标签：#语音增强 | #提示学习 | #语音识别 | #多任务学习
评分：7.1/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Yoshiki Mitsui：机构信息未在 arXiv HTML 中可靠披露
- Ryo Aihara：机构信息未在 arXiv HTML 中可靠披露
- Tatsuhiko Saito：机构信息未在 arXiv HTML 中可靠披露
- Yoshiki Masuyama：机构信息未在 arXiv HTML 中可靠披露
- Christoph Boeddeker：机构信息未在 arXiv HTML 中可靠披露
- Julius Richter：机构信息未在 arXiv HTML 中可靠披露
- Gordon Wichern：机构信息未在 arXiv HTML 中可靠披露
- Jonathan Le Roux：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
单通道带噪混合语音增强需同时服务人耳听感与自动语音识别（Automatic Speech Recognition，ASR），而激进降噪在提升波形信噪比时易引入失真并损害识别鲁棒性，这是统一分离模型尚未兼顾的实际难点。方法链分三步推进：带切分编码器先将混合频谱映射为中间张量并拼接可学习提示向量，为条件控制提供表征基础。跨提示模块接着联合建模多提示依赖并输出提示调制后的张量，该输出直接进入目标源提取（Target Source Extraction，TSE）模块以精炼为各源分离特征。带切分解码器与逆短时傅里叶变换最后将分离特征重建为波形，而训练时按提示切换损失，标准提示用信噪比（Signal-to-Noise Ratio，SNR）损失而ASR专用提示用正则化SNR损失。相对已有任务统一源分离的关键机制差异在于新增源条件提示与任务专用提示及混响控制提示，使单模型在推理时仅切换提示即可输出高质量或ASR稳健型等不同特性信号，避免为每种需求单独部署模型的实际意义。在LibriSpeech与ATR噪声的18340条混合评测下，联合训练源条件分支A3-A在4类难噪声上的词错率（Word Error Rate，WER）为19.9%，低于标准分支A1的21.5%。该结论适用边界受限于Whisper-turbo评测与模拟房间脉冲响应混响实验，尚未验证流式部署与其他识别后端的迁移性，原文未披露训练、推理或部署成本。
🔗 开源与复现资源
代码相关资源：https://github.com/merlresearch/unified-source-separation — 链接可访问（HTTP 200）
数据相关资源：https://www.atr-p.com/products/esd.html — 链接可访问（HTTP 200）
数据相关资源：https://www.openslr.org/26/ — 链接可访问（HTTP 200）
第三方资源：https://github.com/snakers4/silero-vad — 链接可访问（HTTP 200）
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
输入是什么，要输出什么，为什么一路增强不够用？
这篇论文研究单通道语音增强与分离。输入是长度为 L 的观测混合信号，论文把它写成多个源信号之和，实验中每条混合只含一路语音与一路噪声。目标是从混合中估计出各路源信号，语音增强时就是估计语音与噪声两路波形。
必须保留的关键信息是用途冲突。给人听的增强通常希望残留噪声尽量少，听感干净。给自动语音识别（automatic speech recognition，ASR）做前端时，单麦克风增强反而可能比直接用原始含噪输入更差，因为过度降噪会引入语音失真。常规统一分离只按声源类型切换提示，没有把这种下游任务需求写进训练与推理。
论文的输出目标是让单个模型在推理时按提示给出不同特性的信号。一路保持常规高质量重建，另一路允许保留更多噪声但减少语音失真以利于识别，还能进一步叠加混响保留等全局条件。本文后续按任务与相关路线、方法全景、组件计算、训练与推理、实验条件、结果与反证、复现与收束展开，所有可复述动作以原文提示名、损失切换规则和数据动作为准。
同输入同目标的已有路线如何处理听感与识别的冲突？
