英文题目：RESTORE: REal-time Steerable Music resTORation and bandwidth Extension via stem disentanglement
标签：#音频修复 | #生成对抗网络 | #音乐 | #实时处理
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 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Meiying Chen：机构信息未在 arXiv HTML 中可靠披露
- Benjamin R. Thompson：机构信息未在 arXiv HTML 中可靠披露
- Michael C. Heilemann：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
历史音乐修复输入为带限、叠加嘶声与脉冲噪声的44.1 kHz立体声混合，输出需同时去噪并补足缺失高频，难点在于修复标准主观且级联系统误差易累积。RESTORE先把混合Transformer分离骨干扩展为六个输出头，第一步将退化混合单次分解为vocals、music、hiss、transients、residual与高频扩展六路stems，第二步对五路带限stems施加混合一致性约束使其加和重构输入并令残差头默认沉默，第三步仅对高频扩展头启用对抗训练合成缺失高频后送入可调增益重混。用户通过stems增益实现事后可操控重混，生成内容被隔离而非混入干净信号。与已有级联扩散方案的关键差异在于判别式分离与生成式扩展解耦为不同输出头，避免早期分离错误污染生成阶段。在历史录音歌曲类评测设置下，RESTORE全频带恢复的FAD指标为12.13，低于iZotope RX 12的FAD指标13.10。该结论限于78 RPM风格仿真与所选曲库，未验证严重削波、抖晃外推及主观听感偏好。单次前向在单卡上达到约50倍实时，训练成本为单卡56小时。
🔗 开源与复现资源
代码相关资源：https://melissachen15.github.io/restore-audio-demo/ — 链接可访问（HTTP 200）
演示资源：https://melissachen15.github.io/restore-audio-demo/ — 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，哪些信息必须保留？
这篇论文处理的输入是退化的历史音乐混合声，典型例子是虫胶唱片与 78 转唱片的数字化结果。输入同时带有 3 种麻烦：整体带限导致高频缺失，宽带 hiss 铺底，以及 clicks 与 thumps 这类脉冲瞬态，还叠加了录音设备、压片、播放与老化带来的染色。目标不是输出一个唯一的干净版本，而是输出一组可调的中间表示，让档案工作者事后决定去多少噪声、补多少高频。
必须保留的信息有两类。第一类是原录音中真实存在的中低频音乐内容，包括人声与伴奏的音色与结构，不能在去噪时被抹掉，也不能被生成模型改写。第二类是生成内容的来源可审计性，也就是哪些高频是合成的、哪些噪声是被分离出来的，必须能单独听、单独关，而不是混进一个黑盒输出里。最终输出因此是 6 个声轨的加权求和，用户通过改增益得到不同修复强度。
对刚入门的读者，先建立这个判断：修复质量在这里是主观的，完全去噪可能听起来不真实。论文把主观性变成接口设计，用分离代替硬映射，用可调增益代替 1 次性判决。后文先讲已有路线为何难以同时做到实时、可调与带宽生成，再沿一个样本走完编码、分解、监督与重构。
已有路线在同输入同目标下卡在哪里？
第一条路线是传统多遍数字信号处理工作流，以 iZotope RX 为代表，按 De-click、De-crackle、De-hum、频谱去噪与频谱恢复的顺序处理。这条路线输入相同、目标相同，优点是每步可调，但每一遍都依赖人工参数与离线图形界面，论文报告其在笔记本上的处理耗时远高于实时，且全频带合成数据的失真指标并未改善。
