标签：#语音增强 | #注意力机制 | #状态空间模型 | #语音 | #单通道
评分：8.1/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Shang-Fu Chen：机构信息未在 arXiv HTML 中可靠披露
- Szu-Wei Fu：机构信息未在 arXiv HTML 中可靠披露
- Sung-Feng Huang：机构信息未在 arXiv HTML 中可靠披露
- Rong Chao：机构信息未在 arXiv HTML 中可靠披露
- Wen-Huang Cheng：机构信息未在 arXiv HTML 中可靠披露
- Yu Tsao：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
单通道语音增强需从含噪波形恢复目标语音的幅度与相位，浊音谐波在噪声下易被抹除而感知质量又与均方误差不对齐。本文提出HAMMER，先由密集编码器将压缩幅度谱与相位谱映射为紧凑时频特征，再堆叠4个时频谐波感知模块沿时间轴与频率轴交替做并行上下文建模与局部周期增强，最后经幅度与相位双解码器重构波形并以可微感知损失直接优化。与顺序堆叠注意力与状态空间模型的已有混合方案不同，该设计让全局交互与选择性长程传播在同一深度互补融合，并显式注入自相关周期先验。该优化以软化感知干扰聚合的Soft-PESQ损失与约束线性预测谱失真的对数似然比损失联合监督，全程无需度量判别器。在VoiceBank+DEMAND测试集评测下，HAMMER的PESQ为3.69，高于Mamba-Former的PESQ 3.64，且COVL为4.41，推理时感知对比拉伸可进一步将PESQ推至3.79。结论目前仅在该英文小规模受控噪声基准上验证，对真实混响、低信噪比与跨语言泛化的外推尚未证明。其适用边界受限于该单一英文受控噪声场景，跨语言与真实混响外推尚未验证。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/shangfuu/HAMMER.git → https://github.com/shangfuu/HAMMER — 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，为什么值得做显式建模？
这篇论文研究的是单通道语音增强。输入是一段带噪波形，目标是恢复出干净语音波形，下游可能接到电话、助听器或语音识别。初学者可以这样理解任务边界：只有一个麦克风，没有空间信息，只能靠时频结构区分语音与噪声。论文把信号先做短时傅里叶变换，得到幅度谱和相位谱，再做幂律压缩后堆成 2 通道的时频输入。增强不是只估计幅度，而是用双解码器分别重建幅度和相位，最后经逆变换回到波形。
为什么不能把时频图直接丢给通用序列模型？论文的判断是，浊音语音有很强的准周期性：频域上是等间隔的谐波，时域上是重复的波形模式。非结构化的噪声一般不具备这种规律。如果模型只是学习标记之间的一般依赖，就可能在去噪时把谐波一起压掉。把周期性显式建模进来，目标是保留谐波相关的语音成分，同时压制无结构干扰。这是后文时间-频率谐波感知模块的动机。
另一个难点是评价与训练不一致。宽带 PESQ 是常用感知指标，但官方实现不可微，不能直接反向传播。常见做法是训练一个度量判别器来预测分数并提供代理梯度，但这会引入额外网络、额外计算和对抗训练的不稳定。论文希望走无判别器路线：保留标准重建损失为主，再加入可直接求导的感知项。需要提前说明，论文中的可微 PESQ 管线是训练代理，其绝对分数可能与参考 PESQ 实现不一致，但其中的感知干扰信号仍可指导增强。
已有路线在输入、目标和监督上有何异同？