在相同输入与相同语音增强目标下，已有路线可分 3 类。第一类是常规任务感知统一源分离（task-aware unified source separation，TUSS），它用不同提示处理语音分离、语音增强、音乐分离与影视分离等多种任务，例如用语音与音效混合提示做增强，用鼓、贝斯、人声等提示做音乐分离，优化目标是负信噪比（signal-to-noise ratio，SNR）损失。优点是一个模型覆盖多任务，缺点是不区分下游任务，识别与听感共用同一损失。
第二类是识别导向的目标函数，例如最大后验（maximum a posteriori，MAP）训练思路，在逼近干净语音之外再加对降噪混合的正则项，以避免过度抑制带来的失真。这类方法在训练期考虑了识别需求，但通常为识别专用的独立模型设计，不支持在同一统一模型内同时保留通用增强。第 3 类是观察相加（observation adding，OA），它在推理时把增强信号与含噪输入按比例混合，论文基线用的比例是 0.4，不需要可微识别流水线，简单且常能改善识别。但它只发生在推理后处理，不能把下游任务需求写进训练目标。
论文的定位是把第二类的正则思想改成提示相关的损失，并保留第一类的统一模型结构，同时把第 3 类作为基线比较，以说明训练期建模与推理期混合的区别。
最大后验训练 × 观察相加： 最大后验训练的分工是在训练阶段加一项对降噪混合的正则约束，把识别需求写进优化目标，观察相加的分工是在推理阶段把增强信号与原始含噪输入按比例混合回调噪声，搭配理由是一个管训练一个管推理，组合意义是论文把前者改成提示相关损失并把后者留作可运行基线以区分训练期建模与推理期后处理的收益。
问题如何形式化，提示扩展改变了什么？
形式化上，观测混合是各源波形之和，分离模型输入混合与若干提示，输出与提示对应的估计源。常规统一分离的不变量是提示只表示声源类型，损失对所有提示相同，都是重建干净参考。论文要改变的是后半部分，提示还要携带下游任务信息，损失要随提示切换。
具体做法是引入两类新提示。第一类是源条件（source-conditioned）提示，它是独立学习的新标记，与特定声源类型和下游任务绑定，例如语音的识别专用版本，推理时用它代替标准语音提示即可得到对应输出。第二类是仅下游任务（downstream-task-only）提示，它是与声源身份无关的额外标记，例如识别专用额外标记与保留混响额外标记，只参与跨提示模块的条件建模，不送入目标源提取模块，不对应显式输出路数。
举例来说，这只是教学例子：同样一段车噪语音，人听分支希望背景更干净，识别分支允许背景残留更多但要求语音形变小，模型通过换提示实现这种切换。原文强调源条件提示更适合源特定的输出要求，仅下游任务提示更适合录音环境与混响等全局条件，且多个仅任务提示可以同时组合表示多种条件。
单样本走一遍：从混合与提示到两路波形与两种损失
沿一个样本走完全流程有助于固定指代。输入是一段含噪语音混合与两个提示。先对混合做短时傅里叶变换（short-time Fourier transform，STFT）与频带切分编码，得到 3 维中间表示，维度分别对应通道、时间与频带。每个输入提示被嵌入为可学习的提示向量，复制到全部频带后沿时间轴与声学表示拼接，形成包含提示与声学特征的联合张量。
跨提示（cross-prompt）模块联合处理全部提示，允许提示间信息交换，输出更新后的提示嵌入与更新后的声学特征。随后把每个更新后的提示嵌入沿时间复制，并与声学特征逐元素相乘，得到提示条件化的中间特征，再经目标源提取（target source extraction，TSE）模块细化为分离源特征，最后经频带切分解码与逆短时傅里叶变换得到估计波形。关键切换在训练损失：当使用识别专用提示时，对应语音路用带正则的损失，不使用专用提示时用标准损失追求波形重建质量。推理时用户按应用需求选提示即可，不需要换模型。
任务感知统一源分离 × 下游任务提示： 任务感知统一源分离的分工是用同一个模型按声源类型提示完成语音增强、音乐分离等多种任务，下游任务提示的分工是额外说明输出给谁用，例如给人听还是给识别系统，搭配理由是声源相同但用途不同时理想输出不同，组合意义是推理时只换提示就切换输出特性而不换模型。
下面导读图一展示了两种提示扩展方式的整体安排，上半与下半分别对应源条件与额外标记两种实现，中间是同一个统一分离模型，右侧是按提示分别计算损失的设计，理解该图是理解全文方法分叉的关键。