第二条路线是针对历史音乐的级联生成管线，例如先用 U-Net 去 hiss 与 clicks，再对人声先做分离，最后用扩散模型做带宽扩展与染色校正。BABE-2 属于这一类。它的生成质量强，但级联会累积误差，早期分离错了会被生成阶段放大甚至幻听出人声内容，且扩散采样成本高，无法实时。论文还指出，此类模型多在独唱与钢琴上训练，面对复调混合的泛化需要额外验证。
第三条路线是音乐源分离，例如 HTDemucs。它实时且擅长处理复杂混合，但假设输入基本干净，只做已存在内容的划分，没有合成缺失高频的能力。直接把它用于历史录音，只能得到带限的分离，解决不了带宽问题。RESTORE 的位置正在于此：继承分离的实时结构，但把输出语义从乐器改为内容加退化，并单独留一个生成轨做高频扩展。
为什么把修复写成六轨分解而不是一对一映射？
如果把修复写成退化混合到干净混合的 1 对一映射，网络必须在 1 次输出里同时做三件事：保留音乐、删掉噪声、补上高频。一旦删多了或补错了，用户无法回退，也无法判断哪部分是生成的。论文把问题改写为加性分解：输入约等于人声、音乐、宽带噪声、瞬态噪声与残差之和，高频扩展是额外合成的独立项，不计入带限求和约束。
举一个教学用的例子，不代表论文数值：假设某段同时有人声、持续嘶声与 1 次爆音，理想分解是人声轨保留演唱，宽带轨拿走嘶声，瞬态轨拿走爆音，残差轨接近静音，高频轨只补缺失的空气感。修复时把人声与音乐按增益保留，把噪声轨调小，把高频轨按需打开。若档案员觉得完全安静不真实，可以把 hiss 轨推回一点，这正是可调性的含义。
这种写法还带来一个监督好处：每类退化在仿真时已知注入量，可以给每个头配真值，避免所有误差都挤进同一个输出。混合一致性进一步要求分解能加回去，从而把幻听风险从不可见的内部变成可见的轨间分配。
沿一个样本走完输入到可调输出的全景
拿一段 44.1 千赫立体声历史混合作为输入样本。网络先走双域编码：一路把 1 维波形送进时域 U-Net 编码器，一路把 2 维频谱图送进频谱 U-Net 编码器，两路特征在中间的跨域变换器瓶颈里做域内自注意力与域间交叉注意力，再分别经时域与频谱解码器回到波形域并求和。解码之后不再输出鼓、贝斯、人声与其他，而是经 6 个专用头输出人声、音乐、宽带 hiss、瞬态 clicks、残差与高频扩展。
音乐源分离 × 语义解耦： 音乐源分离负责把已存在的混合声按声源拆开，语义解耦负责把拆分维度从乐器改为内容与退化类型，二者搭配的理由是历史录音同时包含音乐结构与 hiss、脉冲等退化，组合后同一网络既保留分离能力又让每类退化可被独立监听与增益控制。
六轨出来后，修复波形由用户增益加权求和得到。训练时所有轨都受波形与频谱损失监督，5 个带限轨还受混合一致性约束，高频轨额外受判别器监督。下图把这条主路径、分组输出与两类损失画在了一起，重点看生成只作用于一个分支。
下段导读先帮你定位观察顺序：从左到右是信号流，从上到下是内容、退化与生成 3 组，底部虚线与右下红色框是两类不同的监督回路，不要把它们看成同一条前向通路。
看图路径： 1. 先沿左侧历史混合经波形与频谱两条编码支路到中间跨域变换器的主路径走一遍；2. 再看解码求和后分出的内容组、退化组与生成组共六个输出框；3. 核对底部混合一致性虚线回到输入，以及右下判别器只指向高频扩展框的红色箭头；4. 最后看右侧混合节点如何把各轨按用户增益求和得到修复波形
论文图 1。原论文 Figure 1:：“System overview: a degraded historical mixture is processed by a dual-domain generator with a cross-domain transformer bottleneck, then decoded and split into six semantically…”。
从像素上看，左侧历史混合框分出波形与频谱两支进入编码器，中间深色大框是跨域变换器，右侧 3 组虚线框分别标出内容、退化与生成，生成框只有高频扩展一项并被组合判别器指向。底部虚线从修复波形回到输入，标注混合一致性，说明带限五轨必须能解释输入。右侧混合圆圈是唯一的人工干预点，调增益不改网络权重，这就是实时可调的实现位置。
