英文题目：Corrective Forcing: Unified Post-Training for Diffusions and Flows in Generative Speech Enhancement
标签：#语音增强 | #扩散模型 | #流匹配 | #去混响 | #后训练
评分：8.2/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Qing Yao：机构信息未在 arXiv HTML 中可靠披露
- Lijian Gao：机构信息未在 arXiv HTML 中可靠披露
- Qirong Mao：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
语音增强输入为退化语音谱图、输出为干净语音估计，实际难点在于训练用解析高斯路径状态而推理在自生成 rollout 状态上递归求值，预测与离散化误差沿采样轨迹累积导致分布偏移。预训练先在解析分布上学习SB-VE与OT-CFM的基础生成动力学，其输出进入后训练阶段的rollout采样。动态rollout矫正在动态采样调度下对自生成状态的干净语音预测施加复合重建损失，将其向真实干净端点矫正以保持重建保真。反事实转移一致性以指数滑动平均教师构造局部矫正的反事实转移，并以其预测为参考正则化事实转移处在线预测，降低对转移偏差的敏感性。与仅扰动训练状态的正则化桥及仅优化固定评估次数下最终调用的方法不同，该共享干净语音预测参数化的统一目标同时矫正预测并约束局部演化，适用于扩散与流两种公式。在VoiceBank+DEMAND评测基准下，CoF（SB-VE）在4次函数评估时的PESQ为3.21，高于SB-VE的PESQ 3.07。结论限于 16 kHz 短时傅里叶谱域去噪与去混响及 1 至 16 步评估，参考无关感知与真实远场泛化尚未验证。后训练的训练成本为4000步优化，SB-VE与OT-CFM平均每步分别约7.75与5.75次模型评估的计算量。
🔗 开源与复现资源
代码相关资源：https://yorch233.github.io/CoF → https://yorch233.github.io/CoF/ — 链接可访问（HTTP 200）
演示资源：https://yorch233.github.io/CoF → https://yorch233.github.io/CoF/ — 链接可访问（HTTP 200）
模型相关资源：https://huggingface.co/Yorch233/CoF — 链接不可用（HTTP 401）
模型相关资源：https://modelscope.cn/models/Yorch233/CoF — 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
生成式语音增强在做什么，为什么需要后训练？
生成式语音增强的输入是一段带噪或带混响的语音，记为带噪端，目标是恢复出对应的干净语音。论文研究的是以复数短时傅里叶变换谱图为表示的增强任务，音频统一采样到 16 千赫兹，用长度 510 的平方根汉恩窗、跳长 128 做短时傅里叶变换，并对幅度做平方根压缩。这类表示把波形变成时频 2 维的复数矩阵，模型在谱图上预测，再经逆变换回到波形。
与直接预测掩蔽或映射的判别式方法不同，生成式方法学习从带噪分布到干净分布的条件传输动力学，采样时从带噪端出发逐步走向干净端。论文聚焦两条路线。第一条是基于薛定谔桥方差爆炸扩散的随机动力学，用前后向随机微分方程描述传输，训练时学习分数场或直接预测干净语音，推理时用随机求解器迭代去噪。第二条是最优传输条件流匹配，用常微分方程描述确定性动力学，训练时学习时变向量场，推理时用确定性求解器走数步。
