-1.2s) 的RIRs，生成2000小时训练集。增强手段包括时频掩蔽、0-80ms时移、动态拼接和SpecAugment。按双讲、远端单讲、近端单讲8:1:1划分。同时收集了40款手机的真实回波数据用于评估。
• 损失函数： 第一阶段 \(\mathcal{L}_{\text{stage-1}} = \mathcal{L}_{\text{SSL}}\) (WavLM各层MSE)。第二阶段 \(\mathcal{L}_{\text{stage-2}} = 10 \mathcal{L}_{\text{total}} + 0.5 \mathcal{L}_{\text{SSL}}\)，其中 \(\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{spec}} + 0.1\mathcal{L}_{\text{echo}} + 0.2\mathcal{L}_{\text{si-snr}} + 0.8\mathcal{L}_{\text{pmsqe}}\)。
• 训练策略： AdamW优化器，训练100个epoch，4000步warmup至峰值学习率0.001，之后每epoch衰减0.98。batch size、GPU型号未说明。
• 关键超参数： STFT帧长32ms、帧移16ms，幅度压缩因子0.3。对齐模块最大时延 \(d_{\text{max}}=100\) 帧，投影维度 \(p\) 未说明。AFM使用 \(1 \times 1\) 卷积进行QKV投影，单注意力头。GTCRN分支使用 \(1 \times 3\) 频率轴PConv。后滤波 \(\alpha=0.4\)。DTA的目标SER默认25dB。AFM融合公式中的掩码为 \(M\) 及其补集 \(1-M\)。
• 推理细节： 训练中信号统一截断或填充至5秒。论文声明了实时推理能力，但未提供具体延迟、推理平台或实测速度数据。

评分理由

• 创新性 (1.2/2)：论文的核心贡献在于针对全双工场景特定问题（多路径失配、过抑制）进行了一系列精巧的组件设计和组合（三路软对齐、DTA）。虽有新意，但各组件思想均非首创（如软对齐、自监督蒸馏、动态目标），整体偏向系统集成创新而非原理性突破。
• 技术严谨性 (1.0/1.5)：系统流程和模块设计阐述清晰，消融实验支撑了各组件的有效性。但关键细节缺失，如对齐模块的关键维度 \(p\)、GTCRN分支是否共享参数、两阶段损失权重从 \(0.1, 0.2, 0.8\) 变为 \(10\) 和 \(0.5\) 的原因均未均未说明。DTA策略在AECMOS上明确产生退化（4.49 vs 4.44），论文未深入分析原因，仅选择性强调下游收益，分析不够客观全面。
• 实验充分性 (1.1/1.5)：实验覆盖了AECMOS、ERLE、VAD、ASR及FDSDS特有指标（TIR），并在多款真实手机上验证，工程说服力强。然而，严重缺乏与纯NS、纯AEC模型的解耦对比，难以评估联合优化的真实增益。所有对比均无统计显著性检验，结果稳定性存疑。DTA分析仅基于模拟集，结论外推至真实环境的安全边际不足。未提供关键的推理实时性指标。
• 清晰度 (0.6/1)：整体组织结构清晰，图文并茂。但符号使用混乱（如 \(X_f\), \(X_{rm}\), \(Y_f\) 等），核心超参数缺失，双流GTCRN的具体连接方式需读者推断，严重影响了方法的完整复现。
• 影响力 (0.9/1.5)：该工作提供了一个极具实用价值的设备端全双工AEC+NS方案，对工业界工程师有直接启发和复用价值。但其学术影响力受限于非概念性突破、极低的资源化程度以及小众但明确的部署场景。
• 开源 (0.0/1.5)：论文未提供任何代码、模型权重或专用数据集的公开下载链接，亦未提及任何开源计划，阻碍了学术社区的follow-up和对成果的公平验证。
• 可复现性 (0.2/0.5)：尽管给出了损失函数和部分训练超参数，但batch size、硬件环境、投影维度\(p\)、GTCRN详细配置等关键信息缺失，使得仅凭论文严格复现实验基本不可能。
• 工程/实践价值 (1.2/1.5)：论文展示了完整的系统链路，从数据仿真、模型设计、两阶段训练到后处理，并在包含40款手机的庞大数据集上验证，工程化程度极高，实用前景明确。