六个头各自算什么，为何要复用预训练权重？
6 个头的分工在训练仿真中是明确的。人声头与音乐头对应低通后的干净人声与伴奏，宽带头对应注入的 hiss，瞬态头对应注入的 clicks 与 thumps，高频头对应干净混合减低通混合的缺失高频，残差头对应其他未建模内容。判别式与生成式的分工差异是设计关键：前 5 个头做已有信号的划分，后一个头做缺失信号的凭空合成，因此需要不同的损失与初始化幅度。
判别式分离 × 生成式带宽扩展： 判别式分离分工是提取输入中已有的 vocals 与 music 成分，生成式带宽扩展分工是凭空合成丢失的高频谐波，搭配理由是前者用回归损失更稳、后者需要对抗损失才不至于过平滑，组合意义是把两类冲突目标放进不同输出头，避免生成污染原有中低频。
复用 HTDemucs 预训练权重是一种启动策略。标准 HTDemucs 输出鼓、贝斯、人声与其他，论文把新的人声头沿用人声权重，音乐与高频头沿用其他权重，宽带与瞬态头沿用鼓权重，残差头沿用贝斯权重。理由在正文有交代：鼓头原本就容易把 clicks 与类噪声的军鼓混在一起，对噪声敏感，适合转做噪声头。但直接复制会导致初始输出过大，因此瞬态与扩展头做了小尺度衰减，让网络在适应期先输出小信号。
下表提出的问题是：每个新轨从哪个旧轨出发、初始幅度多大、真值是什么。只有把这三列一起看，才能复述初始化而不至于把沿用权重误解为冻结权重。公平条件是所有真值都来自同一套在线仿真，指标方向是各轨回归越准越好。
| New Stem | Pretrained Donor Source | Init. Scale | Ground-Truth Signal |
|---|---|---|---|
| Vocals | Vocals | 1.0 | Lowpass-filtered clean vocals |
| Music | Other | 1.0 | Lowpass-filtered clean accompaniment/music |
| Broadband | Drums | 1.0 | Hiss signal injected during simulation |
| Transient | Drums | 0.075 | Click and thump signals injected during simulation |
| Extension | Other | 0.05 | (Clean mixture) −- (Lowpass mixture) == (Missing high frequencies) |
| Residual | Bass | 1.0 | Other |
该表的主要信息是分工可执行：人声与音乐保持尺度为 1 并回归低通干净信号，宽带保持为 1 并回归注入 hiss，瞬态与扩展被压小后分别回归 clicks 与缺失高频，残差回归其他并在损失中被压向静音。代价是这种映射依赖仿真能真实覆盖历史退化，若真实失真含未仿真的非线性与沟槽回声，残差轨会变大，需要在复现时检查残差能量是否异常。
混合一致性与残差惩罚如何防止误差被藏起来？
混合一致性要求输入混合与 5 个带限预测轨之和的差异尽可能小，高频轨不参与求和。这是一个会计恒等式：输入的每一部分都必须在 5 个轨里找到归属，不能被悄悄丢进高频生成轨。若没有它，网络可以把难解释的噪声直接不输出，靠高频轨的自由度掩盖分解错误。
混合一致性 × 残差轨： 混合一致性分工是要求 5 个带限预测轨加回输入混合，残差轨分工是收容未建模成分并被轻惩罚压向静音，搭配理由是若无求和约束误差会被悄悄丢进无约束的高频轨，组合后分解满足加性可审计，每部分输入都有去处。
残差轨是恒等式里的缓冲项。它的真值是其他未建模内容，同时损失里对它的能量加了很轻的惩罚，使其默认趋向静音。只有当输入确实含有前 5 个头解释不了的东西时，它才允许非零。这种设计把未知变成可观测的量：复现时若残差长期很大，说明仿真覆盖不足或某头欠拟合，而不是笼统地说模型不好。