两条路线在 VoiceBank 加需求噪声、华尔街日报加 WHAM 噪声的去噪任务，以及华尔街日报加仿真混响的去混响任务上都被检验。论文要解决的核心矛盾是训练与推理见到的状态不一致。预训练时中间态是从解析高斯路径上直接采样出来的，干净、覆盖全面但都是理想路径上的点。推理时模型每一步的输出会成为下一步的输入，一旦某一步预测有误差，下一步的起点就偏离了解析路径，而且偏离会被后续步骤放大。原文把这称为暴露偏差。
已有的正则化薛定谔桥做法是给训练态加扰动来模拟偏离，但并没有真正让模型见到自己的 rollout 分布。校正逆过程做法用了真实 rollout，但只优化固定函数求值次数下的最后 1 次模型调用，优化范围和 rollout 条件都受限。因此论文提出纠正性强制作为统一的后训练范式，先用预训练建立基础动力学，再让模型在自生 rollout 上接受纠正，并同时约束局部转移行为。
同输入同目标的已有路线差在哪里？
要理解纠正性强制的位置，需要按相同输入、相同目标、相同运行阶段来对照。同为生成式语音增强，SGMSE 加、StoRM、正则化薛定谔桥和校正逆过程都是直接可比的基线。SGMSE 加是较早的扩散增强方法，论文按推荐采样器用 50 步采样，对应 100 次函数求值。StoRM 结合了预测与生成，推荐配置对应 101 次函数求值。正则化薛定谔桥对应 50 次函数求值，校正逆过程在引用结果中对应 5 次函数求值。
这些方法与本文的 SB-VE 和 OT-CFM 共享输入输出形式，都是以带噪谱图为条件生成干净谱图，但监督阶段不同。正则化薛定谔桥的扰动训练态做法，分工是扩大训练分布以覆盖可能的推理偏移，优点是不需要展开 rollout，成本低，局限是扰动是人工设计的，不等于模型自己的误差诱导出的分布。校正逆过程的做法，分工是直接在经验 rollout 上做监督，更接近真实推理，但只监督最后 1 次调用，且训练时 rollout 的步数固定，因此模型没有见过不同步数带来的不同转移间隔和分布。
判别式方面的 SEMamba 和 MP-SENet 只需 1 次前向，论文引用它们是为了说明重建保真度的上限位置，而不是把 1 次前向与多步采样放在同一成本下比优劣。流匹配方面的 FlowSE 提供了 OT-CFM 的默认实现与参数，本文的 OT-CFM 复现沿用该配置。统一视角的意义在于，扩散与流虽然一个随机、一个确定，但中间态都可以写成干净语音、带噪语音与高斯噪声的线性组合，只是系数不同，推理都是从时间 1 走向时间 0 的离散调度。
因此后训练不必为两种公式各写一套逻辑，只要把模型输出都换算成干净语音预测，就能用同一套重建损失做纠正。这也是后文动态 rollout 纠正与反事实转移一致性能跨公式复用的前提。
训练与推理的错位具体发生在哪一步？
沿着一个样本走一遍最容易看清错位。假设有 1 对配对数据，干净端是干净语音谱图，带噪端是带噪语音谱图。预训练时随机抽一个时间，依据该公式的高斯边缘分布直接合成一个解析中间态，把它连同时间与带噪条件一起送入模型，模型输出干净语音预测或向量场，损失只看这次预测与真值的差距。这个过程从未调用求解器，也从未把模型的输出作为下一步的输入。推理时流程完全不同。
先从带噪端出发得到初始态，然后按离散调度逐段调用求解器。每一步求解器都以当前态、模型在当前态的预测、起止时间与带噪条件为输入，产生下一时刻的状态。随机求解器还会注入高斯噪声，确定性求解器则不注入。走完调度后，最后一个状态就是对干净端的估计。由于每一步都依赖上一步的预测，误差会改变后续所有输入的分布。
论文把推理诱导出的分布记为经验 rollout 分布，以区别于解析训练分布。两者的差距随步数、调度划分与求解器类型而变化，步数越多，转移次数越多，累积空间越大。更关键的是，不同步数对应不同转移间隔，因而诱导出不同的 rollout 分布族。如果后训练只用固定步数，模型只见过其中一种分布，换步数推理时仍会遇到陌生输入。这解释了为什么论文要强调动态采样调度，以及为什么不仅要纠正单点预测，还要正则化局部转移。
单点预测准只能保证在该点输出接近真值，不能保证从该点出发的一步演化方向正确，而推理质量恰恰取决于一步步演化的稳定性。