局限与问题

论文明确承认的局限：

• 未来将优化资源效率与增强质量之间的权衡。

审稿人发现的潜在问题：

1. 方法论透明度严重不足： 未提供任何代码和模型，核心超参数缺失，使得论文的可信度和所报告结果的可复现性基础薄弱。
2. DTA收益与成本的扭曲叙事： 论文刻意强调DTA在下游任务上的增益，却避重就轻地解释了它在AECMOS上的明显退化（4.49 vs 4.44），这可能会误导读者忽视其在主观听感质量上的负面作用。方法的优越性声明（surpassing SOTA）应针对子任务更严谨地限定表述。
3. 实验评估不完整且存在偏差：
   • 未报告任意模型的实时推理性能（如实时因子），声称“real-time”缺乏定量支撑。
   • 未进行AEC和NS功能的单独贡献度消融实验。
   • DTA的分析仅在“simulated double-talk test set”上进行，而该方法面向复杂的真实硬件环境，结论的普适性待考。
   • 缺少统计检验（如t-Confidence Interval）以评估实验结果的显著性，考虑到挑战赛场景下分数提升微小，这一缺陷尤为关键。
4. 技术细节模糊： 对齐模块中长达1秒（\(d_{\text{max}}=100\)帧）的对齐窗口远大于仿真中设定的0-80ms扰动范围。这种大窗口在真实多变延迟场景下是否有导致错误的软对齐匹配（虚警）的风险，论文未做分析和讨论。两条GTCRN分支分别处理\(X_l\)和\(X_m\)，它们与拼接特征\(X_f\)的具体结合方式（如相加、拼接、直接作为输入）也未明确。

开源详情

• 代码：论文中未提供仓库链接。
• 模型权重：论文中未提供下载。
• 数据集：论文使用了来自 ICASSP 2022/2023 AEC Challenge 和 DNS Challenge 的公开数据，以及自收集的40款手机真实回声数据集，但未提供该数据集的下载链接或获取方式。
• Demo：未提及。
• 复现材料：未提及。
• 论文中引用的开源项目：仅引用了WavLM-Large（https://huggingface.co/microsoft/wavlm-large）。其他如DeepVQE、Align-ULCNet等作为对比方法，未提供具体链接。

🔗 开源详情

• 代码：论文中未提供仓库链接。
• 模型权重：论文中未提供下载。
• 数据集：论文使用了来自 ICASSP 2022/2023 AEC Challenge 和 DNS Challenge 的公开数据，以及自收集的40款手机真实回声数据集，但未提供该数据集的下载链接或获取方式。
• Demo：未提及。
• 复现材料：未提及。
• 论文中引用的开源项目：仅引用了WavLM-Large（https://huggingface.co/microsoft/wavlm-large）。其他如DeepVQE、Align-ULCNet等作为对比方法，未提供具体链接。

💡 核心创新点

1. 系统化的轻量级多路径对齐方案：设计了三个并行的软时间对齐模块，分别处理全双工场景下的三对信号(参考-麦克风, 麦克风-LAEC, 参考-LAEC)。该方案将时延估计与能量补偿进行端到端联合学习，增强了对硬件差异和数据域偏移的鲁棒性。
2. 无检测器的双流注意力融合机制：通过基于多尺度通道注意力的AFM模块，动态融合增强后的LAEC特征和麦克风特征，使模型能根据声学环境自适应调整，摆脱了对前置VAD或双讲检测器精度的依赖。
3. 面向下游任务的动态目标适应训练：提出了一种独特的DTA策略，在训练目标中根据期望的SNR和SER动态保留可控的噪声和回声残差，以牺牲少量AEC/NS绝对性能为代价，换取对下游ASR/VAD任务更友好的增强结果，避免了过度处理导致的语音损伤。
4. SSL引导的两阶段训练范式：将WavLM-Large自监督表征对齐作为独立的第一训练阶段，并在第二阶段作为感知正则项，有效地在轻量级模型上提升了增强语音的主观质量和语义完整性。