在骨干路线上，MP-SENet 建立了双幅度相位解码器结构，后续很多系统沿用该复谱双解码设计。SEMamba 把其中的 Transformer 核心换成双向 Mamba，做更紧凑的序列建模。Mamba-SEUNet 把类似思想扩展到多层 U-Net，还有工作把状态空间模型与注意力按顺序堆叠。论文认为这些混合大多是串行堆叠，仍属于通用序列混合器，没有专门针对谐波的模块。论文借用了语言模型中 Hymba 的并行融合思想，把两种混合器放在每个时频块内部并行计算。
在感知优化路线上，MetricGAN+ 和 CMGAN 学习判别器作为度量代理，MetricGAN-OKD 扩展到多度量。可微代理如 PMSQE、受 PESQ 启发的损失和 torch-pesq 避免了对抗训练，但仍要小心处理硬感知算子和度量特有伪影。论文的选择是软化 PESQ 式监督加可微 LLR 项，与复合语音质量度量相关的 LPC 谱失真联系起来。
度量判别器 × 无判别器直接优化： 度量判别器负责学习一个预测 PESQ 等分数的代理网络来提供梯度，无判别器直接优化负责保留标准重建损失为主锚点并加入可微的感知项直接求梯度，搭配对比的原因是前者引入额外网络与对抗不稳定，组合意义是论文选择后者以减少复杂度和不稳定来源。
对初学者而言，同输入同目标的对照是：同样输入带噪波形、同样输出增强波形，骨干可以是纯 Transformer、纯 Mamba 或串行混合，而 HAMMER 是并行混合加周期模块；同样想提高 PESQ，监督可以是学出来的判别器，也可以是论文这种写成张量运算的直接可微损失。类别差异不能直接当成同条件胜负，后文实验条件会具体核对数据集、指标与可运行策略。
论文把问题拆成哪两个可验证的缺口？
第一个缺口是表示缺口。注意力擅长全局交互，Mamba 擅长高效长程传播，但如果只是串行堆叠，后一个混合器只能看到前一个过滤后的表示。论文希望在同一深度得到两种互补视角，再融合。同时，即使融合了全局与长程上下文，局部周期结构仍缺显式表达。论文把 Flickerformer 中面向图像闪烁的自相关前馈网络改造为语音版本，作用于局部时频块。
第二个缺口是优化缺口。直接微分 PESQ 代理仍继承硬死区、阈值和饱和操作，近干净语音时可能梯度为零或突变，导致停滞或不稳定。论文因此软化硬算子：死区保留小梯度，非对称阈值用 Sigmoid 门代替，硬截断用软饱和代替。同时补一个 LPC 包络失真项，因为软化 PESQ 主要度量听觉域干扰，不显式约束语音谱包络。
举一个教学例子，不代表论文数值：假设某 1 帧浊音基频对应的谐波被噪声掩盖，全局注意力可能从邻近干净帧借到证据，Mamba 可能沿时间传播连续性，而自相关模块可能在局部块内发现重复间隔，三者缺一都可能导致谐波断裂或过平滑。这个例子只是帮助理解分工，实际效果要看消融对照。
一个样本如何走完输入到输出？
先沿一个样本走全程。输入带噪波形先算 STFT 幅度和相位，做幂律压缩后堆成 2 通道时频输入。DenseEncoder 把它映射为紧凑特征图，再经过堆叠的 TF-HAM 块精炼，最后幅度解码器和相位解码器分别重建，解压缩并逆变换得到增强波形。论文说明编码器与解码器与 SEMamba 保持不变，改动集中在中间骨干和训练目标两处。
下面这张总览图值得按主路径读，它把编码、堆叠精炼、双解码与波形重建画在同一条链上，并展开了每个 TF-HAM 块内部的时间轴并行模块、频率轴并行模块与自相关前馈的顺序。
看图路径： 1. 沿左上角 noisy speech 波形经 STFT 到压缩谱再到编码器的主箭头走一遍；2. 确认中间粉色 TF-HAM 框内时间 PAMM、频率 PAMM 与 AFFN 的串接顺序与循环次数标记；3. 对照下方蓝色并行注意力-Mamba 模块中上下两条支路在哪里汇合；4. 观察右下 AFFN 框内 FFT、共轭相乘、IFFT 与门控卷积的局部回路
