标签：#语音增强 | #多模态模型 | #强化学习 | #指令微调 | #基准测试
评分：6.4/10 | 创新 1.5/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.6/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Chenglin Wu：Xiamen University
- Junjie Wu：Xiamen University
- Jinhang Chen：Xiamen University
- Mingyang Chen：Xiamen University
- Zixu Lin：Xiamen University
- Jiabian Chen：Fuyao University of Science and TechnologyEqual contribution.
- Xinghao Ding：Xiamen University
- Xiaotong Tu：Xiamen University
📌 核心摘要
针对噪声混响多人交叠耦合且需求因人而异的问题，StrixAE 用多模态大模型做控制器调度专家工具链，经 AcoustBench 思维链微调与音频感知强化学习后，在真实盲测多项感知指标上超过多数开源基线，但感知质量优化仍慢且依赖外部工具。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
真实录音坏在哪里，为什么一个模型包办不了
先把输入输出讲死。输入是一段已经变坏的语音加上一句人的指令，输出是一段修好的语音。想改变的是听感与可懂度，必须保留的是目标说话人的内容与音色特征，不能为了降噪把人声也削掉。论文锁定的就是这种真实耦合场景：背景噪声、混响、干扰说话人、风噪、削波、带宽受限可能同时出现，修复顺序还会互相影响。
打个教学示例帮助定位。假设你在街头用手机录会议，同事在旁边插话，风吹话筒还爆音了。你说请只保留主讲人并去掉风声和混响。这时系统既要听出坏了哪几样，又要按保留谁的要求选工具、排顺序。单做降噪的模型听不懂保留谁，一体化模型又排不好多步管线。这只是帮助理解的教学示例，不是论文的实验叙述。
耦合失真 × 个性化增强： 耦合失真指噪声、混响、风噪、削波、多人混叠等多种退化同时出现且相互影响，个性化增强指根据指令只保留目标说话人或只压制干扰说话人的选择性需求；前者难在要排修复顺序，后者难在要按身份做取舍，二者叠加时固定单任务模型顾此失彼，一体化模型又难以按需取舍，组合后才构成论文要解决的真实场景：先听出是什么坏在一起，再决定为谁而修。
为什么现在看图 1 很合适，因为它把上述矛盾画成了对照。顶部是一条随时间推进的真实对话波形，左侧标注真实场景对话，右侧依次标出风、噪声、混合、混响与削波波形，颜色由黑变红暗示退化叠加。左下 3 个虚线框是单任务路线，每个框只处理一种输入。右下是一个四格方块带出 4 个耦合子模块，箭头双向互连，底部写明无法满足真实场景需求。
看图路径： 1. 先看顶部真实对话波形条带，核对从 Original Waveform 到 Wind、Noise、Mix、Reverb、Clipped Waveform 的标注顺序；2. 再看左下三个单任务虚线框，确认每个框只进一种波形、只出对应结果且底部标 Limited Conditions；3. 最后看右下 Coupled Sub-Modules 中 Denoise、Separate、Super-Resolution、Dereverb 的蓝色双向箭头与底部失败标记
论文图 1。原论文 Figure 1:：“Limitations of Single-Task and All-In-One methods: (1) Single methods only focus on limited distortion conditions and augmentation on specific datasets.”。
这张图改变的判断是：不要再把真实退化想象成单噪声加单混响。顶部时间轴从 0.2s 延伸到 5.0s，气泡里的英文对话与不同说话人头像说明多人轮流说话，而底部图标把每段对应的主导失真标了出来。左下三行波形进出对比说明单专家只能管一段，右下蓝色双向箭头说明一体化内部去噪、分离、超分、去混响互相牵制。读完应该接受论文的前提：失真组合事先未知，固定管线必然失效，需要一个能先感知再排程的控制器。