对频谱损失还有一个细节：瞬态与残差大多是静音，直接算对数幅度谱会不稳定。论文按目标能量分桶处理，能量活跃的频点用对数幅度惩罚，接近零的频点用线性惩罚并降权，目的是惩罚在静音区幻听出噪声。这个处理只在证据描述范围内成立，不应推广为通用静音损失的最优解。
两阶段训练、仿真退化与总损失如何配合？
训练分两个阶段。第一阶段冻结变换器瓶颈，不开判别器，先建立基本语义分离。第二阶段解冻变换器，打开多周期与多分辨率判别器，用最小二乘生成对抗损失与特征匹配损失只监督高频扩展轨。分阶段的理由是先让判别式分解稳定，再学生成，避免早期不稳定的高频梯度污染内容轨。
多周期判别器 × 多分辨率判别器： 多周期判别器分工是从不同周期结构上判断高频波形是否真实，多分辨率判别器分工是从不同时频分辨率上判断频谱是否真实，搭配理由是高频既有周期性谐波又有瞬态细节，组合后只作用于高频扩展轨，驱动其合成更逼真的缺失带宽而不扰动原有内容轨。
退化全部在线仿真，每批看到的损坏都不同。带限用分段线性频域滤波加 Butterworth 低通模拟老设备响应，hiss 来自唱片噪声数据集并按 78 转实测信噪比分布加抖动与下限，clicks 用对数均匀速率并让中值对齐实测，低于 60 赫兹的爆音按 0.769 秒间隔重复以模拟偏心压片的每转缺陷。失真与沟槽回声被省略，因为预实验显示影响不大，这是一个明确的仿真边界。
总损失把上述目标写成加权和，符号与输入先解释如下：求和遍历 6 个轨，每轨有权重与波形损失加多分辨率短时傅里叶损失，再加混合一致性、残差能量、高频对抗与特征匹配四项。原文给出的实现是高频轨权重先保持 0.1 待判别器介入再升到 1.0，其余轨为 1.0，混合一致性系数为 0.1，残差系数为 0.001，对抗与特征匹配系数分别为 1.0 与 2.0，且后两项只在第二阶段作用于高频轨。
\[L=\sum_{s}w_{s}\left[\text{L1}_{s}+\Psi_{s}\right]+\lambda_{c}L_{c}+\lambda_{r}L_{r}+\lambda_{a}L_{a}+\lambda_{f}L_{f}\]该公式的计算目标是同时压紧各轨回归、守住加法恒等式、压住残差默认输出，并在第二阶段推高频真实感。需要指出的缺项是论文未报告判别器内部学习率与更新比例等细节，复现时只能按证据保留生成器侧的优化设置：AdamW 加余弦调度，第一阶段峰值学习率为 0.0001 并有 3000 步热身，第二阶段延续调度，不能从模型名推定判别器实现。
数据、基线与指标在什么条件下可比？
训练池由 3700 条干净人声与 1790 条器乐构成，采样率 44.1 千赫、16 比特立体声。人声一半来自 MUSDB18-HQ、一半来自 VocalSet，器乐按比例来自 MUSDB18-HQ、MAESTRO、MusicNet 与 URMP。训练时随机取 6 秒片段并以负 6 分贝到 3 分贝之间的增益混合，其中一成是纯人声、一成是纯器乐，退化按上述仿真逐样本在线施加。10 首 MUSDB18-HQ 歌曲留作验证。
真实历史评测用 78 转录音，分两部分。一部分是与 BABE-2 可比的 30 首域内录音，包括卡鲁索 10 首、梅尔巴 10 首与独奏钢琴 10 首，前两者以人声为主加轻伴奏，后者为纯器乐。另一部分是 18 首跨风格泛化集，覆盖弗拉门戈、爵士、管弦、军乐、独奏小提琴与吉他、布鲁斯等 10 类。每首历史录音截取 60 秒。合成测试集有配对干净参考，可算失真与感知指标，历史集无干净参考，只能用无参考距离。
基线条件需要仔细对齐。商业基线是 iZotope RX 12 高级版推荐的档案流程，深度基线 BABE-2 本身不去噪，论文复现了原作者的级联：先用 2 个阶段 U-Net 去 hiss 与 clicks，人声录音再经 HTDemucs 分离出人声后进扩散，钢琴与器乐则跳过分离直接进扩散，且省略按歌手微调以反映通用用法。指标方向是 SI-SDR 与 ViSQOL 越高越好，FAD 越低越好，噪声泄漏与音乐泄漏越低越好，可操控性相关越高越好，实时因子是处理时间除以音频时长越小越快。训练在单张 A100 上完成，第一阶段 75,000 步批量 6，第二阶段 200,000 步批量 2，总耗时 56 小时。代码与试听当前可用，链接状态为可达。