📊 实验结果

AEC与NS性能： 在AEC Challenge 2023盲测集上，最优配置 +MA+AFM+STL 取得了 \(4.49\) 的 \(\text{MOS}_{\text{avg}}\) 和 \(47.15\) dB的ERLE。其在非双讲(ST-FE)场景的EMOS (\(4.71\)) 和DMOS (\(4.44\)) 均为最高。虽然DTA配置 (+MA+AFM+STL+DTA) 的 \(\text{MOS}_{\text{avg}}\) 略降至 \(4.44\)，ERLE降至 \(45.04\) dB，但所有LMPAN变体在参数量和/或MOS上均优于DeepVQE，展示了效率与性能的良好折中。

消融分析： 逐步集成各组件的消融实验表明，多路径对齐 (MA) 带来最显著的 \(\text{MOS}_{\text{avg}}\) 提升 (\(4.17 \rightarrow 4.31\))；注意力融合 (AFM) 进一步提升了ERLE和MOS (\(4.31 \rightarrow 4.39\))；两阶段训练 (STL) 则是提升感知质量的关键 (\(4.39 \rightarrow 4.49\))。

下游任务表现： 在真实双讲测试集的评估中，LMPAN的完整管线 (+MA+AFM+STL+DTA) 展现了强大的下游任务增益。尤其在极具挑战性的 \([-20, -15]\) dB SER场景下，相对于基线 (One-stage)，WER从 \(24.25\%\) 降至 \(14.38\%\)，TIR从 \(85.17\%\) 升至 \(93.85\%\)，DCF从 \(9.38\%\) 降至 \(3.75\%\)。

动态目标适应分析： 对DTA的关键超参数 \(\mathrm{SER_t}\) 在模拟双讲测试集上的消融显示，\(\mathrm{SER_t}=25\) dB 时 ASR 表现最优（WER \(10.24\%\)），而 \(30\) dB 和 \(35\) dB 分别在 PESQ 和 ERLE 上更优。这证实了任务的最佳干扰残留水平需要权衡。

🔬 细节详述

• 训练数据： 基于ICASSP 2022/2023 AEC Challenge和DNS Challenge数据，使用混合法 (hybrid method) 仿真了10000个房间 (RT60 0.2-1.2s) 的RIRs，生成2000小时训练集。增强手段包括时频掩蔽、0-80ms时移、动态拼接和SpecAugment。按双讲、远端单讲、近端单讲8:1:1划分。同时收集了40款手机的真实回波数据用于评估。
• 损失函数： 第一阶段 \(\mathcal{L}_{\text{stage-1}} = \mathcal{L}_{\text{SSL}}\) (WavLM各层MSE)。第二阶段 \(\mathcal{L}_{\text{stage-2}} = 10 \mathcal{L}_{\text{total}} + 0.5 \mathcal{L}_{\text{SSL}}\)，其中 \(\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{spec}} + 0.1\mathcal{L}_{\text{echo}} + 0.2\mathcal{L}_{\text{si-snr}} + 0.8\mathcal{L}_{\text{pmsqe}}\)。
• 训练策略： AdamW优化器，训练100个epoch，4000步warmup至峰值学习率0.001，之后每epoch衰减0.98。batch size、GPU型号未说明。
• 关键超参数： STFT帧长32ms、帧移16ms，幅度压缩因子0.3。对齐模块最大时延 \(d_{\text{max}}=100\) 帧，投影维度 \(p\) 未说明。AFM使用 \(1 \times 1\) 卷积进行QKV投影，单注意力头。GTCRN分支使用 \(1 \times 3\) 频率轴PConv。后滤波 \(\alpha=0.4\)。DTA的目标SER默认25dB。AFM融合公式中的掩码为 \(M\) 及其补集 \(1-M\)。
• 推理细节： 训练中信号统一截断或填充至5秒。论文声明了实时推理能力，但未提供具体延迟、推理平台或实测速度数据。