单任务、一体化与智能体三条路线各卡在哪里
第一条路线是单任务专用模型。用一句白话说就是只练一门手艺的专家，官方名称是任务特定方法（task-specific methods）。它们在去噪、去混响、语音分离、带宽扩展、目标说话人提取等子任务上各有数据集与指标，训练与评测都是分开的。好处是单点性能扎实，坏处是遇到复合退化要靠人工拼管线，且在环境与设备失配时泛化有限。
第二条路线是一体化与集成方法。用白话说就是把多种手艺装进一个大模型，官方名称是多合一模型（All-In-One methods）。它们能处理多种失真，但论文指出在需要选择性增强或压制干扰说话人时经常失灵，耦合复杂度一高就难以决定先干哪一步。图 1 右下角的失败标记对应的就是这类方法：不是不能修，而是不能按需修。
第 3 条路线是智能体加工具。用白话说就是让大模型当工头指挥专家干活，官方名称是多模态大语言模型赋能的智能体（MLLM-empowered agent）。此前在视觉退化、图像创作、具身任务与工具调用数据集上有先例，但在音频增强上论文称尚未建立。相邻工作还包括从人类反馈的强化学习与从人工智能反馈的强化学习，用近端策略优化或群组相对策略优化做对齐。StrixAE 的位置就是把第 3 条路线系统化搬到音频修复：感知、选型、排序、执行都由智能体显式产出，而不是藏在端到端黑盒里。
论文把任务形式化成什么，评判标准是什么
论文把 1 次增强定义为从指令与失真音频到规范化工具调用序列的映射，执行环境再把该序列作用于音频得到修复结果。符号上用户指令、失真音频、工具序列与修复音频各有专名，工具序列中的每一步都是一个具体增强操作。这个定义很关键：模型不直接输出波形采样点，而是输出可执行的修理工单，波形由外部专家模型真正生成。
评判标准分 3 层。第一层是管线能不能跑：工具名是否合法、步骤能否解析。第二层是推理全不全、顺不顺：4 段分析是否按序出现。第 3 层才是修得好不好：用与人类听感相关的客观代理指标衡量质量与可懂度。训练时用深度噪声抑制平均意见分与扩展短时客观可懂度做奖励，评测时再加国家标准语音质量、通用平均意见分预测与语音质量感知等非侵入式指标。方向都是越高越好，只有失真类距离越低越好。
这里要守住边界。论文报告的是在真实盲测集上的感知指标提升，没有报告逐样本的主观听音测试，也没有给出延迟与实时率。把客观代理指标涨了直接说成所有人、在所有设备上都觉得好听，就是越界。后文读表时只认同条件下的相对优劣，不做全称断言。
StrixAE 的三步执行流与两阶段训练如何衔接
跟着一个样本走一遍部署时的真实顺序。系统先做感知性退化推理，听出噪声、混响、混叠、削波各占多少，再做模型选择与评估，决定用哪个去噪专家、哪个分离专家、先分离还是先去噪，最后执行任务并生成回答。回答里既有给人看的分析，也有给机器执行的管线。执行器解析管线定义，按序调用远程专家模型，中间音频在共享工作池与有界队列里流转，预加载与常驻工具混用以压低冷启动。
多模态大语言模型 × 控制器： 多模态大语言模型指能同时接收文本指令和失真音频并输出推理文本的模型，控制器指决定调用哪个专家模型、以何种顺序调用的决策角色；StrixAE 把二者搭配的原因是失真类型与组合事先未知，固定管线无法覆盖，恰好需要能先感知再决策的控制器，而多模态大语言模型提供了这种听诊加排程的能力，组合后新增的含义是不再训练一个包办一切的增强网络，而是训练一个会派单的工头。
训练分两段衔接这个流程。第一段是在合成数据上做思维链监督微调，让模型学会上述 3 步的说话格式与基本派单。第二段是音频感知强化学习，用真实执行后算出的奖励继续调策略，让派单更准、幻觉更少。图 3 把这种衔接画得很直白，左边是文本加失真音频进可训练模型，右边是策略模型产出协议与多个候选再算奖励回传。
\[f(Q,\mathcal{A})\rightarrow\mathcal{T}=\{t_{1},t_{2},\dots,t_{n}\}\]这个公式就是派单的数学写法：输入是问题与音频，输出是工具序列集合。它不含波形生成细节，生成细节被包在执行环境里。这种解耦是理解全文的钥匙：智能体学的是调度策略，音质上限同时受专家模型与调度质量影响，复现时缺一不可。
三项奖励各自惩罚什么，为什么必须拆开
