标签：#音乐源分离 | #RNN | #音乐 | #开源工具
评分：6.4/10 | 创新 1/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.5/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Paul Magron：机构信息未在 arXiv HTML 中可靠披露
- Romain Serizel：Université de Lorraine, CNRS；Inria, LORIA, F-54000 Nancy, France
- Constance Douwes：Centrale Med, Aix Marseille Univ；CNRS, LIS, Marseille, France
📌 核心摘要
音乐源分离输入为44.1kHz立体声混音的复数短时傅里叶变换，输出为人声、贝斯、鼓与其他四路时域波形，频谱重叠、混响与长时音乐依赖交织，且官方缺失预处理与训练脚本使可复现性成为实际难点。复刻链第一步由频带切分投影按乐器特定的变带宽划分频带并映射至潜空间，其潜特征进入第二步的序列与频带建模。序列与频带建模交替堆叠双向长短期记忆残差网络分别捕捉时间与频带依赖，其输出送入第三步掩码估计。多层感知机为各子带预测复掩码并拼成全带掩码，与混合频谱相乘后经逆变换重建波形，再以时域与频域联合损失及随机混音训练，相对已有包模型与私有数据方案的关键差异在于乐器特定切分与公开流程重建。在MUSDB18-HQ测试集上，替代数据策略的大模型组块信失真比（chunk SDR，cSDR）平均为7.87 dB，低于原论文8.24 dB，差距集中在其他声部。该结论仅适用于44.1 kHz四乐器设定与museval评测，未验证跨数据集与主观听感外推。论文用绿色算法估算讨论模型训练耗电为33 MWh，总项目耗电为24.2 MWh，约为最优单模型训练的53倍。该复刻适用边界受限于上述语料与硬件条件，其跨场景泛化尚未验证，而延长早停耐心的训练成本与硬件开销明显增加。
🔗 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
输入是什么，要输出什么，为什么值得复刻？
这篇论文研究的输入是一首立体声音乐混合曲，目标是把它拆成 4 路对应的乐器音轨，也就是人声、贝斯、鼓和其他。输出不是标签或一段文字，而是与混合曲等长的 4 路波形，每一路都希望只保留对应乐器的声音。对于刚进入音频领域的研究生，可以把任务理解为在时频域做遮罩估计：先把混合声变换到频谱，再为每个时频点估计一个属于目标乐器的比例，最后乘回混合谱并变换回波形。
论文选择复刻的对象是频带切分循环网络，也就是英文中的带分裂循环网络。这个选择不是因为它在所有榜单上最高，而是因为它在公开数据集上用相对合理的计算量取得了接近前沿的结果，并且启发了后续多种改进，还被用到影视分离与语音增强等任务。原文指出，近期优胜系统往往是多模型集成，或者依赖私有数据微调，或者需要极大的算力才能重训，这些都让普通实验室难以重复。
相比之下，该模型结构清晰且作者公开了部分模型定义代码，但缺少数据预处理、完整训练脚本与评测函数的官方实现。于是复刻的价值在于补齐整条流水线，检验设计选择的真实影响，并把能量开销讲清楚。
开场需要先固定可核对的信息边界。本文默认只使用论文正文证据与本次收到的官方原图像素，不引入外部实现或榜单传闻。凡是涉及代码与预训练模型是否可获取的说法，本文不做已公开的断言，因为本次没有完成可验证的资源可达性确认，后文会在复现一节专门说明缺项。学习路径上，先理解任务与相关路线，再走完一个样本从输入到输出的方法全景，然后拆开组件与训练目标，接着讲实验条件与评测口径，最后用结果与能量讨论收束，回答何时值得尝试以及复现应先做什么。
同任务有哪些路线，复刻工作站在什么位置？