⚖️ 评分理由

• 创新性 (1.2/2)：论文的核心贡献在于针对全双工场景特定问题（多路径失配、过抑制）进行了一系列精巧的组件设计和组合（三路软对齐、DTA）。虽有新意，但各组件思想均非首创（如软对齐、自监督蒸馏、动态目标），整体偏向系统集成创新而非原理性突破。
• 技术严谨性 (1.0/1.5)：系统流程和模块设计阐述清晰，消融实验支撑了各组件的有效性。但关键细节缺失，如对齐模块的关键维度 \(p\)、GTCRN分支是否共享参数、两阶段损失权重从 \(0.1, 0.2, 0.8\) 变为 \(10\) 和 \(0.5\) 的原因均未说明。DTA策略在AECMOS上明确产生退化（4.49 vs 4.44），论文未深入分析原因，仅选择性强调下游收益，分析不够客观全面。
• 实验充分性 (1.1/1.5)：实验覆盖了AECMOS、ERLE、VAD、ASR及FDSDS特有指标（TIR），并在多款真实手机上验证，工程说服力强。然而，严重缺乏与纯NS、纯AEC模型的解耦对比，难以评估联合优化的真实增益。所有对比均无统计显著性检验，结果稳定性存疑。DTA分析仅基于模拟集，结论外推至真实环境的安全边际不足。未提供关键的推理实时性指标。
• 清晰度 (0.6/1)：整体组织结构清晰，图文并茂。但符号使用混乱（如 \(X_f\), \(X_{rm}\), \(Y_f\) 等），核心超参数缺失，双流GTCRN的具体连接方式需读者推断，严重影响了方法的完整复现。
• 影响力 (0.9/1.5)：该工作提供了一个极具实用价值的设备端全双工AEC+NS方案，对工业界工程师有直接启发和复用价值。但其学术影响力受限于非概念性突破、极低的资源化程度以及小众但明确的部署场景。
• 开源 (0.0/1.5)：论文未提供任何代码、模型权重或专用数据集的公开下载链接，亦未提及任何开源计划，阻碍了学术社区的follow-up和对成果的公平验证。
• 可复现性 (0.2/0.5)：尽管给出了损失函数和部分训练超参数，但batch size、硬件环境、投影维度\(p\)、GTCRN详细配置等关键信息缺失，使得仅凭论文严格复现实验基本不可能。
• 工程/实践价值 (1.2/1.5)：论文展示了完整的系统链路，从数据仿真、模型设计、两阶段训练到后处理，并在包含40款手机的庞大数据集上验证，工程化程度极高，实用前景明确。

🚨 局限与问题

论文明确承认的局限：

• 未来将优化资源效率与增强质量之间的权衡。

审稿人发现的潜在问题：

1. 方法论透明度严重不足： 未提供任何代码和模型，核心超参数缺失，使得论文的可信度和所报告结果的可复现性基础薄弱。
2. DTA收益与成本的扭曲叙事： 论文刻意强调DTA在下游任务上的增益，却避重就轻地解释了它在AECMOS上的明显退化（4.49 vs 4.44），这可能会误导读者忽视其在主观听感质量上的负面作用。方法的优越性声明（surpassing SOTA）应针对子任务更严谨地限定表述。
3. 实验评估不完整且存在偏差：
   • 未报告任意模型的实时推理性能（如实时因子），声称“real-time”缺乏定量支撑。
   • 未进行AEC和NS功能的单独贡献度消融实验。
   • DTA的分析仅在“simulated double-talk test set”上进行，而该方法面向复杂的真实硬件环境，结论的普适性待考。
   • 缺少统计检验（如t-Confidence Interval）以评估实验结果的显著性，考虑到挑战赛场景下分数提升微小，这一缺陷尤为关键。
4. 技术细节模糊： 对齐模块中长达1秒（\(d_{\text{max}}=100\)帧）的对齐窗口远大于仿真中设定的0-80ms扰动范围。这种大窗口在真实多变延迟场景下是否有导致错误的软对齐匹配（虚警）的风险，论文未做分析和讨论。两条GTCRN分支分别处理\(X_l\)和\(X_m\)，它们与拼接特征\(X_f\)的具体结合方式（如相加、拼接、直接作为输入）也未明确。

← 返回 2026-07-03 语音/音乐/音频论文速递