论文图 1。原论文 Figure 1:：“Overview of HAMMER. Compressed magnitude and phase spectra are encoded, refined by stacked TF-HAM blocks, and decoded for waveform reconstruction.”。
从像素可见，主链从左上角红色带噪波形经 STFT 分为幅度与相位支路，进入压缩与特征编码器，再进入中间粉色大框标注的 TF-HAM。框内依次是时间 PAMM、频率 PAMM 与 AFFN，并标注重复 N 次。下半部分分别展开了蓝色并行注意力-Mamba 模块、浅紫 Mamba-2 块与浅黄 AFFN 的内部结构。右侧是幅度解码器与相位解码器，经逐点相乘、逆压缩与 ISTFT 得到右侧蓝色增强波形。读图时不要把同色当成同对象，要按箭头确认数据流向与汇合点，例如并行模块中注意力与双向 Mamba-2 在归一化后分叉再相加融合。
并行注意力-Mamba 如何计算互补上下文？
TF-HAM 块先做轴向并行混合，再做周期前馈。轴向指先沿时间轴做 1 次混合加残差，再沿频率轴做 1 次混合加残差。每次轴向混合都遵循混合头原则：注意力分支与状态空间分支处理同一份归一化特征，而不是串行先后处理。
具体计算上，给定轴向标记序列，先做 RMSNorm 得到同一输入。注意力分支用旋转位置编码旋转查询与键，使自注意力编码相对偏移，再做缩放点积与 Softmax 加权。Mamba 分支对同一归一化输入做前向与后向 Mamba2 扫描，再在通道维拼接并经可学习投影汇总内容选择性上下文。2 分支输出各自再做 RMSNorm 后取平均，经输出投影得到混合结果，再与输入做残差相加。
自注意力 × Mamba： 自注意力负责计算同一深度下所有时频标记之间的全局交互，Mamba 负责用选择性状态空间做内容相关的长程传播，二者并行处理同一份归一化特征再融合，搭配理由是避免串行先后过滤，组合意义是在同一层同时得到非局部证据和连续上下文。
融合公式先解释符号与目标。公式中 A 是注意力分支输出，M 是双向 Mamba2 拼接投影后的输出，Wo 是可学习输出投影，y 是融合后的混合输出。计算目标是在同一深度把非局部交互与状态空间传播融合成一个表示，供后续轴向或周期模块使用。
\[y=\tfrac{1}{2}\big(\operatorname{RMSNorm}(A)+\operatorname{RMSNorm}(M)\big)W_{o}.\]该段只讲论文明确的实现，不猜测头数之外的细节。论文在配置中报告注意力头数与 Mamba2 状态维度等设置，实验条件节会集中给出。需要指出，原文没有报告注意力与 Mamba 分支各自的参数量拆分，也没有报告只保留单分支的延迟对照，因此不能从名称推定哪条分支主导了质量或速度。
自相关前馈如何把周期性写进局部块？
注意力与 Mamba 给出上下文后，语音适配的自相关前馈网络负责通道混合与局部周期建模。输入特征先做逐点卷积与归一化，再按 PxP 切成局部时频块。每个块做 2 维 FFT 得到复谱，再乘可学习谱滤波器。功率谱是复谱与其共轭的逐点乘积，自相关是功率谱经 2 维逆 FFT 得到，这一步对应维纳-辛钦定理。
公式中 Xp 是加权后的复谱，Sp 是功率谱，Rp 是自相关，W 是可学习谱滤波器，FFT2 与逆变换都是 2 维操作。计算目标是得到局部块的周期线索的频域与时域两种形态。
\[\begin{gathered}\mathcal{X}_{p}=\mathcal{W}\odot\mathcal{FFT}_{2}(z_{p}),\hskip 9.24994ptS_{p}=\mathcal{X}_{p}\odot\overline{\mathcal{X}_{p}},\\ R_{p}=\mathcal{FFT}_{2}^{-1}(S_{p}),\end{gathered}\]得到周期线索后，模块做谱增强重建。Xp 保留学习到的复谱，αSp 强调高能量周期成分，映射回块域后再加 βRp。α 与 β 是可学习标量。直观对应是：复谱保证内容不丢，功率谱增强重复性强的成分，自相关项把时域重复间隔显式加回来。
\[\begin{gathered}\widetilde{z}_{p}=\mathcal{FFT}_{2}^{-1}(\mathcal{X}_{p}+\alpha S_{p})+\beta R_{p},\end{gathered}\]谐波周期性 × 自相关前馈网络： 谐波周期性指浊音在频谱上等间隔谐波、在时域上重复波形的结构，自相关前馈网络负责在局部时频块内用 2 维 FFT 算功率谱再逆变换得到自相关并增强高能量周期成分，搭配理由是注意力与 Mamba 仍是通用序列混合器，组合意义是每块都补上显式的局部周期偏置。
各块重组后再过门控前馈层得到输出，并以零初始化残差尺度注入主路。零初始化意味着训练初期该分支接近恒等映射，后续再逐渐加入周期增强，这有助于稳定早期训练。该设计是论文明确给出的安排理由，但原文没有给出 γ 在训练中的变化曲线，因此只能说机制上有稳定作用，不能断言具体哪一轮开始起效。
无判别器时梯度从哪里来？
训练目标是在 SEMamba 重建目标上加两项度量显式项，不用对抗项。重建部分包括幅度、相位、复谱、时域与一致性损失，权重在总目标中明确给出。新增的是软 PESQ 损失与可微 LLR 损失，分别有权重。两项都从干净波形与增强波形直接计算，不经过学习到的判别器。
软 PESQ 的改动集中在硬算子。响度干扰的死区原来低于掩蔽阈值直接置零，论文改成泄漏死区，在死区内保留小梯度。非对称干扰比的硬阈值改成 Sigmoid 门，硬上截断改成软饱和。公式中 d 是有符号响度干扰，z 是掩蔽阈值，λ 保留死区内小梯度。计算目标是让近干净样本仍有可用梯度，同时避免硬跳变。
\[\widetilde{d}=\operatorname{sgn}(d)\left[\max(|d|-z,0)+\lambda\min(|d|,z)\right],\]软化 PESQ × 对数似然比： 软化 PESQ 负责把听觉域滤波、Bark 映射、响度转换与干扰累积写成可微张量运算并软化死区与截断，对数似然比负责约束 LPC 全极点包络即共振峰与声道着色的谱失真，搭配理由是前者管感知干扰、后者管谱包络，组合意义是不用判别器也能同时得到感知方向与包络约束。
LLR 项补的是包络约束。干净与增强波形分帧加窗后算 16 阶自相关，经批量 Levinson-Durbin 递推得到含首个单位抽头的 LPC 系数向量，再用干净帧的 Toeplitz 自相关矩阵算帧级失真。公式中 Rx 是干净帧自相关矩阵，ax 与增强对应系数是分子分母的 2 次型，极小量稳定对数。每条语音内按帧失真排序，保留最低的 95% 再平均，排序是索引置换，几乎处处有次梯度，因此截断平均仍可对增强波形求导。
\[d_{\text{LLR}}=\log\frac{a_{\hat{x}}^{\top}R_{x}\,a_{\hat{x}}+\epsilon}{a_{x}^{\top}R_{x}\,a_{x}+\epsilon},\]论文报告了软化门与饱和的超参数、LLR 分帧与阶数、总损失权重、梯度裁剪与指数滑动平均生成器等安排，实验条件与复现节会集中保留。未报告的是软 PESQ 管线与官方 PESQ 在同一批增强语音上的分数偏差曲线，因此不能把训练中软 PESQ 的下降幅度直接解读为官方 PESQ 的同等提升。
数据、特征与训练预算按什么条件测？
数据集是 VoiceBank+DEMAND 标准单通道基准。训练集把 28 个说话人的 11572 条语音与 DEMAND 噪声在 0、5、10、15 dB 信噪比下混合，测试集是 2 个未见说话人的 824 条在 2.5、7.5、12.5、17.5 dB 下混合。所有音频重采样到 16 kHz。初学者要注意，训练与测试的说话人与信噪比都不重叠，因此结果反映的是未见说话人与未见信噪比下的泛化，不是记忆训练句子的效果。
特征与模型配置按原文交代。STFT 用 400 点 Hann 窗、100 点跳长，快速傅里叶点数与窗长一致，幅度做幂律压缩。骨干用 64 通道、4 个 TF-HAM 块、4 个注意力头，Mamba2 状态与卷积等设置与总参数量一起报告。训练用 2 秒片段、AdamW、bf16 混合精度、每卡批量 4、共 2 卡，感知损失模型用范数裁剪与指数滑动平均生成器，在 70 轮内收敛。LLR 分帧用 480 点窗、120 点跳长、16 阶自相关。评价用宽带 PESQ、CSIG、CBAK、COVL 与 STOI，越高越好，增强语音先解压缩逆变换再用参考实现打分，以便与已发表结果直接比较。
下表把分散在正文中的特征、模型与优化配置整理成一处，数字与单位保留原文写法，便于复现时逐项核对。表前的问题是：复现需要固定哪些与结果强相关的信息条件？公平比较要求数据集划分、采样率、特征窗跳与训练预算一致，否则分数差异可能来自条件而非方法。
| 环节 | 窗长与跳长 | 模型规模相关 | 优化与精度 | 采样与分帧 |
|---|---|---|---|---|
| STFT 特征 | 400-sample Hann window，100-sample hop | nfft=400，c=0.3 | power-law magnitude compression | 16 kHz 重采样 |
| TF-HAM 骨干 | C=64 channels | N=4 TF-HAM blocks，H=4 attention heads | dstate=16，dconv=4，expand=4 | 2.39 M parameters |
| 训练优化 | 2-second segments | batch size 4 per GPU on two GPUs | bf16 mixed precision，AdamW | gradient clipping at norm 1.0，EMA decay 0.999 |
| LLR 计算 | 480-sample windows，120-sample hops | order-P=16 autocorrelations | Hann window | 16 kHz framed |
表后需要说明代价与边界。该配置的总参数量较小，但论文没有报告训练时长、峰值显存、推理实时率与延迟，因此不能把参数少直接等同于推理快。批量、精度与滑动平均都会影响收敛与分数，复现时应先对齐这些预算项，再比较骨干与损失的增益。LLR 只约束包络，软 PESQ 只是代理，缺失的官方 PESQ 偏差与主观听感验证在局限节继续讨论。
主结果在什么条件下支持无判别器可比？
主结果的问题是：在同一 VoiceBank+DEMAND 测试集与同一组参考指标下，无判别器的 HAMMER 能否达到与判别器系统可比的感知质量？指标方向都是越高越好。论文报告 HAMMER 达到 3.69 PESQ、4.83 CSIG、3.97 CBAK、4.41 COVL，参数量为 2.39M。论文的文字判断是总体质量最好且背景质量接近最强，但需要按指标逐项看，因为不同指标的差值不能混为一谈，也不能把自动指标当成人评。
为避免逐行复述大宽表，这里用可逐字核对的句子证据整理出核心可运行对照：一端是完整 HAMMER，另一端是相同损失下的串行 Mamba 到注意力变体，二者都是实际可训练可运行的策略，不是事后最优或 oracle。宽表中的更多基线在原文表 1 中列出，但本次解读只整理有连续原句证据的数字，不把表格裸值逐格追加单位或四舍五入。
| 条件 | PESQ | CSIG | CBAK | COVL | 参数量与策略 |
|---|---|---|---|---|---|
| HAMMER 完整可运行策略 | 3.69 PESQ | 4.83 CSIG | 3.97 CBAK | 4.41 COVL | 2.39 M parameters |
| sequential Mamba-to-attention 相同损失变体 | 3.67 PESQ | 未报告 | 未报告 | 4.40 COVL | same losses 可运行变体 |
表后解释主要收益与具体代价。收益是并行融合在相同损失下略高于串行堆叠，支持并行优于固定顺序的判断；完整 HAMMER 同时给出 CSIG 与 CBAK，说明改进不只在 PESQ 单项。代价是 CBAK 并非全场最高，论文表格中另有基线在背景质量上更强，因此不能说所有维度全面获胜。限制是该表只覆盖客观指标，没有误判率、延迟与人听评价，总体趋势也不等于每条语音都提升。
感知对比度拉伸 × 推理时操作： 感知对比度拉伸负责对增强谱的对比度做可控增强以移动 PESQ 与背景质量的权衡点，推理时操作负责在不重训权重的情况下用强度系数控制该权衡，搭配理由是以往做法是重训固定一个权衡点，组合意义是一个检查点可以画出多条工作点供部署选择。
推理时感知对比度拉伸提供了另一条可部署权衡。论文以往基线靠重训固定一个权衡点，HAMMER 直接在推理时用强度系数控制工作点。整理如下，数字同样来自连续原句证据。
| 策略 | PESQ | CBAK | COVL | 可部署性 |
|---|---|---|---|---|
| HAMMER 无 PCS 检查点 | 3.69 PESQ | 3.97 CBAK | 4.41 COVL | without retraining 可直接推理 |
| HAMMER+PCS α=0.65 | 3.79 PESQ | 未在同句报告 | 未在同句报告 | Inference-time 无需重训 |
| HAMMER+PCS α=0.3 最强背景点 | 未在同句报告 | 3.87 CBAK | 未在同句报告 | 同一检查点切换工作点 |
表后需要点出反例。增大强度总体提高 PESQ 与 COVL 到中等强度，但单调降低 CBAK，因此 3.79 的高 PESQ 是以背景分下降为代价的。α=1.0 时 PESQ 回落，说明并非越强越好。未胜出项是 STOI 在 PCS 后略降，论文 PCS 表格中 HAMMER 的 STOI 为 0.95，低于部分基线的 0.96，因此感知拉伸不适合把可懂度当首要目标的场景。
架构与优化各自贡献了什么，反证是什么？
消融的问题是：增益来自换骨干还是加感知损失？论文以 SEMamba 为最近基线，分解 TF-HAM、软 PESQ 与 LLR。文字报告的趋势是：只加软 PESQ 有适度一致增益；换成 TF-HAM 带来最大提升；再加 LLR 进一步提高 CSIG 与 COVL，符合其约束 LPC 谱失真的角色而非直接最大化 PESQ。串行变体略低于并行，作为固定顺序不如并行融合的反证。
对初学者要区分直接报告与有限解释。论文报告了各配置的分数，支持架构与优化互补的判断；但相关性不是因果，没有测量每条语音的谐波保留率，也没有消融旋转位置编码、双向扫描或零初始化尺度的单独影响，因此不能说增益必然来自周期建模本身。可能的待验证解释是，更好的上下文融合也可能解释了大部分提升，周期分支的具体贡献需要更细的开关实验。
另一个反证是 PCS 的单调代价。同一检查点提高 PESQ 时 CBAK 下降，说明感知目标与背景抑制存在权衡，不是单调共赢。这也提醒复现时不要只看 PESQ 单指标，要同时记录 CSIG、CBAK、COVL 与 STOI，并固定解压缩与逆变换后的参考打分流程，否则跨论文比较会失真。
哪些结论不能下，缺了哪项验证？