解析训练分布 × 经验 rollout 分布： 解析训练分布分工是按高斯概率路径直接采样中间态，用于预训练学习去噪动力学；经验 rollout 分布分工是指推理时由模型自身一步步递推产生的状态序列分布，才是部署时真正遇到的输入。搭配理由是只在前者上训练会导致暴露偏差，组合意义是把后训练监督搬到后者上，让模型在自己会犯错的位置上学会纠正。
纠正性强制的全景：两阶段加两层纠正
纠正性强制把生成式增强明确分成两个阶段。第一阶段是预训练，在解析分布上学习公式特定的生成动力学。SB-VE 用数据预测损失，OT-CFM 用向量场预测损失，得到一个能用的基础模型与采样器。第 2 阶段是后训练，把预训练好的模型放到它自己的 rollout 分布上继续适配。后训练的每 1 次迭代都要先生成 rollout，再在 rollout 上计算纠正损失。
后训练包含两个互补的部件。第一个部件是动态 rollout 纠正，负责状态级监督。它在动态调度下生成自生 rollout，随机选其中一个中间时刻的 rollout 态，把模型在该态上的干净语音预测拉向真值干净端。它不强求把 rollout 态拉回解析路径，而是要求沿着偏离后的轨迹仍能做出忠实于真值的预测。第二个部件是反事实转移一致性，负责转移级正则。
它从同一个 rollout 态出发构造两条同区间转移，一条是用教师模型预测走的事实转移，模拟真实局部演化，另一条是把预测替换为真值对应理想值后走的局部纠正转移，作为参考。然后要求在线模型在这两条转移到达的状态上的干净语音预测保持一致。两者相加构成最终后训练目标，反事实项前有一个权重系数，默认取 0.1。统一性的关键是干净语音预测参数化。对直接预测干净语音的 SB-VE，模型输出本身就是干净语音估计。
对预测向量场的 OT-CFM，利用路径关系把向量场换算成干净语音估计，使得两个公式能共用同一个复合重建损失。该重建损失包含幅度谱均方误差、复数谱均方误差与波形上的负尺度不变信噪比，权重分别为 0.7、0.3 与 0.01。选择该组合是为了同时保留频谱准确性与波形保真度，后文消融显示换成普通均方误差会改变感知质量与保真度的权衡。
Schrödinger bridge × flow matching： Schrödinger bridge 分工是学习连接带噪端与干净端的随机微分方程逆过程，通常输出干净语音预测；flow matching 分工是学习连接两端的确定性向量场，通常输出向量场。搭配理由是它们都可写成高斯路径的线性组合形式，组合意义是经由统一的干净语音预测参数化，同一套纠正性强制目标能同时后训练两种公式。
动态 rollout 纠正如何构造可比的训练态？
动态 rollout 纠正的操作可以拆成 3 步。第一步是动态调度采样。每次后训练迭代均匀抽取步数，SB-VE 最大 16 步，OT-CFM 最大 8 步，然后按各公式的标准均匀离散方式构造对应调度。步数变化意味着转移间隔变化，从而诱导出一族不同的 rollout 分布，模型在不同迭代见到不同推理条件。第二步是 rollout 生成与时刻采样。
在该调度下从带噪端出发，用当前模型与求解器递推产生完整轨迹，再均匀抽一个中间索引，取出该时刻的 rollout 态作为本次监督的输入。第 3 步是统一预测与纠正。把该 rollout 态送入模型，经干净语音参数化得到估计，用复合重建损失与真值比较。计算损失时对 rollout 态做停止梯度，意味着梯度不回传到生成该态的早期调用，只更新当前这一步的预测。这是为了稳定优化，避免通过多步求解器回传带来的高方差。
预训练中两类公式的原始目标分别如下。SB-VE 在解析态上最小化干净语音预测的平方误差，OT-CFM 在解析态上最小化向量场预测的平方误差。
\[\mathcal{L}_{\mathrm{SB}}(\theta)=\mathbb{E}_{t,\,X_{t}}\left[\left\|X_{\theta}(X_{t},t,y)-X_{0}\right\|_{2}^{2}\right].\]上式中期望取自随机时间与解析中间态，模型以中间态、时间与带噪语音为输入预测干净端，目标是真值干净谱图。