总奖励是三项的加权和，权重分别管格式、结构与感知质量。拆开的理由是音频修复智能体有独特约束：既要输出能跑的工具名，又要输出顺序正确的分析，还要保证修完好听听得清。只用单一听感奖励，模型可能编出不存在的工具或跳过关键分析，分数涨了但管线是幻觉。
\[R=\lambda_{f}R_{\text{fmt}}+\lambda_{s}R_{s}+\lambda_{q}R_{q},\]格式奖励只看工具链。它的含义是查工单能不能落地，官方名称是格式奖励（format reward）。若管线缺失或一步都解析不出给零分，若解析出的工具有非法名字给负分，若全部合法给满分。它不评价修得好不好，只保证不派不存在的活。
\[R_{\text{fmt}}(y)=\begin{cases}0,&\text{if the pipeline is missing or no valid steps can be parsed}\\ -0.25,&\text{if any parsed tool is invalid (}\mathcal{M}(y)\nsubseteq\mathcal{V}\text{)}\\ 1,&\text{if all parsed tools are valid (}\mathcal{M}(y)\subseteq\mathcal{V}\text{)}\end{cases}\]结构奖励只看分析骨架。它的含义是查 4 段论述齐不齐、顺不顺，官方名称是结构奖励（structure reward）。每段按是否出现且顺序正确计分，若缺了最后一段直接给负一。乱序出现的不计分，逼模型按固定顺序写。
格式奖励 × 结构奖励： 格式奖励负责检查推荐管线是否可解析、可执行，工具名是否都落在合法工具集合内，结构奖励负责检查回答是否包含预定的 4 个分析小节且顺序正确、终节是否缺失；前者管工具链能不能跑，后者管推理过程全不全、顺不顺，搭配后比单独使用多解决了可执行但不可解释、或写得漂亮却跑不起来的两类失败，让智能体同时满足工程可用与过程可核查。
\[R_{s}(y)=\begin{cases}-1,&\text{if }S_{4}\notin y,\\ \frac{1}{4}\sum_{i=1}^{4}\delta_{i}(y),&\text{otherwise}.\end{cases}\]感知质量奖励只看修完的效果。它的含义是听感与听清的折中分，官方名称是感知质量奖励（perception quality reward）。它把两个客观分各过一个斜率与拐点可调的归一函数，再做加权几何平均，最后线性缩放到区间。几何平均的用意是两项短板会互相拉低，避免偏科。
感知质量奖励 × DNSMOS： 感知质量奖励指对增强后语音的听感与可懂度打分的联合奖励，DNSMOS 指其中反映感知语音质量的客观代理指标之一，另一路是反映可懂度的 ESTOI；DNSMOS 单看只管好不好听，不管听不听得清，感知质量奖励把它与 ESTOI 经 Sigmoid 归一再做加权几何平均后映射到区间，组合后新增的是在好听与听清之间做平衡，避免为提一分听感而牺牲可懂度。
三者分工的证据在后文奖励曲线里：格式与结构很快稳定到接近最优，感知质量波动大、爬升慢。说明前两项是易正则的约束，先稳住才能让模型把容量留给更难的音质搜索。这正是论文自称的先后稳定过程，也是它与纯推理模型未出现顿悟时刻的区别所在。
两阶段训练每一步更新谁，信号从哪里来
第 1 阶段是监督微调。基座是音频推理器，方法是用低秩适配在合成指令数据上训练 3 轮，批量为 8，学习率为 1×10−5 量级，优化器用 AdamW。输入三元组是指令、失真音频与目标回答，目标回答由思维链与工具链拼接而成，损失是标准的自回归负对数似然。这 1 阶段更新的是适配器参数，信号来自打分选出的高分管线与生成的推理文本，目标是把基本格式与调度先模仿对。
第二阶段是音频感知强化学习。以上 1 阶段模型为起点，采样温度设为 1.0，参考模型冻结，策略模型继续更新。每次采样出多条候选管线，真正去执行并算出增强音频，再用客观模型打分得到感知奖励，连同格式与结构奖励一起做群组相对策略优化。权重上格式占 1，结构与感知各占 0.3，归一参数对听感分用斜率 5 拐点 2.5，对可懂度用斜率 8.0 拐点 0.55，几何平均指数取 0.45。硬件是 4 卡 H100 80G。