看图路径： 1. 先看上分图红色语音识别专用提示与黑色音效混合提示如何与混合信号一起进入中间方框；2. 再看下分图标准语音与音效混合提示之外如何多出一路红色额外标记输入；3. 对比中间分离信号与右侧真值之间的红色与蓝色双向箭头确认损失按提示分别计算；4. 沿左侧混合波形到右侧两路波形的黑色单向箭头走一遍主信号路径
论文图 1。原论文 Fig. 1:：“Overview of prompt extension for task-aware source separation: (a) extended prompts incorporating additional downstream task information, and (b) additional…”。
图一上半用语音识别专用提示直接替换标准语音提示，与音效混合提示一起输入模型，下半保留标准语音与音效混合提示并额外加入识别专用额外标记。两种方式的共同点是混合信号通路不变，变化的是提示集合与右侧损失的计算方式。红色标记的新提示对应正则化损失，黑色常规提示对应标准损失。这种图示把方法全景归纳为一句话：输入侧换提示，训练侧换损失，推理侧换输出特性。
编码、跨提示与提取模块各自做什么计算？
编码部分先把时域混合变为时频表示，再按原文采用的频带划分做频带切分编码，与原始统一分离针对高采样率的划分不同，这里针对 16 千赫输入做了调整。跨提示模块与目标源提取模块都由时频局部变换块构成，原文给出了中等规模配置的具体符号与数值，复现时应按该配置搭建。跨提示模块的输入是拼接后的联合张量，输出是更新后的提示嵌入与声学特征，目标源提取模块的输入是提示条件化特征，输出是分离源特征。
两类提示在此分叉：源条件提示会一路走到提取模块并产生输出波形，仅下游任务提示只在跨提示模块中起条件作用，不进入提取模块。
源条件提示 × 仅下游任务提示： 源条件提示的分工是作为与特定声源绑定的新标记直接对应一路输出并进入目标源提取模块，仅下游任务提示的分工是作为不对应输出的额外标记只在跨提示模块参与条件建模，搭配理由是前者适合源特定的识别专用语音，后者适合混响等全局条件，组合意义是既能切换某一路语音特性又能叠加多种全局条件。
跨提示模块 × 目标源提取模块： 跨提示模块的分工是联合处理全部提示嵌入与混合声学特征并让提示间交换信息，目标源提取模块的分工是把提示条件化特征细化为各源特征并解码为波形，搭配理由是先理解任务再执行分离，组合意义是仅下游任务提示只进前者不进后者正好对应只做条件不做输出的设计。
识别前端的动机是保留目标语音并最小化失真比彻底去噪更重要，常规信噪比损失没有显式约束这一点。论文引入的正则损失包含两项：估计与干净参考的距离，以及估计与降噪混合参考的距离。降噪混合参考是在原始混合基础上把信噪比提高一定分贝得到的信号，公式先定义该参考的构造，再定义两项损失。
\[\mathcal{L}_{\mathrm{L1,R}}(\bm{s}_{n},\hat{\bm{s}}_{n})=\|\bm{s}_{n}-\hat{\bm{s}}_{n}\|_{1}+\lambda\|\bm{y}_{n}-\hat{\bm{s}}_{n}\|_{1},\]上式中第一项让估计逼近干净语音，第二项让估计不要远离保留部分噪声的参考，正则权重控制两者折中，原文取值为 1。
\[\bm{y}_{n}=\bm{s}_{n}+10^{-\frac{\alpha}{20}}(\bm{x}-\bm{s}_{n}).\]上式中降噪混合由干净语音加衰减后的非语音成分构成，衰减量由参数控制，原文取值为 5.0 分贝。
\[\mathcal{L}_{\mathrm{SNR,R}}(\bm{s}_{n},\hat{\bm{s}}_{n})=-\mathrm{SNR}(\bm{s}_{n},\hat{\bm{s}}_{n})-\lambda\cdot\mathrm{SNR}(\bm{y}_{n},\hat{\bm{s}}_{n}).\]上式是论文进一步提出的信噪比版本正则目标，把两项距离都写成信噪比形式并取负号优化，因为原始统一分离就是用信噪比目标训练的。
信噪比损失 × 正则化信噪比损失： 信噪比损失的分工是让估计波形逼近干净参考以保证重建准确，正则化信噪比损失的分工是在此之外再约束估计不要远离保留部分噪声的参考以减少过度抑制，搭配理由是人听分支要干净而识别分支要低失真，组合意义是分别绑定标准提示与识别专用提示后单模型同时学会两种行为。
训练时如何采样提示、切换损失与更新参数？
训练的核心动作是按提示采样决定用哪种损失。模型 A1 只用标准语音与音效混合提示并用标准信噪比损失，模型 A2 只用语音识别专用提示与音效混合提示并用正则信噪比损失。模型 A3 与 A4 以一半概率联合优化两种目标，A3 用源条件方式切换，标准语音配标准损失、识别专用语音配正则损失，A4 用额外标记方式切换，出现识别额外标记时用正则损失，否则用标准损失。
另有 3 组模型把信噪比损失换成绝对值（L1）损失的对应版本，用于对照损失形式的影响。模型 A5 联合训练识别与混响控制，提示包括标准语音、音效混合、识别额外标记与保留混响额外标记，两个额外标记各自以一半概率独立开关，形成 4 种组合均匀采样。A1 至 A4 与绝对值对照组用无混响含噪混合训练，A5 用一半无混响与一半混响数据训练。
混响语音由干声与模拟房间脉冲响应卷积再加噪得到。当包含保留混响提示时，损失对照完全混响语音计算，否则对照去掉晚期混响的早期脉冲卷积语音计算，这与常规统一分离训练中混合与目标都无混响的设置不同。优化器用自适应权重衰减优化器，学习率经线性预热到目标值，若验证损失多轮不改善则从当前最优模型减半学习率重启。训练轮数、每轮步数与批量大小原文均有明确数值，复现时应保持一致。原文未报告梯度是否在某条支路截断、提示嵌入是否冻结等细节，解读时不猜测，只按已给的损失切换与采样概率复述。
数据、划分、混合生成与指标如何组织比较？
语音数据用英语朗读语音库的干净训练集做训练、开发集做验证、测试集做评估，噪声用环境噪声库第二版，按噪声种类切分为训练、验证与评估，评估保留 7 种噪声。混响脉冲响应用公开房间脉冲库并按比例切分训练验证测试。噪声中含清晰语音的片段用语音活动检测工具去除。训练与验证混合动态生成，语音与噪声响度按原文给出的响度范围均匀采样，且语音响度范围低于噪声，因为假设主要用在强噪声环境，并对语音与噪声做速度扰动。
评估时把噪声响度设为语音加 5 响度单位，将数千条语音与 7 种测试噪声组合成上 10000 条混合。指标方向需先固定：尺度不变信干比越高表示波形重建越准确，听感质量分越高表示人听质量越好，词错误率与字错误率越低表示识别越好。识别用低延迟语音识别模型评估英文词错误率，日文用报纸朗读语料评估字错误率，日文混合按响度差从高到低每 5 分贝一档生成。基线包括不做增强的含噪输入、干净语音参考、单目标模型、联合训练的不同分支输出，以及推理时做观察相加的版本。
下表整理英语评估中关键条件的数值对照，比较问题是同一模型换提示后重建、听感与识别如何变化，公平条件是同数据同评估混合，指标方向为重建与听感越高越好、词错误率越低越好，且词错误率按最易与最难噪声分别报告。
| ID | Prompt | SI-SDR | UTMOS | WER |
|---|---|---|---|---|
| A1 | S N | 10.7 | 3.17 | 4.7 21.5 |
| A3-H | S N | 10.8 | 3.21 | 4.6 21.1 |
| A3-A | S-A N | -5.9 | 1.68 | 4.2 19.9 |
| A1 prime | S N OA | -3.4 | 1.86 | 4.2 18.9 |
上表取自原文英语结果表的部分行，用于固定高质量分支、识别分支与观察相加基线的相对位置。高质量分支应接近单目标标准模型，识别分支应接近单目标正则模型，若某 1 分支明显偏离则说明两种目标在共享参数中互相干扰。观察相加版本应单独标注为推理后处理，不能与可直接输出的分支混为同一训练收益。原文还设置了绝对值损失对照，用于检验结论是否依赖信噪比形式，解读时应把信噪比组与绝对值组分开比较。
主结果：换提示是否换输出，识别与质量各付出什么代价？
主结果围绕 3 个问题：高质量分支是否保持质量，识别分支是否改善识别，以及联合训练是否接近单目标模型。原文报告显示，联合训练的高质量分支在重建与听感上与单目标标准模型几乎相同，联合训练的识别分支在重建与听感上明显更低，因为输出保留了可观噪声，但识别错误率低于标准模型，说明正则项通过在残留噪声与语音失真之间折中换来了识别稳健性。单目标正则模型与联合识别分支表现接近，支持单模型同时支持两种目标而无明显退化的判断。
需要同时看到的反例是，观察相加基线在识别上仍优于正则分支，说明更好的识别导向损失仍待寻找。绝对值损失组呈现相似趋势但整体性能更低，说明损失形式影响绝对水平。日文实验的趋势与英文一致，支持跨语言与跨语料的泛化判断，但在最难噪声的最低信噪比处出现例外，绝对值标准模型反而最好，原文检查发现正则模型出现了重复词等识别输出错误，可能与语音样伪影抑制不足有关。