\[\mathcal{L}_{\mathrm{FM}}(\theta)=\mathbb{E}_{t,\,X_{t}}\left[\left\|v_{\theta}(X_{t},t,y)-u_{t}\right\|_{2}^{2}\right].\]上式中模型预测时变向量场，目标是带噪端减干净端的差向量，同样在解析态上监督。动态 rollout 纠正把这两者的输出都换算到同一空间。对 OT-CFM 的换算关系如下。
\[\hat{X}_{\theta}(\tilde{X}_{t},t,y)=\tilde{X}_{t}-t\,G_{\theta}(\tilde{X}_{t},t,y).\]上式表示，中间态等于干净端加时间乘向量场，因此干净估计等于当前态减时间乘模型预测的向量场。换算后两类模型都能用同一重建损失被纠正，这是统一后训练能成立的计算基础。
动态 rollout 纠正 × 反事实转移一致性： 动态 rollout 纠正分工是纠正 rollout 态上的干净语音预测，直接拉向真值以保证重建忠实度；反事实转移一致性分工是正则化局部一步转移，比较事实转移与局部纠正后的反事实转移到达状态上的预测。搭配理由是只纠正单点预测仍会经由求解器把残差传给下一步，组合意义是状态级纠正加转移级正则共同抑制误差沿轨迹累积。
反事实分支如何提供局部纠正参考？
反事实转移一致性的动机是，纠正了当前点的预测，残差仍可能通过求解器影响下一个输入。因此需要显式约束局部演化对状态偏移的敏感度。具体做法是从动态 rollout 纠正选出的同一 rollout 态出发，再在连续时间上随机选一个更早的目标时刻，构造 1 对同起点同区间的转移。事实分支用指数滑动平均教师模型在起点上的预测走求解器，得到事实到达态。反事实分支用真值对应的理想预测走同一求解器，得到局部纠正后的到达态。
两者共享随机求解器注入的噪声，以保证差异只来自预测的不同，而不是噪声采样不同。对 SB-VE，理想预测就是真值干净端。对 OT-CFM，理想预测是起点减真值再除以当前时间，这正好是把干净语音换算公式反解得到的向量场。得到 1 对到达态后，在线模型在事实到达态上做干净语音预测，教师模型在反事实到达态上做干净语音预测，后者经停止梯度后作为一致性目标。损失仍用同一复合重建损失，衡量两个干净预测之间的差距。
直观理解是，如果局部演化是稳健的，那么从事实态与纠正态出发看到的干净目标应该一致；若不一致，说明模型对转移引入的偏移过于敏感，需要被拉平。教师模型用指数滑动平均维护，初始化为预训练模型，每步按衰减率 0.999 缓慢跟随在线参数。这样事实转移的输入更稳定，反事实参考也不会随在线参数剧烈抖动。需要区分的是，把一致性目标直接换成真值干净端是另一种选择，但消融显示效果更弱。
原因在于真值目标只提供重建监督，而教师在反事实态上的预测提供了转移感知的参考，保留了局部演化应有的形状。
事实转移 × 反事实转移： 事实转移分工是从同一 rollout 态出发，用指数滑动平均教师模型的预测经求解器走一段到时间 s，模拟推理时的局部演化；反事实转移分工是从同一状态、同一噪声、同一时间区间出发，把模型预测替换为真值对应的理想预测再走一步，得到局部纠正后的参考状态。搭配理由是两者起点与区间对齐才可比，组合意义是以反事实分支的教师预测为目标，约束事实分支的在线预测，从而降低对转移引入偏移的敏感性。
后训练的梯度流向哪里，哪些参数在更新？
后训练的整体目标是动态 rollout 纠正损失加权重后的反事实转移一致性损失，权重默认 0.1。优化器用 Adam，学习率取 0.0001，总批量为 8，在两块显卡上跑 4000 步。每次迭代平均需要的模型求值次数与最大步数有关，SB-VE 约 7.75 次，OT-CFM 约 5.75 次，计算式为最大步数减一除以四再加四。这部分成本主要来自生成 rollout 与构造事实反事实转移时的前向调用。更新的参数是在线生成模型，教师模型不直接接受梯度，只做指数滑动平均更新。
梯度路径需要仔细区分。动态 rollout 纠正中 rollout 态本身被停止梯度，在线预测分支保留梯度，目标真值不需要梯度。反事实一致性中事实到达态与反事实参考预测都被停止梯度，只有在线模型在事实到达态上的预测保留梯度。原文明确给出的动态 rollout 纠正目标如下。
\[\mathcal{L}_{\mathrm{DRC}}=\mathbb{E}_{N_{d},t_{i},\tilde{X}_{t_{i}}}\left[\ell_{\mathrm{rec}}\left(\hat{X}_{\theta}(\operatorname{sg}[\tilde{X}_{t_{i}}],t_{i},y),X_{0}\right)\right],\]上式中期望取自动态步数、所选时刻与对应的 rollout 态，损失比较的是在线干净预测与真值干净端，输入态经停止梯度处理。反事实一致性目标在原文中是对动态步数、时刻、rollout 态、连续目标时间与共享噪声取期望，比较在线事实预测与教师反事实预测。原文未报告梯度是否穿过求解器内部非线性，也不报告是否对调度构造做可微处理，按证据只能认为梯度止于当前预测调用，不猜测穿过 rollout 历史的 2 阶路径。后训练的模型选择按验证集执行。
每 200 步在每个数据集的 50 条验证语音上评估指数滑动平均检查点，选验证感知语音质量评估得分最好的检查点做最终推理。时间下界方面 SB-VE 取 0.0001，OT-CFM 取 0.03，调度在时间区间上均匀划分。预训练检查点是后训练的起点，论文用表现最好的预训练检查点启动纠正性强制。
指数滑动平均教师 × 停止梯度： 指数滑动平均教师分工是提供更稳定的事实转移输入与反事实参考预测，随在线参数缓慢更新；停止梯度分工是切断对 rollout 输入态与参考目标的梯度回传，只更新当前预测分支。搭配理由是 rollout 生成本身不稳定，直接回传会放大方差，组合意义是只让纠正损失优化在线模型，同时保持参考端稳定，避免模型与目标互相追逐。
在什么数据、基线与指标下比较才算公平？
实验覆盖去噪与去混响。去噪用 VoiceBank 加需求噪声这一公开基准，以及用干净华尔街日报语音与 WHAM 噪声混合构造的 WSJ0 加 WHAM 数据集。去混响用华尔街日报语音与仿真房间脉冲响应卷积生成的 WSJ0 加混响数据集。后 2 个数据集的划分与构造沿用正则化薛定谔桥的工作。所有音频采样到 16 千赫兹，短时傅里叶变换与幅度压缩方式与前文一致。
基线分 3 类。第一类是待后训练的生成基线，即 SB-VE 与 OT-CFM，用相同 NCSN 加 M 架构复现，分别沿用薛定谔桥与 FlowSE 的默认实现与参数。第二类是其他生成方法，包括 SGMSE 加、StoRM、正则化薛定谔桥与校正逆过程，其中前三者按推荐采样器评估，函数求值次数分别为 100、101 与 50。第 3 类是判别式方法 SEMamba 与 MP-SENet，1 次前向即可。VoiceBank 上的基线结果除校正逆过程引自 FlowSE 论文外，均用发布检查点推理得到。
WSJ0 上的 SGMSE 加与 StoRM 用官方代码复现。评估指标分参考型与无参考型。参考型包括感知语音质量评估、扩展短时客观可懂度、尺度不变信噪比，以及用 Whisper 基础英文模型转写得到的语料级词错率。无参考型用语音合成挑战 2024 的 UTMOS 第二版，记为 UTMOS，评估整体感知质量。方向上前四者越高越好，词错率越低越好。
论文明确最好的结果加粗。复现层面，代码与演示页面当前可用，模型方面 ModelScope 上的页面当前可用，而 Hugging Face 上的权重链接本次返回未授权状态，当前不可用。需要先做的事情是按论文的架构与默认参数复现 SB-VE 与 OT-CFM 预训练，再用验证感知分选后训练检查点，而不是直接拿最后一步的权重。