思维链监督微调 × 音频感知强化学习： 思维链监督微调指在 AcoustBench 上学习包含声学分析、问题诊断、修复逻辑与管线 4 段式推理的模仿学习，音频感知强化学习指在模仿基础上用格式、结构与感知质量三项奖励继续优化的强化学习；前者负责把输出格式和基本调度固定住，后者负责纠正幻觉工具与低质管线，组合后多解决的是只模仿会照抄、只强化会跑偏的问题，形成先学会说话再学会把活干好的递进。
为什么现在看图 3，因为它把冻结与更新画清楚了。左侧可训练块带火焰图标，右侧参考模型带雪花图标，中间是群组相对策略优化框。策略模型向下产出协议与多个样本，样本向右变成修复音频，修复音频再与参考音频一起进打分框，打分回指优化器与策略模型。
看图路径： 1. 先区分左侧 Stage 1 火焰图标的可训练块与右侧 Stage 2 雪花图标的参考模型冻结图标；2. 再沿策略模型到 Protocol 与 Samples 再到 Restored Audios 的箭头走一遍执行顺序；3. 最后看右下 Reward Model 三块与 DNSMOS 和 ESTOI 两个打分框如何回指策略模型
论文图 3。原论文 Figure 3:：“StrixAE employs a two-stage training framework.”。
这张图改变的是对强化学习的想象：奖励不是人耳实时打的，而是客观模型算的代理分。右下两个小流程框分别标出听感分与可懂度分的计算链，输入是修复音频与参考音频，输出进感知质量奖励。这意味着训练成本主要是推理专家模型与算分模型的调用开销，也意味着代理分与真人听感的差距会成为上限，读结果时要留有余地。
数据从哪里来，指令与管线如何变成可训练样本
先看数据底料。干净语音与真实噪声混响来自既有公开挑战的数百小时资源，论文在此基础上构造约 190 小时的复合失真配对音频。每个样本被定义为五元组：失真音频、干净目标、指令、思维链、工具链。这种五元组写法保证了训练时既有波形对照，又有文字推理可学。
再看指令与管线的制造过程。论文先手写 10 条种子指令，用大语言模型扩写 20 条候选再人工剔除含糊重复，人工筛选的对象是这 20 条指令候选，不是 88.9K 条训练轨迹逐条人工验收。每条音频配两条候选工具调用路径，用听感分与可懂度选出高分者留用，再用模型生成包含声学分析、诊断、修复逻辑与推荐管线的详细推理。工具模型来自开源社区，选型偏轻量高效，作者也承认换更强工具可能进一步涨分。
下表要回答的问题是：训练与评测的数据规模与构成是否足以支撑耦合失真下的调度学习。统一条件是都围绕真实与合成的复合退化展开，指标方向在训练选管线时已定为听感与可懂度越高越好。
| 数据组成 | 规模 | 覆盖内容 | 用途 | 来源说明 |
|---|---|---|---|---|
| 个性化与单双人音频 | 200 hours | 个性化降噪与单双说话人 | 构造底料 | 公开挑战干净与噪声混响 |
| 合成指令响应对 | 88.9K | 思维链与可执行工具链 | 监督微调 | 自举生成加打分筛选 |
| 真实测试对 | 1.9K | 真实复杂环境 | 盲测评估 | 真实采集 |
| 干净音频底料 | 350 hours | 干净语音 | 合成配对 | 公开挑战 |
| 真实噪声底料 | 181 hours | 真实噪声 | 合成配对 | 公开噪声库 |
上表说明底料小时数与指令对数量级是匹配的：数百小时波形只换来不到 90000 条指令对，说明每条都经过打分筛选而非全量灌入。不能从这张表推出真实测试的失真分布与训练完全一致，论文另设真实盲测正是为了检验分布外泛化。复现时若只复刻小时数而不复刻双路径打分与人工筛选指令，调度质量可能明显偏低。
为什么在这里看图 2，因为它把 4 步管线画成了可执行的检查单。从左到右依次是音频采集、指令响应构建、修复管线生成、数据集过滤，每栏顶部都有编号横幅。第二栏的工具箱与高分选中分支说明管线是比出来的，第三栏的绿色双向大环说明推理是多轮的。
看图路径： 1. 按 1 到 4 顺序核对 Audio Collection、Instruction 构建、Pipeline Generation、Dataset Filtering 四栏标题；2. 在第 2 栏找到 Toolbox 与 Toolchain Selection 分支，确认候选管线经打分保留 High Score；3. 在第 4 栏漏斗周围找到 16 kHz、48 kHz、High Score、Reverb、Personalized 勾选与底部三个子文件夹