首先，分数只在 VoiceBank+DEMAND 上报告，没有跨数据集、跨噪声类型、跨采样率或真实录音的证据，因此不能推广到所有场景。训练与测试说话人不重叠是优点，但仍是受控混合，不是真实混响与设备失真。
其次，软 PESQ 是训练代理，原文明确说绝对分数可能偏离参考实现，且未给出偏差曲线与梯度稳定性统计。因此不能把训练损失的下降幅度当成官方 PESQ 的等量提升，也不能承诺主观听感同步改善。LLR 的 95% 截断平均虽可微，但原文没有报告丢掉的高失真 5% 是否集中在语音边界或爆破音，这部分可能影响可懂度。
第三，成本证据缺失。论文给了 2.39M 参数量，但没有报告训练 GPU 小时、推理浮点量、帧率与实际延迟，也没有单分支或串行变体的延迟对照。因此不能说参数少就等于更快更省，训练资源、推理开销与实际延迟要分别讨论。PCS 在推理时引入额外处理，其计算开销与 α 选择策略也没有量化。
第四，代码可用性要按资源状态写。本次收到的官方代码资源状态为 available，链接本次可达，但这只代表当前可用，不代表权重下载、运行脚本与环境依赖完整。复现前仍需核对仓库中的训练、推理与打分脚本是否与论文配置一致。
复现先固定什么，再跑什么？
先固定信息条件。数据用 VoiceBank+DEMAND 原划分与信噪比分组，统一重采样到 16 kHz。特征固定 400 点 Hann 窗、100 点跳长、快速傅里叶点数 400 与压缩系数 0.3。模型固定 64 通道、4 块 TF-HAM、4 头注意力与 Mamba2 设置。LLR 固定 480 点窗、120 点跳长、16 阶。
优化固定 2 秒片段、AdamW 参数、学习率衰减、bf16、每卡批量 4 双卡、梯度裁剪范数 1.0 与滑动平均衰减 0.999。打分固定先解压缩逆变换再用参考实现，避免用代理分数代替官方分数。
再跑最小可比集合。第一步复现 SEMamba 基线或串行变体，确认环境与打分链无偏；第二步只加软 PESQ，观察小幅增益是否出现；第三步换 TF-HAM 骨干，观察主要增益；第四步加 LLR，观察 CSIG 与 COVL 是否如论文所说继续改善。
每步同时记录 PESQ、CSIG、CBAK、COVL 与 STOI，不要只看 PESQ。PCS 单独在推理时扫 α，记录 PESQ 与 CBAK 的权衡曲线，确认中等强度最优、过强回落的现象。
还需补的验证包括：官方 PESQ 与软 PESQ 在同一批语音上的散点偏差；谐波保留的直接测量，例如浊音帧谐波失真或基频准确率；不同噪声与真实录音上的泛化；推理延迟与显存的实测。当前代码链接本次可达，可先从仓库核对编码器解码器是否与 SEMamba 一致、TF-HAM 是否按时间轴与频率轴各做 1 次残差、AFFN 是否按块做 2 维 FFT 与零初始化残差注入。
何时值得尝试这种显式化思路？
当任务同时满足三点时值得尝试：输入是单通道时频谱且浊音占比高，评价看重 PESQ 与复合质量但不想引入判别器，以及部署希望一个检查点覆盖多个质量与背景权衡点。HAMMER 的复述方法是：编码压缩谱，堆叠先时间后频率的并行注意力-Mamba 混合加自相关前馈，用双解码器重建波形，训练以重建损失为锚点加软 PESQ 与 LLR，推理按需调 PCS 强度。
不支持的用法也要记住：若首要目标是背景抑制最大化，不应直接选最高 PESQ 的 PCS 强度；若首要目标是可懂度，不应把 PCS 增益当成 STOI 增益；若要在新数据集上宣称胜利，需要重跑基线并固定打分链，不能只引用原论文数字。缺失证据不是技术错误，但需要补测才能把支持升级为因果。
一句话收束：把语音结构与感知目标显式写进模型与损失，比让通用骨干与学习代理隐式发现更可控，但每一步显式化都要用消融、偏差测量与成本实测来还账。
📎 论文与评分元数据
排名：前25% | 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