音乐源分离的近期路线可以按输入输出阶段划分。混合解码器类方法直接在波形或混合时频表示上学习分离，例如混合解码器与分层解码器等系统，它们往往通过集成多个基模型提升成绩，但训练与维护成本高。另一类是基于频带建模的方法，把频谱先切成不等宽子带再建模，例如本文复刻的对象及其后续的单输入多输出变体与基于注意力变体。还有一类是时频卷积与变换器混合结构，论文提到其中一些已有可用代码且性能有竞争力。
相关工作的对照必须限定在同输入同目标同监督与同运行阶段。论文的比较限定为在公开数据集上训练并测试的系统，而不是拿私有数据微调后的成绩直接对比。原文明确指出，更先进的分层解码器只有在私有数据集上微调才超过混合解码器，这使得复刻不可能成立。同样，需要极大计算资源的注意力类系统在只有部分算力时重训会被拉得很长。这些例子说明，榜单数字相同不代表可比，只有数据集划分、训练数据范围与评测聚合方式一致时，比较才公平。
本文的复刻工作站在补充缺失流水线的位置。作者已分享部分模型定义，但缺少静音区处理、随机混合生成、优化器参数与评测拼接的完整脚本。非官方实现要么性能明显偏低，要么改到其他数据集或任务。因此本文的目标不是提出新结构，而是尽可能贴近原文实现完整流程，并扩展原文没有充分评估的设计选择，例如数据预处理、优化协议与结构参数，同时报告能量代价。这种定位决定了后文的阅读方式：性能数字要连同训练轮数、早停耐心与硬件条件一起看，能量数字要区分单次训练与整个项目的总开销。
复刻要解决的具体问题是什么？
第一个具体问题是流程不完整导致的性能不确定。即使模型定义已知，训练样本如何生成、静音如何处理、能量如何扰动、验证指标用损失还是用分离质量、学习率如何随批量调整，都会改变最终成绩。论文把这些细节当作研究对象，而不是当作默认配置一笔带过。
第二个具体问题是设计选择的归因困难。原文给出的窗口长度、掩蔽器放大系数、模型宽度与深度是否必须如此，损失中时域项与频域项各自起什么作用，梯度累积与学习率缩放是否等价，都需要对照实验才能回答。本文用小模型快速验证，再把有希望的结论放到大模型上检验，避免把小模型的偶然波动当成规律。
第三个具体问题是能量与可重复性的关系。深度学习研究的环境足迹需要被监测与降低，而音乐分离也在走向更大的模型。如果因为缺少完整流程而反复试错，整个项目的耗电会远超训练最优模型 1 次的耗电。论文因此把能量报告当作正式结果，讨论若有完整代码与超参数选择，多少试错本可以避免。这也解释了为什么本文既报告分离质量，又报告两种能量估计，并用帕累托视角同时看性能与能量。
一个样本如何走完输入到输出？
沿着一个混合片段走一遍流程，有助于把后文公式与组件放对位置。输入是混合声的复数短时傅里叶变换，记为混合谱，维度是频率点数乘时间帧数。实际送入网络的是实部与虚部堆叠后的实数张量，因为神经网络更易处理实数运算。目标是预测对应乐器的复谱估计。
第一步是频带切分模块。它把输入频谱按预先为每种乐器设计的方案切成带宽不等的子带，再把每个子带投影到维度为深层隐空间。不同乐器用不同的切分方案与模型尺寸，因此实际是为每种乐器训练专用模型，而不是一个模型同时输出四轨。第二步是序列与频带建模模块。它先沿时间帧做循环建模，再沿频带做循环建模，基本块包含组归一化、双向长短时记忆网络与全连接层，并堆叠多次形成深层网络。
这样做的理由是音乐信号在时间与频率两个维度都有依赖，分别建模可以各取所需。第三步是掩蔽估计模块。它把建模结果按子带拆开，每个子带用一个多层感知机预测子带掩蔽，再拼成全频带掩蔽，与输入混合谱相乘得到目标估计，最后经逆短时傅里叶变换回到时域波形。
评测时整首歌不是 1 次送入，而是切成 10 秒一段并保留部分重叠，估计块用线性淡入淡出拼接以平滑边界。论文说明这种拼接与原文方法平均结果相近，但推理更快，速度提升达到数倍。训练时一个周期包含 20000 个样本，每个样本由随机 3 秒块混合而成，来源歌曲、能量缩放与丢弃策略都会影响数据分布，细节留到训练一节展开。
三个模块各自算什么，如何衔接？
频带切分模块的计算目标是把高维频谱压缩成结构化的隐序列。白话说，它先按乐器特性决定哪里需要更细的频率划分，例如低频乐器与高频乐器的划分不同，然后用线性投影把每个子带的谱系数映射到相同隐维度。这样后续循环网络看到的是子带数乘时间帧数的隐张量，而不是原始频率点数。需要冻结或更新的参数是投影矩阵，论文未报告冻结该模块的实验，因此按全部可训练理解，不从名称推定有冻结。
序列与频带建模模块的计算目标是提炼时序与频带上下文。白话说，先固定每个频带看它随时间如何变化，再固定每个时刻看不同频带之间如何关联。基本块中的双向长短时记忆网络负责捕捉前后文，组归一化负责稳定分布，全连接层负责变换特征。堆叠次数与隐维度决定模型容量，小模型与大模型的区别正在于此，小模型宽度与深度较小，大模型宽度与深度较大，参数量随之大幅上升。
掩蔽估计模块的计算目标是输出可乘的复数掩蔽。白话说，它为每个子带训练一个小网络，把建模后的特征映射为掩蔽值，隐藏层宽度由掩蔽系数与隐维度乘积决定。掩蔽系数是后文消融的重点，减小它可以直接缩小模型，但对不同乐器的影响不同。
频带切分 × 序列与频带建模： 频带切分负责把混合声的短时傅里叶变换按不同带宽切成子带并投影到隐空间，分工是保留乐器相关的频率结构；序列与频带建模负责先后沿时间与沿频带做双向长短时记忆建模，分工是捕捉时序依赖与频带依赖；二者搭配的原因是音乐信号同时在时间与频率上有结构，组合意义是先给出乐器专用的频率划分再做 2 维循环建模，使后续掩蔽估计有可分的时频表示。
衔接关系可以用 1 次前向概括：混合谱经切分与投影得到隐表示，经 2 维循环建模得到上下文表示，经子带多层感知机得到掩蔽，掩蔽乘混合谱再逆变换得到波形。监督来源是成对的混合与干净目标谱，梯度路径从最终波形与复谱损失回传到掩蔽网络与建模网络，原文未给出截断梯度的说明，因此不猜测有停止梯度。
损失函数比较的是什么，符号如何对应实现？
训练目标由时域项与频域项相加构成。先解释符号与输入：符号中的目标谱表示干净乐器的短时傅里叶变换，估计谱表示模型输出的对应谱，下标分别表示实部与虚部，逆变换表示把复谱变回波形，范数取绝对值求和意义上的平均误差。输入是模型估计与干净目标的配对，计算目标是同时让波形接近与复谱的实虚部接近。原文明确的实现是三项直接相加，没有额外权重系数。
\[\mathcal{L}=|\text{iSTFT}(\mathbf{S})-\text{iSTFT}(\hat{\mathbf{S}})|_{1}+|\mathbf{S}_{r}-\hat{\mathbf{S}}_{r}|_{1}+|\mathbf{S}_{i}-\hat{\mathbf{S}}_{i}|_{1},\]这个公式的教学要点在于区分原始目标、近似与优化步骤。原始目标是分离质量更高，但直接优化评测指标不可微，因此用可微的波形与谱误差作为代理。近似在于用绝对值误差代替人耳感知或信号失真比，优化步骤是经反向传播更新全部可训练参数。论文进一步用实验检验是否必须保留全部三项，分别只用时域项或只用频域项训练，并与组合损失对比。
结果支持在此实现中两者效果相近，论文给出的有限解释是频域项分别处理实虚部，隐式约束了相位一致性，从而与时域损失等价。但这属于有限解释而非因果证明，不能推广为所有模型都不需要时域损失，待验证的是在其他窗口或采样率下是否仍成立。
实现细节上，批量与学习率的配合需要小心。原文用多卡并行得到较大的全局批量，而本文硬件不足以复现相同批量，因此按比例调整学习率以保持有效学习率不变。另一种思路是用梯度累积人工增大批量，论文对比后发现两者性能相近，但在大模型上调整学习率更稳定，因此后文统一采用学习率缩放。早停默认监测评测指标而非验证损失，因为前者能让训练持续更多轮以保证收敛，这也为后文耐心实验埋下伏笔。
训练数据如何构造，优化如何推进与停止？
训练数据的构造先做静音区检测，白话就是先去掉训练曲目中的静音区域，避免采样到无声片段。然后在线生成样本：为每种乐器随机截取 3 秒块，但块可以来自不同歌曲，混合后在音乐上可能不协调，论文沿用文献说法称这种做法虽不一致却对分离有效；接着在正负十的分贝范围内随机调整每块能量；再以一定概率丢弃某块以模拟目标静音。一个周期包含 20000 个这样的混合样本。
本文还考察替代策略，即去掉静音区检测，并采用受另一开源系统启发的增强：随机交换声道，用线性增益在 0.25 到 1.25 之间缩放能量。替代策略的意义是检验原预处理实现是否有效，因为原文声称静音处理大有好处却没有单独评估其影响。
时域损失 × 频域损失： 时域损失比较逆短时傅里叶变换后的波形差异，分工是直接约束可听波形；频域损失分别比较实部与虚部差异，分工是约束复谱的幅度与相位信息；二者搭配的原因是仅有时域或仅有频域都可能漏掉另一域的误差，组合意义是原文以两者相加作为训练目标，本文则通过单独训练验证二者在此实现中是否可互相替代。
优化推进使用自适应矩估计算法，初始学习率较小并每两轮按固定系数衰减，梯度按最大范数裁剪。原文最多训练 100 轮，但本文发现多数情况下不足以收敛，因此上限设为 200 轮。早停的耐心默认设为 10 轮，即验证最优值连续 10 轮未被刷新则停止；原文对监测对象表述不清，本文默认监测评测指标，并在对照中比较改用验证损失的效果。
硬件上小模型用显存较小的消费级显卡，大模型用显存较大的服务器显卡，论文明确提醒不同显卡会影响能量比较，但这样能最优利用现有硬件。推理阶段的拼接已在全景中说明，此处不再重复。需要指出的缺项是，原文未公开完整的优化器参数与数据生成代码，本文的静音检测与增强实现只能尽量贴近原文，无法逐行对应，因此性能差距的一部分可能来自这些不可见细节。
数据划分指标与能量如何度量才可比？
数据按原文使用公开的高质量音乐分离数据集，包含一百五十首立体声歌曲，采样率 44100 赫兹，每首提供混合与 4 路干净音轨。划分为八十六首训练、十四首验证与五十首测试。训练用训练集生成随机混合，验证与测试用整首歌切块拼接估计，保证测试条件与原文可比。
评测指标用信号失真比的两种变体。白话说，话语级指标先在整首歌上计算再平均，块级指标先在每秒小块上计算再取中位数并跨歌曲汇总。前者用于验证阶段选模型，后者用于测试阶段与其他系统对比。方向都是越高越好，但两者聚合对象不同，数值相同不代表同一指标，不能把验证表的提升直接当成测试表的提升。工具上使用公开评测工具箱，保证计算口径一致。
能量度量同时用两种方法。一种是在训练时用代码碳工具追踪，另一种是按硬件规格与机房效率系数估算的绿色算法计算器。论文说明前者倾向于低估，后者更接近电表读数，因此同时报告并观察相对变化是否一致。估算时考虑每单位内存功耗与效率系数，并区分单次训练、文中讨论的所有模型训练之和，以及包含原型开发与推理的项目总能量。这种分层是必要的，因为只看最优模型 1 次的耗电会严重低估复刻研究的真实足迹。硬件差异、早停轮数与模型尺寸都会影响能量，因此后文讨论能量时必须连同这些条件一起看，而不是孤立比较千瓦时数字。
主结果显示什么差距，随机性与耐心如何影响结论？
在进入数字之前，先固定比较问题与公平条件。问题是复刻实现与原报告的差距有多大，以及本文的替代流程能否缩小差距。公平条件是同数据集划分、同四轨任务、同测试聚合口径，指标方向为信号失真比越高越好。论文先用小模型做对照，再用大模型逼近原报告，因此小模型的结论不能直接套到大模型，耐心与轮数的差异也要同时说明。
基础模型的稳定性是第一个关键细节。用 3 种随机种子训练小模型的人声轨，论文报告最优验证指标存在波动，人声的标准差约为零点几分贝，平均到所有音轨约为 0.1 分贝量级。这种波动最终导致早停在不同轮数触发，是重要的可重复性问题。把耐心从 10 轮增大到 30 轮后，最优值的均值提高且方差大幅减小，说明延长训练能压住种子噪声，但代价是轮数与能量成倍增加，论文报告能量增加的倍数约为 2.3 倍。下图展示了这一现象，左图耐心较小训练较早停止且最优虚线分散，右图耐心较大训练更长且曲线收拢。
看图路径： 1. 先看左右两面板标题区分耐心为十与三十的训练时长差异；2. 再看纵轴信号失真比随轮数上升的收敛形态与虚线最优值位置；3. 比较三种颜色种子曲线在左图分散而在右图收拢的方差变化；4. 确认右图需要延伸到二百轮才能看到收敛与最优值抬升
论文图 1。原论文 Figure 1:：“Training the base model on the vocals track, with a patience of 10 (left) or 30 (right).”。
上图为基础模型在人声轨上不同种子与不同耐心下的验证曲线，横轴为轮数纵轴为信号失真比。可见左图在约 120 轮内停止且 3 条种子的最优虚线高低不一，右图延伸到 200 轮后 3 条曲线更贴近且最优值更高。这支持增大耐心可减少种子影响的判断，但也显示代价是训练时长明显拉长。为保持时间与能量可控并与原文一致，论文在多数实验中仍只报告单次运行且耐心为十的结果，并把小于上述标准差的差异视为不显著。这一处理是合理的，但也意味着后文小幅差异不能过度解读。
早停耐心 × 随机种子方差： 早停耐心决定验证指标多久不提升才停止训练，分工是控制训练时长与收敛程度；随机种子方差指不同初始化导致最优验证指标的波动，分工是反映结果不稳定性；二者搭配的原因是耐心过小会把种子噪声误认为收敛，组合意义是增大耐心可平均掉波动并提高最优值，但代价是轮数与能量成倍增加。
大模型的差距与追赶是第二个关键细节。论文报告，使用原始模型尺寸相比基础模型带来大幅平均提升，但实现仍落后于原测试结果平均约 0.8 分贝，这促使进一步优化。继续训练并增大耐心带来约 0.2 分贝的提升，再换用无静音检测与替代增强后贝斯轨额外改善，替代模型把与原结果的差距缩小了一半。下表把这些来自正文连续叙述的增量与代价整理在一起，避免孤立引用单个数字。
表前需要明确：该表比较的是相对变化而非绝对榜单，基线是本文的基础实现，指标为验证与测试的信号失真比，方向越高越好，能量代价同时列出以防只看性能。
| 对比内容 | 指标口径 | 基线说明 | 变化量 | 代价或波动说明 |
|---|---|---|---|---|
| 增大模型尺寸 | 平均话语级信号失真比 | 基础小模型 | 1.1 dB | 参数与能量大幅上升 |
| 本文大模型与原报告差距 | 平均块级信号失真比 | 原报告结果 | 0.8 dB | 需进一步优化流程 |
| 增大耐心继续训练 | 话语级信号失真比 | 大模型未完全收敛状态 | 0.2 dB | 能量额外增加 54% |
| 种子波动范围 | 最优验证信号失真比 | 单次运行 | 0.3 dB | 所有音轨平均 0.1 dB |
| 延长训练总代价 | 训练轮数与能量 | 耐心为十的基线 | 2.3 倍 | 方差减小但耗时增加 |
表后解释主要收益与具体代价：大尺寸带来的提升最大但能量最高，耐心带来的 0.2 分贝提升很小却要多付一半以上能量，种子波动提醒我们小于 0.3 分贝的差异可能是噪声。未胜出项是仅靠延长训练追赶原报告并不划算，必须配合数据流程改进。限制是这些增量来自特定硬件与早停设置，换硬件或换 patience 阈值后数值会变，不能当作通用常数复用。
哪些设计可以动，哪些动了会变差？
消融按问题组织：测什么、与谁比、条件是否一致、指标方向、关键趋势与限制。除核心结果，本节展开两类论文特有细节，一是结构与信号参数，二是数据生成。所有小模型对照都以基础模型为基线，只改一行所述差异，指标为验证话语级信号失真比，方向越高越好。
结构与信号参数方面，损失域对照显示单独用时域或频域与组合损失结果相近，这与以往强调时域训练的文献不同，论文的有限解释是频域实虚部分开已隐式约束相位。梯度累积与学习率缩放性能相近，但后者在大模型上更稳定。监测验证损失与监测评测指标结果相近，但后者训练更久更利于收敛。
窗口变大加步长变大的短时傅里叶设置结果变差，尤其是鼓轨损失更明显，论文解释是大窗口提升频率分辨率但切分投影在网络早期已固定，而大步长降低时间分辨率，不利于定位打击乐瞬态。掩蔽系数从四降到二时平均性能相近但贝斯提升而鼓与其他下降，同时模型明显变小；再降到一时贝斯回落而鼓与其他回升，提示可按乐器分别调整该系数以压缩模型。
数据生成方面，只丢弃目标源而非丢弃所有源时贝斯改善；去掉静音区检测后人声与贝斯更好，说明本文的静音实现可能有改进空间；再换用替代增强后贝斯与其他进一步改善。这些结果共同支持数据流程是追赶差距的关键，而不是单纯调大模型。
静音区检测 × 数据增强： 静音区检测负责在训练前去掉训练曲目的静音片段，分工是让采样集中在有声区；数据增强负责在生成训练块时做通道交换能量缩放与随机丢弃，分工是扩大数据多样性；二者搭配的原因是预处理决定采样池的质量而增强决定每轮看到的变化，组合意义是去掉静音区检测并换用替代增强后是否仍能提升，是检验原预处理实现是否有效的关键对照。
能量与性能的联合视角是本节的重点。下图横轴为能量纵轴为性能，每个编号对应文中小模型变体，蓝色为帕累托最优点，红色叉号为可被支配的点。导读是先看整体趋势再找可替代项，而不是只看最高点。
看图路径： 1. 先确认横轴为能量纵轴为信号失真比并找到蓝色帕累托点与红色叉号；2. 再定位左下角能量最低但性能最低的第六号变体；3. 比较右上方第十一号与第十号在更高能量下性能的相对位置；4. 观察中间聚集的第二三七八九号点判断哪些变体可被支配
论文图 2。原论文 Figure 2:：“Performance vs. training energy for small-size model variants, where each marker corresponds to the line number in Table 2.”。
上图显示第六号大窗口变体能量最低但性能也最低，第十一号替代增强变体性能最高但能量居高，第三号频域损失与第七号小掩蔽系数等蓝色点在各自能量段内没有被同时超越。解释是可优先考虑频域损失、替代增强与减小掩蔽器等帕累托选择，而多数替代训练策略与原静音预处理在该视角下不占优。未胜出项是没有静音检测但用原始增强的第十号变体，它能量最高而性能并非最高，说明去掉预处理若不配好增强可能得不偿失。边界是该图只覆盖小模型，大模型的能量与性能关系需另看，且能量估计方法不同会平移横轴但相对排序基本一致。
表前需要明确：下表不是重复上表的增量，而是把能量分层总账讲清，比较问题是单次训练与项目总耗电的关系，公平条件是同用绿色算法估计，方向是能量越低越好。
| 统计范围 | 能量估计 | 倍数关系 | 对照对象 | 备注口径 |
|---|---|---|---|---|
| 文中讨论模型训练之和 | 3 MWh | 7 倍 | 单个最优模型训练 | 绿色算法估计 |
| 整个项目总能量 | 24.2 MWh | 53 倍 | 最优模型训练 | 含原型与推理 |
| 整个项目总能量 | 24.2 MWh | 144 倍 | 基础模型训练 | 同上 |
| 直观类比 | 15 人年用电 | 约等 | 欧洲人均年用电 | 仅为量级参照 |
表后解释主要含义与限制：训练所有讨论过的模型之和已是单次最优训练的数倍，而包含试错与原型的项目总量可达数十倍乃至上 100 倍，直观类比约相当于十余人一年用电。代价是这些倍数依赖硬件与统计口径，换工具或换机房效率系数会变。反例是部分能量来自实现错误导致的中断与重复运行，不能全部归因于缺少可重复性，但论文认为若有完整流程多数试错本可避免。未评测边界是推理部署的长期耗电与大语言模型式研究的更大开销，本文未测量，不承诺本文策略能改善延迟或部署成本。
哪些结论有限，哪些量没有测？
首先区分直接报告、有限解释与未验证推测。直接报告的是种子波动、耐心延长带来的提升与能量倍数、替代增强的改善方向；有限解释的是大窗口变差归因于时间分辨率、频域损失等价于时域损失归因于相位一致性；未验证推测是若有完整代码则足迹会大幅降低的具体幅度，因为无法精确分配哪些实验属于复刻必需、哪些属于额外优化。论文坦承无法通过计算平台做细粒度能量归因，因此只能定性讨论。
代码碳追踪 × 绿色算法估算： 代码碳追踪通过工具在训练时采样软硬件功耗，分工是给出与实际运行绑定的估计；绿色算法估算依据硬件规格与机房效率系数计算，分工是给出更接近电表读数的上限式估计；二者搭配的原因是单一工具可能系统性低估，组合意义是同时报告两种估计并观察相对变化是否一致，从而判断不同模型变体的能量排序是否可靠。
其次说明未测量的量。论文没有报告误判率、延迟、输出帧率与实际部署成本，也没有做听感主观评测，因此不能把信号失真比的提升直接翻译成人耳感知的改善，更不能承诺推理更快或更省电。训练资源与推理开销是分开的，训练时的大模型与多卡配置不等于部署时也能实时运行。总体趋势不等于每组每步都成立，例如减小掩蔽系数对贝斯有利但对鼓不利，替代增强对贝斯与其他有利但对鼓影响有限，必须按乐器分别看。
最后说明条件冲突与实现缺项。不同显卡影响能量比较，早停阈值影响轮数与最优值，单次运行与多种子平均的结论强度不同。静音区检测的具体实现、优化器全部超参数与评测拼接细节在原文中缺失，本文只能尽量贴近，这本身就是复刻差距的来源。缺失证据不是技术错误，但读者在复用时必须保留这些信息条件，不能把本文数字当作跨硬件可复现的常数。
要复现这套流程，先做什么，需要什么条件？
复现的第一步是固定数据与评测口径。使用相同的公开数据集划分，即训练验证测试的歌曲数不变，采样率与立体声条件不变，验证用话语级指标选模型，测试用块级指标对比。不要把两种指标的数字混用，也不要把验证提升直接当成测试提升。采样时先明确是否做静音区检测，因为本文发现去掉该步骤反而更好，说明不同实现会带来系统性偏差，复现时应把该开关当作超参数记录。
第二步是固定优化与早停。初始学习率、衰减节奏与梯度裁剪按本文记录设置，全局批量不足时按比例缩放学习率而非盲目照抄。大模型优先用学习率缩放而非梯度累积，因为前者在本文中更稳定。早停耐心默认取十以对齐原文，但要知道这会放大种子方差；若要得到稳定结论，应增大耐心或多次运行取平均，并预算 2 倍以上的能量。训练上限设为 200 轮，因为 100 轮在本文中多数未收敛。
第三步是固定模型尺寸与信号参数。小模型用于快速验证流程，大模型用于逼近原报告。短时傅里叶窗与重叠率不要轻易改大，掩蔽系数可按乐器分别尝试减小以压缩模型，但要逐轨看效果。损失可先用组合损失，资源有限时可试频域单项，但不要断言它在所有场景等价。
关于代码与模型可获取性，需要谨慎表述。论文正文称已公开代码与预训练模型并给出地址，但本次没有来源绑定且完成网络验证的资源，因此本文不能写当前可用或已公开，只能说论文声称公开而本次未能确认可达。复现前应先核实地址可达性、文档完整性与权重下载方式，区分代码开源、权重下载与系统可运行三件不同的事。记录硬件型号、显存、并行卡数与能量估计方法，否则能量数字无法对比。
何时值得尝试，还需补哪项验证？
当实验室只有公开数据与中等算力，又希望得到可用的四轨分离基线时，这套复刻流程值得尝试。它的优势是结构清晰、单轨专用模型易于调试、替代增强与小掩蔽系数提供了压缩空间。尤其在贝斯与其他轨上，替代数据生成显示出稳定改善，适合作为第一组对照。但若目标是直接超过当前最强的注意力或大卷积系统，仅靠延长训练并不划算，因为 0.2 分贝量级的提升需要多付一半以上能量，不如先修好数据流程。
复现时常见的误解需要澄清。第一，榜单落后 0.8 分贝不等于方法不行，它可能来自预处理与优化细节，而替代流程已能追回一半差距，剩余差距仍需对照原文缺失的实现。第二，训练能量低不等于项目能量低，文中讨论模型之和与项目总量的倍数提醒我们，试错才是大头，完整记录与早停策略比单次调参更省电。第三，自动指标高不等于听感好，本文未做主观评测，选模型时应保留试听环节。
还需补的验证包括多种子平均下的显著性检验、按乐器的掩蔽系数搜索、不同采样率与窗口下的损失等价性检验，以及推理延迟与内存占用的实测。只有补齐这些，才能把本文的帕累托选择从小模型推广到部署。只有当完整流水线、文档与超参数选择都可核对时，复刻的能量代价才可能真正降下来，这也是本文倡导更透明与可持续实践的核心信息。
📎 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