论文图 2。原论文 Figure 2:：“An illustration of our data curation pipeline.”。
这张图的可核对细节是：第一栏底部同时出现干净、失真类型与失真三块，说明输入输出是配对的；第二栏红色虚线框标出高分，说明留用标准是分数；第三栏中间明确写出多轮推理与声学特征分析，输出分叉为智能体轨迹、修复管线与修复音频；第四栏漏斗上挂着 High Score、16 kHz、48 kHz、Reverb、Personalized 勾选，底部收敛为 3 个子文件夹。读完应该知道过滤条件包括分数、采样率与场景类型，而不是无条件全收。
训练配置与评测协议如何保证可比
训练侧的确定性细节已在训练节给出，这里补评测侧。评测基准整合了多届公开挑战的盲测数据，并新增真实复杂环境采集集。评测指标用 4 个非侵入式感知指标，侵入式指标与下游任务指标只在特定赛道出现。工具侧选轻量高效模型，保证管线可实际运行，闭源产品只作参考而不当作可复现基线。
下表要回答的是：在相同硬件与超参下，2 阶段的输入输出与更新对象是否唯一可指。统一条件是基座相同、适配器训练、参考模型冻结。表中归一参数与权重均按原文给出，采样率统一为 16 kHz 与 48 kHz。
| 阶段 | 输入 | 输出 | 更新对象 | 关键超参 |
|---|---|---|---|---|
| 监督微调 | 文本加失真音频 | 推理加工具链 | 适配器参数 | 3 epochs, batch 8 |
| 感知强化学习 | 指令加候选管线执行结果 | 优化后策略 | 策略模型 | 温度 1.0, 权重 1, 0.3 |
| 奖励归一 | 听感与可懂度原始分 | 区间内联合分 | 固定公式参数 | 斜率拐点与指数 0.45 |
| 执行环境 | 失真音频加管线 | 修复音频 | 不训练只调度 | 有界队列与常驻工具 |
| 硬件预算 | 4 卡并行 | 训练完成 | 不涉及推理延迟 | H100 80G |
上表把可运行策略与展示策略区分开了：监督模型与编排后模型都是可运行的，而随机顺序或随机选型的变体只用于消融对照。不能把消融用的随机策略当成可部署收益，也不能把闭源产品的分数当成复现目标。论文未报告推理延迟与实时率，这是后续复现必须补测的一项。
统计方法上论文主要报告均值类指标，没有给出置信区间与显著性检验。奖励曲线图有浅色包络，但图注未说明该包络的统计定义，主结果表也没有对应误差棒。读数时把很小的差距当作趋势而非定论更稳妥。
真实盲测到底涨了多少，哪一项没有赢
先定比较问题：同一批真实录音与真实复合集上，智能体调度是否比单任务与一体化开源模型更好，与闭源参考的差距还有多大。统一条件是 4 个真实盲测集，指标都是越高越好的感知分。基线包括去噪、分离、增强类开源模型与两个闭源产品，实际可运行的策略是监督版与编排版。
下表整理的是 Real Recordings 集上强基线与本方法的完整数值，依据原表核对。需要声明一个原文冲突：正文曾把 0.17、0.43、0.28、0.32 写成跨越 AcoustBench-Real 与个性化集的提升，经核对原表，这四数全部属于 Real Recordings 上编排版减 TF-GridNet，依次对应 DNSMOS、NISQA、UTMOS、SCOREQ，不可调换到其他集。
| 比较条件 | TF-GridNet 基线 | StrixAE-SFT | StrixAE-Orchestrated | 指标方向 |
|---|---|---|---|---|
| Real Recordings DNSMOS | 3.01 | 3.12 | 3.18 | 越高越好 |
| Real Recordings NISQA | 3.24 | 3.61 | 3.67 | 越高越好 |
| Real Recordings UTMOS | 2.56 | 2.58 | 2.84 | 越高越好 |
| Real Recordings SCOREQ | 3.27 | 3.26 | 3.59 | 越高越好 |
上表最公平的净收益是相对强一体化基线 TF-GridNet 的四项提升 0.17、0.43、0.28、0.32。编排版相对监督版在该集上继续上涨，SCOREQ 从 3.26 到 3.59 涨幅最明显。必须同时看到 AcoustBench-Real 上的不均匀：监督版到编排版的 DNSMOS 从 2.72 降到 2.71，UTMOS 从 1.84 降到 1.83，存在两处轻微下降，说明强化并未让每一格都涨。