下表整理训练配置的比较问题：在相同数据与模型规模下，只换提示集合与损失组合能否让单模型兼顾两种目标，指标方向是重建与听感越高越好、识别错误越低越好，训练细节决定复现是否对齐。
| 配置 | 数值 | 说明 | 对照 | 条件 |
|---|---|---|---|---|
| 输入采样率 | 16 kHz | 频谱提取 | STFT | 32 ms 窗长 |
| 跳长 | 8 ms | 频谱提取 | STFT | 连续提取 |
| 训练轮数 | 150 epochs | 更新步数 | 2000 每轮 | 批量 4 |
| 学习率 | 0.001 | 预热步数 | 10k 步 | AdamW |
| 混合比例 | 0.4 | 推理后处理 | OA 基线 | 预调优选 |
上表整理了复现必须固定的信息条件，频带划分已改为适配 16 千赫输入，短时傅里叶变换窗长与跳长、训练轮数与步数、批量大小、学习率预热与减半重启规则都要保留。代码与数据可达性按本次核验写：统一分离代码当前可用，环境噪声库当前可用，房间脉冲库当前可用，语音活动检测工具当前可用，但这只表示链接本次可达，不代表权重下载或一键运行。
下表对应日文多信噪比评估，比较问题是结论是否随信噪比与语料变化，条件是同噪声类型、按响度差分档评估，指标方向为字错误率越低越好，保留必要基线与可运行策略。
| ID | +5 dB | 0 dB | -5 dB | -10 dB | -15 dB |
|---|---|---|---|---|---|
| N noisy | 5.3 7.1 | 5.6 12.5 | 7.2 40.3 | 13.1 263.4 | 33.2 423.1 |
| A1 | 5.5 7.1 | 5.8 11.5 | 7.0 34.8 | 11.7 170.3 | 29.2 233.2 |
| A3-A | 5.3 6.3 | 5.5 09.5 | 6.4 23.4 | 10.0 137.6 | 21.5 378.5 |
| A1 OA | 5.3 6.3 | 5.5 09.4 | 6.2 23.3 | 09.2 117.5 | 22.9 359.7 |
上表显示日文趋势与英文一致，高信噪比易噪声下标准增强甚至差于不增强，说明增强改善听感不必然改善识别。难噪声的结果约相当于易噪声平移约 10 分贝后的水平，唯最低档出现反转，需按原文归因到伪影类型而不能推广为正则方法整体失效。未胜出项必须指出：正则分支未超过观察相加，绝对值组整体低于信噪比组。
下面导读模型输出频谱示例，4 个面板分别是混合、标准提示、识别额外标记、保留混响额外标记下的输出，横轴为秒级时间，纵轴为频率，理解该图只能作为单样本示例不能推广为平均性能。
看图路径： 1. 先看左上混合频谱确认全时段铺底噪声与语音能量混叠的位置；2. 对比右上标准提示输出确认语音段外背景是否更黑更干净；3. 对比左下识别专用额外标记输出确认背景残留是否多于标准提示；4. 对比右下保留混响输出确认语音能量在时间轴上的拖尾是否更长
论文图 2。原论文 Fig. 2:：“Examples of output signals generated by Model A5 for different input prompts.”。
图后解释可见内容：标准提示输出的背景最干净，语音段外接近黑色，识别额外标记输出保留了更多背景，语音段内外的残留都更明显，保留混响输出的语音能量在时间上拖尾更长，符合保留混响的设计目标。该图是单样本示例，只能说明模型能按提示生成不同特性，不能把单图的干净程度推广为全测试集的平均性能，定量结论仍以表格为准。
混响控制与多条件叠加是否可同时实现？
该节回答第二个下游任务：混响保留量是否也能用提示控制，并能否与识别需求叠加。训练上模型 A5 同时加入识别额外标记与保留混响额外标记，评估用 3 类重建参考：无混响混合对照无混响语音，混响混合对照早期脉冲语音与完全脉冲语音，分别衡量去混响与保留混响的能力，识别仍用无混响混合的词错误率。
原文报告显示，无保留混响提示的输出在去混响参考下最好，有保留混响提示的输出在保留混响参考下最好，说明保留混响提示确实切换了混响行为。识别额外标记分支保持了识别导向特性，词错误率优于高质量分支。同时叠加两个额外标记时，重建指标变化很小，保留混响参考下有小幅提升，原文推测识别额外标记本身也有保留残留混响的效果，因此叠加收益是加性的但不大。