合成配对测试显示了什么可运行收益？
合成测试要回答的问题是：在有干净参考时，单次前向的可调系统能否同时改善全频带修复与带限人声分离。比较条件是同一批 30 个合成样本，修复输出对比全频带干净混合，人声轨对比带限干净人声，指标方向按上节所述。这个问题下必须同时保留未处理、HTDemucs、U-Net 去噪与 iZotope 等可运行基线，不能只放生成模型。
| 条件 | 对象 | 指标 | 本方法 | 对照基线 |
|---|---|---|---|---|
| 全频带修复 | 修复录音 | ViSQOL | 2.86 | 最强基线 1.84 量级 |
| 全频带修复 | 修复录音 | FAD-CLAP | 0.40 | 最强基线 0.81 |
| 带限人声 | 人声轨 | 噪声泄漏 | -8.36 dB | HTDemucs -5.38 dB 与 BABE-2 -2.86 dB |
上表整理自正文连续报告，重点不是逐行复述，而是看两个层次的收益与代价。全频带上本方法在失真、感知与语义距离上同时最优，且 FAD-CLAP 约为最强基线的一半，支持任务形式与训练策略带来增益而非单纯模型容量，因为同架构同尺寸的 HTDemucs 几乎没有改善。带限人声上本方法分离更干净，在浊音帧残留噪声更低。代价与边界是合成退化仍来自同一仿真族，真实历史上的非线性失真未被覆盖，因此合成最优不能直接等同于档案级听感最优，还需历史无参考指标与听音验证补足。
可操控性 × 音乐泄漏： 可操控性分工是用增益与实现能量之间的 Spearman 相关度量旋钮是否真的管用，音乐泄漏分工是用噪声轨能量中可被干净音乐解释的比例度量误伤，搭配理由是只看相关会忽略关掉噪声时连音乐一起关掉的代价，组合后同时证明能调且调的代价小。
未胜出的对照也值得记住：HTDemucs 在全频带上仅小幅改善，iZotope 在合成全频带 SI-SDR 上甚至为负，说明多遍传统流程若参数不对齐仿真带限，数值上可能不如不处理。这并不否定其在真实档案中的实用价值，只是说明在该合成协议下它的可比性受限。
历史录音与速度代价如何权衡？
历史录音要回答的问题是：没有干净参考时，修复是否在声学与语义距离上更接近现代录音分布，以及关掉生成是否仍有增益。比较分歌曲与器乐两类，指标是 VGGish 与 CLAP 两套 FAD，越低越好。速度用单张 A100 上的中值实时因子衡量，越小越快。这个对照必须保留关掉高频扩展的本方法版本，以分离出去噪分解与生成各自的贡献。
| 场景 | 指标 | 本方法 | 对照与速度 | 可运行性 |
|---|---|---|---|---|
| 历史歌曲 | FAD-VGGish | 12.13 | iZotope 13.10 与 U-Net 14.09 量级 | 单次前向 RTF 0.0195 |
| 可调性 | Spearman 相关 | 0.91-0.97 | 噪声轨音乐泄漏 0.03% 与 0.17% | 增益即时可调 |
| 速度 | 实时因子 | 0.0195 | U-Net 约 50 倍慢与 BABE-2 超 1300 倍慢 | 单 GPU 实时 |
上表的主要判断是历史集上本方法在歌曲与器乐的全频带 FAD 上最低，且即使关闭高频扩展仍优于基线，支持分离本身是主要增益来源，高频生成是可选项而非必需品。在分离出的人声轨上，本方法与级联 BABE-2 相比在 VGGish 距离上占优而在 CLAP 上相当，说明单遍分解在该协议下具有竞争力。具体代价是 CLAP 在器乐上打开高频后略有回升，提示生成高频并非在所有分布下都更接近参考，档案员需要按类别试听后再决定是否打开。速度上单次前向约为 U-Net 的 50 倍快、BABE-2 的 1300 倍以上快，参数量约为后者的 1/4，这是实时可调得以成立的部署基础。
需要明确的边界是 FAD 是分布距离而非逐样本保真度，不能证明每首都不幻听；实时因子只报告处理时间比，不等于端到端播放延迟，论文未测量逐帧延迟与人机交互开销，因此不能承诺在任意宿主软件中都无卡顿。
关掉高频生成还能剩多少效果？
论文没有做传统意义上的多组消融表，但提供了一个关键反证：把高频扩展关闭后的本方法仍参与历史集比较。这个设置相当于只用 5 个带限轨做修复，不合成任何缺失高频。若此时仍优于基线，则说明增益主要来自语义分解与去噪，而非靠生成讨好 FAD。
证据显示关闭生成后歌曲与器乐的 VGGish 距离依然最低，打开生成后进一步降低，但器乐的 CLAP 出现小幅上升。这个不对称很重要：它同时证明了分解的独立价值与生成的条件价值。对复现的启示是先验证关闭生成时的分离质量与混合一致性，再打开对抗分支，避免把生成的好坏与分离的好坏混为一谈。
另一个隐性对照是同架构的 HTDemucs。它与本方法参数量接近，但在合成与历史指标上均明显落后，因此论文把增益归因于任务形式与训练策略。这一解释是有限解释而非因果证明，因为训练数据、仿真与损失同时改变，严格归因需要固定其他变量的额外实验，当前证据只支持相关性。
哪些结论不能从当前证据推出？
第一，感知质量尚未经听音实验验证。论文用 ViSQOL 与 FAD 作为代理指标，并在结尾明确把听音研究列为未来工作，因此不能把自动指标的领先直接写成人耳偏好或档案保真度的胜利。特别是生成高频是否保留原演奏的音色意图，仍是待验证问题。
第二，仿真有明确省略。失真与沟槽回声未被仿真，残差轨被设计为兜底，但论文未报告残差在历史集上的能量分布。若某类录音的残差持续很大，说明有系统性未建模成分，此时调小噪声轨可能不够，需要先检查残差。
第三，高频扩展目前是单一混合轨，论文把为人声与音乐分别建独立高频头的想法留给未来工作。这意味着当前打开高频时无法按声源分别控制生成强度，复调混合中人声与器乐的高频需求不同时只能折中。
第四，速度与成本的口径不同。深度模型的实时因子在 A100 上测得，iZotope 的耗时是在笔记本图形界面上的粗略估计，两者硬件与流程不同，不能当作同条件胜负。总体趋势是单遍分离加轻量生成更快，但不等于每组、每步都成立。
要复现先做什么，需要哪些信息条件？
复现的第一步是重建配对仿真，而不是先调网络。按证据准备干净人声与器乐池，切 6 秒片段并按增益混合，再依次施加分段线性带限、Butterworth 低通、唱片 hiss、clicks 与低频爆音。关键超参数包括断点频率范围、斜率范围、低通通带与阻带及其扰动、信噪比分布与抖动下限、clicks 速率范围与中值对齐、爆音重复间隔。这些条件缺一都会改变各头的真值分布。
第二步是按表搭建 6 个头并设置初始尺度，重点是瞬态与扩展头的小尺度启动，避免初期大信号破坏训练。先冻结变换器训练分离，再解冻并只对高频轨打开对抗与特征匹配。损失权重按证据设置，高频轨先低后高，混合一致性与残差惩罚全程保留。优化用 AdamW 加余弦调度与热身，批量与步数受显存限制，第二阶段需降批量。
第三步是按协议评测。合成集对比配对参考并同时看失真、感知与双 FAD，历史集截 60 秒并分歌曲与器乐报告双 FAD，人声轨在匹配带宽下对比。复现时先检查 5 个带限轨能否加回输入、残差是否接近静音、噪声轨的音乐泄漏是否接近零，再看增益扫描的相关度是否单调。若残差大或泄漏高，应回头检查仿真与头的映射，而不是直接加大对抗权重。代码与试听当前可用，可用于核对接口与听感，但权重下载与完整可运行状态需以本次可达链接中的实际文件为准。
何时值得尝试这种先分解再求和的修复？
当修复标准主观且需要反复试听时，这种写法值得尝试。它的核心不是更高的单点分数，而是把去噪与生成变成可审计的轨：噪声拿走了多少、高频补了多少，都能单独听、单独关。对档案修复、老唱片数字化与需要保留历史感的场景，这种可回退性比 1 次性全去噪更实用。
当输入是复杂复调且需要实时交互时，它也值得尝试。单次前向输出六轨的成本远低于分离加扩散的级联，且在历史集上即使关闭生成仍有竞争力，说明可以先用分解保底，再按需打开生成。若任务只是纯语音带宽扩展或已有干净输入的乐器分离，则不必照搬六轨，按同输入同目标选择更简单的专用模型即可。
还需补的验证是听音实验、残差分布报告与按声源独立的高频控制。带着这三项去读结果，才能把论文报告的分布距离领先，转化为可部署的档案决策。
📎 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