再看 URGENT 赛道前三系统。按 DNSMOS、NISQA、LSD 三行核对：本队为 2.88、3.22、2.93，第 2 名为 2.92、3.24、2.99，第 3 名为 2.94、3.25、3.66，官方基线为 2.85、2.77、2.72，其中 LSD 越低越好。因此本队 DNSMOS 与 NISQA 输给第二、3 名但胜过官方基线，LSD 胜过第二、3 名但输给官方基线，不能说所有指标输给所有对照。本队在 PESQ、ESTOI、SDR 等多项上居首，但上述三格就是未胜出项。
在真实退化与盲测集上，论文报告编排版 DNSMOS 仅比闭源低 0.09，盲测集差距收窄到 DNSMOS 差 0.02、NISQA 差 0.02、SCOREQ 差 0.21。这说明调度带来的是泛化与决策稳定性，而非把每个单项都推到第一。也不能推出跨设备与跨语种的泛化，因为评测语言与采集设备分布未在正文充分展开。
为什么在这里看奖励趋势图，因为它解释了训练侧为什么感知分难涨。左右两图纵轴紧贴 1.00 附近，曲线几乎贴顶。中间图纵轴范围从 0.65 到 0.95，但那是坐标轴边界，不是曲线的极值，曲线均值多次上冲又回落，浅色包络更宽，说明感知奖励搜索空间更广。图注没有说明浅色包络的统计定义，这里不把它断言为标准差或置信区间。
看图路径： 1. 先核对三幅子图横轴都是 Training steps，纵轴分别是 Format、Audio Perception quality、Structure reward；2. 比较左右两图纵轴紧贴 1.00 附近且波动小，中间图纵轴范围从 0.65 到 0.95 且上下跳动大；3. 注意三条均值曲线周围浅色包络的宽度差异，图注未说明该包络的统计定义
论文图 5。原论文 Figure 5:：“Visualization of the reward trends across training steps of for StrixAE.”。
这张图改变的是对第二阶段的预期：不要指望强化阶段让格式再涨多少，它的任务是把中间那条曲线的均值托住并缓慢上移。具体到像素，右侧结构奖励的实线最低点约在 0.9955 附近，0.993 附近的下探属于浅色包络而非实线，不能当作曲线最低。论文也明确说没有出现类推理模型的顿悟时刻，优势是分工稳定而非一跃而起。若复现时只盯总奖励，会掩盖格式已稳、感知仍在探索的事实，应该 3 条曲线分开监控。
排序与选型谁更重要，只用强化不用模仿会怎样
先问第一个消融：在任务类型已知的前提下，随机排顺序加随机选模型、随机排顺序但用智能体选模型、随机选模型但用智能体排顺序，三者与完整智能体差多少。统一条件是真实录音验证集，指标同为越高越好的感知分。
下表要回答的是排序与选型各自的贡献是否必要。统一条件与指标方向与主结果一致，策略从全随机逐步换成智能体排序或选型，数值为原表实数。
| 策略条件 | DNSMOS | NISQA | UTMOS | ScoreQ | 指标方向 |
|---|---|---|---|---|---|
| 全随机顺序加随机模型 | 2.72 | 3.02 | 1.47 | 2.47 | 越高越好 |
| 随机顺序加预测模型 | 2.84 | 3.11 | 2.52 | 3.02 | 越高越好 |
| 随机模型加预测顺序 | 2.80 | 3.16 | 2.41 | 2.80 | 越高越好 |
| 监督版智能体 | 3.12 | 3.61 | 2.58 | 3.26 | 越高越好 |
| 编排版智能体 | 3.18 | 3.67 | 2.84 | 3.59 | 越高越好 |
上表说明排序与选型各自都有独立贡献，单独学一项都比全随机好，但只有两者结合才达到监督版的水平，编排版再往上走一步。这支持论文的联合优化主张，反例是任何单项都无法替代另一项，拿掉排序或拿掉选型都会回落。不能推出的是最优顺序是否唯一，因为不同失真组合可能存在多条等价管线，论文未报告管线多样性。