下表整理混响与识别联合评估的比较问题：在同时训练两种条件下，换提示能否分别得到去混响、保留混响与识别导向输出，指标方向仍为重建越高越好、识别错误越低越好，保留全部可运行分支以免只看有利条件。
| ID | Prompt | SI-SDRA | WER | SI-SDRNR | SI-SDRR |
|---|---|---|---|---|---|
| A5-HD | S N | 10.2 | 4.8 24.1 | 7.5 | 6.8 |
| A5-HR | S N ex-R | 10.2 | 4.9 24.0 | 6.6 | 7.9 |
| A5-AD | S N ex-A | -6.0 | 4.2 21.5 | -7.4 | -7.0 |
| A5-AR | S N ex-A ex-R | -6.0 | 4.2 21.7 | -7.3 | -6.8 |
上表显示高质量分支的无混响重建略低于只在无混响数据训练的模型，这是引入混响数据与多任务的代价。识别分支的重建为负值量级，不能与高质量分支直接比大小，因为两者对照的优化目标不同。叠加提示未带来识别的进一步提升，说明多条件组合目前主要体现为重建参考的切换，而非识别的叠加增益。一起看，这些结果支持单模型同时支持识别导向增强与混响控制，但叠加收益有限。
哪些结论有证据，哪些还只是可能？
直接报告的结论是：提示切换能生成不同特性的信号，联合训练的高质量分支接近单目标标准模型，识别分支接近单目标正则模型并改善识别，但牺牲重建与听感。原文用几乎相同、接近等表述描述联合与单目标的差距，复述时应保留这种程度限定，不写成完全无损。
有限解释是跨提示模块能灵活处理多提示因此无退化，这只是与观察一致的解释，不是因果证明。待验证的推测包括识别额外标记保留混响的原因、最低信噪比下重复错误的机制，原文用可能等措辞，复述时不应写成定论。缺失证据不是技术错误：原文未测量延迟、计算量、误判率与主观听感的人评，不能承诺这些量得到改善。
总体趋势不等于每组噪声每档信噪比都成立，日文最低档的反例就是提醒。相关性不等于因果：识别错误下降与保留噪声同时出现，不能直接断定保留噪声本身就是原因，更准确的表述是正则约束下的输出特性与识别改善相关。训练资源、推理开销、输出帧率与实际延迟应分开讨论，原文只给了模型规模符号与训练步数，未给硬件预算与推理耗时，复现时需另行测量。
要复现应先固定什么，再跑什么对照？
复现先固定信息条件：提示名必须与原文一致，包括标准语音、音效混合、语音识别专用、识别额外标记与保留混响额外标记。损失切换规则是出现识别专用提示才用正则损失，否则用标准损失。混响分支的参考切换是含保留标记对照完全混响，否则对照早期脉冲语音。数据动作按原文：语音与噪声划分、去除噪声中语音段、响度采样范围、速度扰动、评估混合生成方式与脉冲库切分。
模型按开源统一分离中等配置搭建，注意频带划分已改为适配 16 千赫输入，短时傅里叶变换窗长与跳长、训练轮数与步数、批量大小、学习率预热与减半重启规则都要保留。
建议先跑通单目标标准与单目标正则两个基线，再跑联合训练并分别用两种提示解码，最后再加观察相加基线与混响分支，避免一开始就跑 4 条件组合导致无法定位问题。还需补的验证是：在自己的识别后端与噪声下重测识别错误，记录推理耗时与参数量，并做人听抽查，因为自动听感分不能代替人评。
何时值得尝试这种提示扩展，何时不必？
当同一个分离模型要同时服务人听与识别，或要在去混响与保留混响之间切换，且希望推理时只换提示而不换模型时，这种提示扩展值得尝试。它的实质是用提示把下游任务信息送入训练损失，让模型学出两套输出行为，推理成本主要是多维护一套提示嵌入与多做 1 次解码选择。
论文特有的误解需要澄清：识别分支重建指标低不是模型坏了，而是设计上允许残留噪声以减少失真。高质量分支识别差于识别分支不代表增强无用，而是标准重建目标与识别目标不一致。观察相加更优不否定提示扩展，而是说明训练期正则仍有改进空间。何时不必：如果只做人听增强，直接用标准损失的单目标模型即可，如果只为某固定识别后端冲极限，直接针对该后端的识别损失或推理混合可能更直接。
收束一句话：该方法用最小的接口变化把下游任务需求写进统一分离的训练，换来可切换的输出特性，但识别导向损失的形式仍是开放问题，后续应寻找比当前正则与推理混合更能保留识别相关线索的训练目标。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | 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