主结果：在相同步数下纠正带来了什么？
主结果要回答的问题是，在相同函数求值次数下，纠正性强制是否同时改善感知质量与重建保真度，以及换步数后是否稳定。比较的公平条件是同一公式、同一调度族、同一评估集，只看是否经过纠正性强制后训练。指标方向是感知语音质量评估、扩展短时客观可懂度、尺度不变信噪比与 UTMOS 越高越好。在 VoiceBank 加需求噪声上，纠正性强制对两个公式都提升了感知语音质量评估，并大幅改善了多步的尺度不变信噪比，同时基本保持可懂度与 UTMOS。
具体而言，SB-VE 在 4 步时的感知分从基线水平提升到 3.21，超过同条件基线与正则化薛定谔桥、校正逆过程，且所用步数更少。多步保真度方面，经纠正的 SB-VE 在不同步数下稳定在 19.4 分贝，经纠正的 OT-CFM 在 4 步时达到 19.8 分贝，与判别式基线相当。下表把 VoiceBank 上的关键对照整理成可核对的形式，重点保留实际可运行的基线策略与纠正后策略的同条件比较。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| VoiceBank，NFE=4 | PESQ | SB-VE 3.07 | CoF(SB-VE) 3.21 | RSB 3.04，CRP 3.08 |
| VoiceBank，跨 NFE | SI-SDR | SB-VE 多步下降 | CoF(SB-VE) 19.4 dB | 稳定 |
| VoiceBank | ESTOI，UTMOS | 基线水平 | 基本保持 | 无大涨 |
上表显示，纠正性强制的主要收益在感知分与多步保真度，代价或反例是无参考感知分的提升不大且不稳定，论文明确指出无参考感知质量的改善有限。更具挑战的 WSJ0 数据进一步检验了跨步数泛化。下表整理 WSJ0 上的增量，同样保留基线与纠正后的同公式对照。
| 条件 | 指标 | 基线 | 本方法 | 增量 |
|---|---|---|---|---|
| WSJ0+WHAM，NFE=4 | PESQ | OT-CFM 基线 | CoF(OT-CFM) 2.85 | 上升 |
| WSJ0+REVERB，NFE=4 | PESQ | OT-CFM 基线 | CoF(OT-CFM) 2.89 | 上升 |
| WSJ0+REVERB，NFE=4 | SI-SDR | OT-CFM 基线 | CoF(OT-CFM) 提升 1.1 dB | 1.1 dB |
| WSJ0+WHAM，NFE 1 到 16 | SI-SDR | SB-VE 从 14.8 降到 13.6 dB | CoF 从 14.9 升到 15.2 dB | 抑制退化 |
上表的主要收益是纠正后在 4 步时感知分与保真度同步提升，且 SB-VE 随步数加深的保真度退化被扭转。需要同时说明的未胜出项是 UTMOS 在这些集上提升有限且不一致，不能把参考型指标的改善外推为无参考感知质量同样大幅改善。词错率方面纠正在各步数下保持低位，大致避免了预训练模型在深 rollout 下的退化，但论文未给出每步的完整数字对比，像素可辨的趋势见下图。
论文图 1 导读：先沿横轴 NFE 看采样步数变化，再分 SB-VE 与 OT-CFM 及其 CoF 版本对比曲线位置，重点比 WSJ0+WHAM 上排与 WSJ0+REVERB 下排中 SI-SDR 与 WER 随步数的走向。
看图路径： 1. 先看横轴 NFE 从 1 到 24 的变化，区分 SB-VE、OT-CFM 及其 CoF 版本的曲线走向；2. 再对比 WSJ0+WHAM 上排与 WSJ0+REVERB 下排中 SI-SDR 面板随步数上升还是下降；3. 接着查 WER 面板中基线随 NFE 增加是否上扬，而 CoF 曲线是否保持低位；4. 最后核对 SGMSE+ 与 StoRM 的水平虚线位置，判断多步 CoF 是否已接近或超过它们
论文图 1。原论文 Figure 1:：“Performance comparison with and without CoF at different NFEs on WSJ0+WHAM (top) and WSJ0+REVERB (bottom).”。
上图展示 WSJ0 加 WHAM 在上排与 WSJ0 加混响在下排随函数求值次数变化的 5 组曲线。从可见像素看，经纠正的 SB-VE 与 OT-CFM 曲线在感知分、可懂度与信噪比面板上多位于各自基线上方，而在 UTMOS 面板上与基线差距较小。在信噪比面板上，未纠正的 SB-VE 蓝色曲线随步数增加呈下降趋势，经纠正后趋于平稳。在词错率面板上，未纠正基线在步数增大时上扬，经纠正曲线保持较低。图中 SGMSE 加与 StoRM 以水平虚线表示，因其评估步数固定，不随横轴变化。解读时只能讲趋势与相对位置，像素不能精确辨别的中间步数值不硬写，具体数值以正文引用的 2.85、2.89 与 1.0、1.1 分贝增量为准。
拿掉哪一块，收益会消失在哪里？
消融要回答的是收益究竟来自 rollout 上的纠正、转移一致性、动态调度，还是损失形式。实验固定用 SB-VE 在 VoiceBank 上以 4 步推理为条件，指标方向同前。比较起点包括预训练基线与在解析态上用复合重建损失微调 4000 步的对照。微调对照很重要，它隔离了损失形式变化的影响，使得动态 rollout 纠正的增量可以归因于 rollout 分布本身。结果显示，微调已把感知分带到 3.16，但保真度降到 18.6 分贝。
加上动态 rollout 纠正后感知分到 3.19，保真度到 19.2 分贝，且通过了 utterance 级配对 t 检验的显著性门限，支持 rollout 态上的纠正是有益的，但此时 UTMOS 从 3.64 回落到 3.61，说明感知分与无参考感知分之间存在权衡。再加反事实转移一致性且权重取 0.1 后，感知分到 3.21，保真度到 19.4 分贝，无参考分到 3.63，均相对动态 rollout 纠正有显著改善。把权重加大到 0.25 后保真度微升到 19.5 分贝，但感知分回落到 3.20，因此默认保留 0.1。下表把消融的关键数字整理成可核对的形式，保留基线、微调、单部件与全方法的链条。
| 条件 | 指标 | 基线对照 | 本方法 | 说明 |
|---|---|---|---|---|
| SB-VE，NFE=4 | PESQ | 微调 3.16 | DRC 3.19，全方法 3.21 | 逐步提升 |
| SB-VE，NFE=4 | UTMOS | 微调 3.64 | DRC 3.61，全方法 3.63 | 先降后升 |
| 损失换成普通 MSE | PESQ，UTMOS 下降 | 复合损失基线 | 普通 MSE 的 SI-SDR 19.6 dB | 保真度升但感知降 |
| 固定步数 8 | PESQ 回落到 3.16 | 动态调度 | 固定调度 | 支持动态调度 |
上表之后需要解释 3 个反证。第一，把一致性目标直接换成真值干净端，感知分 3.20、保真度 19.3 分贝，弱于用教师在反事实态上的预测做目标，支持转移感知的参考比额外重建目标更合适。第二，把动态调度固定为 8 步，感知分回落到 3.16，支持暴露于多样推理条件是必要的。第三，把复合重建损失换成普通均方误差，保真度升到 19.6 分贝，但感知分掉到 3.03、无参考分掉到 3.58，说明训练目标本身决定了感知与保真度的权衡，不能只看单一指标下结论。
哪些改善没有被证明，哪些边界没有测？
论文直接报告的是参考型感知质量与重建保真度的改善，支持的是多步稳定性与跨步数泛化。需要克制的是 3 类外推。第一，无参考感知质量的改善被论文自己定性为有限且不一致，因此不能把感知语音质量评估的提升说成整体听感必然大幅变好。第二，词错率维持低位是趋势性描述，论文未给出完整的每步数字与统计检验，不能据此承诺可懂度或下游识别在所有条件下都改善。
第三，成本方面后训练每步需要数次模型前向，推理步数本身也决定延迟，论文报告了后训练步数与平均前向次数，但未测量实际延迟、吞吐或内存占用，因此不能承诺更快或更便宜。未评测的边界包括更长的调度、非均匀调度、其他求解器、其他噪声与混响分布，以及主观听感实验。统计上只有消融部分明确用了 utterance 级配对 t 检验，主结果的跨数据集提升未报告显著性，不能把总体趋势理解为每组每步都成立。
相关性也不是因果，动态调度与一致性正则共同出现时效果好，但论文没有穷举所有交互，不能说拿掉其中一块必然在所有数据上失效，只能说在已验证的 SB-VE 与 4 步条件下观察到回落。缺失证据不是技术错误，后续若要补验证，应优先补主观听感、无参考感知的重复性、以及不同调度族下的稳定性。
要复现这套后训练，先做什么、用什么超参数？
复现的第一步是拿到可运行的预训练基线。用相同 NCSN 加 M 架构，按薛定谔桥与 FlowSE 的默认实现与参数分别训练 SB-VE 与 OT-CFM，音频处理固定为 16 千赫兹、窗长 510、跳长 128 的平方根汉恩窗加平方根幅度压缩。选最好的预训练检查点启动后训练，而不是随机初始化。第二步是实现统一干净语音预测。对 SB-VE 直接取模型输出，对 OT-CFM 用当前态减时间乘向量场预测得到干净估计，并复用同一复合重建损失，权重按 0.7、0.3、0.01 分配给幅度谱误差、复数谱误差与波形负尺度不变信噪比。
第 3 步是实现动态 rollout。SB-VE 最大步数取 16、时间下界取 0.0001，OT-CFM 最大步数取 8、时间下界取 0.03，调度均匀划分，每次迭代随机抽步数与中间索引，生成 rollout 并取态。第四步是实现反事实对。从同一 rollout 态再抽连续目标时间，用教师与在线预测分别走同区间同噪声的求解器，得到事实与反事实到达态，再算一致性损失。教师用衰减率 0.999 的指数滑动平均维护。
优化用 Adam、学习率 0.0001、批量 8、共 4000 步，每 200 步在各数据集 50 条验证语音上按验证感知分选指数滑动平均检查点。代码与演示页面当前可用，ModelScope 上的模型页面当前可用，Hugging Face 上的权重链接当前不可用，复现时应以可达的 ModelScope 资源与论文给出的超参数为准。若遇到 Hugging Face 返回未授权，不要视为论文未开源，只能写该链接当前不可用。
教学用的最小例子是固定一条带噪语音，先跑 1 步与 4 步推理观察保真度随步数的变化，再打开动态 rollout 纠正后训练，例子本身不产生新数值结论，只是帮助确认 rollout 生成与损失接线是否正确。
何时值得尝试纠正性强制，如何一句话记住它？
当生成式增强已经有一个能用的扩散或流预训练模型，但多步采样出现保真度下滑、换步数后性能不稳，且有配对干净真值可做后训练时，纠正性强制值得尝试。它的记忆点是，不把偏离的 rollout 态硬拉回理想路径，而是让模型在偏离后的位置上仍能预测出正确的干净端，并让局部一步演化对偏移不敏感。操作上先沿一个样本走完带噪输入、谱图表示、动态 rollout 态、统一干净预测、复合重建目标与一致性正则，再把公式换成另一族验证统一性。
适用条件是推理调度族在后训练时已被动态步数覆盖，若部署时要用全新的非均匀调度或不同求解器，需要另补验证。代价是后训练与推理都依赖多步前向，不适合对延迟极敏感的单次前向场景。最终判断应回到同条件数字：在 VoiceBank 上 SB-VE 的感知分与多步保真度同步改善，在 WSJ0 上 OT-CFM 的感知与保真度增量明确，而无参考感知分的改善有限。
若复现后只看到保真度上升但感知分不动，应先检查复合损失权重与一致性权重是否被改动，再检查调度是否被固定为单一步数，因为这两处正是消融显示的权衡点。
📎 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