再问第二个消融：只用监督、只用强化、监督加强化三者差多少。这组对照的测试集名称存在原文内部不一致，应与前面的调度消融分开阅读。按原表实数，只用监督为 3.12、3.61、2.58、3.26，只用强化为 3.11、3.54、2.53、3.22，监督加强化为 3.18、3.67、3.84、3.59，依次对应 DNSMOS、NISQA、UTMOS、ScoreQ。这里必须标出两个原文内部冲突：Table 4 图注写 urgent real-world blind test dataset，而前面的 Table 3 图注为 Real Recordings validation set；除 UTMOS 的 3.84 外，Table 4 的 SFT 与 SFT+RL 数值又分别与 Real Recordings 上的 SFT、Orchestrated 行一致。
该 UTMOS 值在主结果及调度消融表中为 2.84。原文未解释测试集名称及数值不一致的原因，此处分别保留各表原值，不把它们合并为同一测试集的统一对照。结论是只用监督已经有竞争力，只用强化反而略降，监督加强化最好。
这是一个重要的负结果：没有模仿打底，强化会不稳定。这与奖励曲线先稳格式再攻感知的观察是一致的。
复现启示是顺序不可颠倒。若跳过合成数据模仿直接做感知强化，大概率复现出论文报告的退化；若只做模仿不做强化，则在复杂耦合集上的决策准确性可能不足。两者缺一不可，且必须按先模仿后强化的顺序执行。
边界在哪里，哪些数字不能互相替代
先划数据边界。训练用的复合失真是合成叠加，评测虽有真实采集，但真实集的规模与失真标注粒度在正文披露有限。合成时用的噪声、混响与削波组合未必覆盖手机自动增益、编解码与网络丢包等链路失真，跨设备与跨语种的结论尚不能判断。需要补的对照是按失真类型与叠加阶数分层的分项分数，而不是只有平均分。
再划指标边界。听感分、可懂度、通用感知分各有偏好，不可互相替代。论文用听感与可懂度做训练奖励，用更多感知指标做评测，这种训练评测不一致是合理的，但也意味着训练涨的不一定是评测涨的那一项。读表时要分开看：听感涨了不等于可懂度涨了，平均分涨了不等于最差样本也涨了。
最后划系统边界。音质上限受外部专家模型制约，智能体只负责派单。若把专家换成更强模型，分数可能继续涨，但那部分涨幅不应记在调度头上。论文选轻量高效工具是为了保证可调用性，代价是单项上限可能低于重型模型。部署成本方面，论文给了训练硬件与并发执行设计，但未报告单条音频的端到端延迟、显存峰值与多轮调用的失败重试率，这些都是上线前必须补测的量。
要复现先跑哪一步，偏离预期先查哪里
值得尝试的条件很具体：手头有多类开源增强专家，且任务是失真耦合加按需保留目标说话人，固定管线已不够用。这时复现智能体调度的收益最大。若只有单噪声单说话人，单任务模型更省事，不必上智能体。
复现顺序建议 3 步。第一步先跑通执行环境：把去噪、分离、去混响、超分等专家装成可远程调用的服务，确认管线解析器能按序执行并返回波形，队列与缓存行为符合预期。第二步跑监督微调：用双路径打分筛出高分管线，再学 4 段式推理格式，检查格式与结构奖励是否快速贴顶。第 3 步再开感知强化：冻结参考模型，用小批量多采样验证感知奖励是否波动但缓慢上移，切忌一开始就调大学习率或去掉格式约束。
常见误解有三。其一以为智能体直接生成波形，实际它是生成工单，波形由专家生成，换专家即换上限。其二以为强化阶段会出现顿悟式跃升，实际论文明确没有，看到的是缓慢爬升，盯总奖励容易误判。其三以为开源代码等于可下载权重等于可运行系统，三者是不同状态，论文只保证方法与数据构造可复述，工具版本与服务封装需要自己对齐。观察偏离预期时，先核对采样率是否混用 16 kHz 与 48 kHz，指令是否缺失个性化身份线索，工具名是否超出合法集合，这三处是格式与结构奖励最敏感的地方。
一句话收束：它解决了什么，又把难题推向哪里
收束全文，StrixAE 把音频增强从练一个更能打的模型，转成练一个更会派单的工头。用合成的复合失真与高分管线先教会说话格式，再用可执行性、顺序正确性与听感可懂度的三项奖励把幻觉压住、把决策磨准。在真实盲测上，它在多数感知指标上超过同条件开源基线，并把与闭源的差距收窄，但仍未在所有单项上登顶，且感知奖励的优化依然波动而缓慢。
留下的难题更值得研究生跟进：调度策略的最优性如何证明，多条等价管线如何评价，代理奖励与真人听感的差距如何弥合，以及端到端延迟与失败恢复如何度量。若只记住一个动作，那就是复现时先让管线跑起来、格式稳住，再谈音质分涨了多少。顺序对了，智能体的价值才会显现。
📎 论文与评分元数据
排名：前50% | 文档类型：系统技术报告 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses