标签：#语音增强 | #波束成形 | #模型量化 | #实时处理 | #端侧运行
评分：8.8/10 | 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 1.2/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.4/1.5
👥 作者与机构
- Luca Bompani：Electrical, Electronic and Information Engineering (DEI), University of Bologna, Italy
- Marco Fariselli：Electrical, Electronic and Information Engineering (DEI), University of Bologna, Italy
- Giovanni Oltrecolli：Electrical, Electronic and Information Engineering (DEI), University of Bologna, Italy
- Francesco Conti：Electrical, Electronic and Information Engineering (DEI), University of Bologna, Italy
📌 核心摘要
六麦克风助听需在毫瓦级微控制器上从混响加性噪声中实时恢复目标语音，难点在于多通道最小方差无失真响应掩膜估计与协方差求逆开销大且延迟敏感。所提管线先由卷积神经网络从参考通道短时傅里叶变换估计语音掩膜并经协方差求逆得到最小方差无失真响应权重，再由轻量因果Transformer从六通道当前帧与上一帧直接预测加性复数校正并叠加归一化后做加权求和，语音活动检测在静音时旁路全管线。慢变声场景由秒级感受野的卷积神经网络捕获而快变细节由约30ms窗的Transformer补偿，二者时间尺度解耦使重型卷积神经网络可跨多帧分片执行而不阻塞输出，这与短窗慢分支复用即退化的已有快慢架构形成关键差异。在VoiceBank测试集下，CNN+Transformer管线的STOI为98.04±0.07%，高于未处理噪声输入的STOI 92.38±0.28%。混合精度部署在GAP9上每帧延迟15ms，完整推理约25.9mJ，平均功耗45.9mW，在30%语音占空比加每秒刷新权重条件下100mAh电池续航约20.3小时，硬件实测支撑全天候推断。该结论限于 8 kHz 仿真混响与漫射噪声，对运动声源、真实佩戴失配与非平稳突发噪声尚未验证。原文未披露训练算力与时长，部署成本以 GAP9 实测功耗与分片调度给出。
🔗 开源与复现资源
- 代码相关资源：https://github.com/Bomps4/Minimal_beamforming_Transformer — 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？
这篇论文处理的是助听式可穿戴设备上的多通道语音增强。输入是 6 个麦克风同时录到的含噪混响语音，目标是输出一路更清晰、更可懂的单通道语音，同时尽量保留目标方向感，让用户既听得清又能判断声音从哪来。必须保留的信息包括目标语音不失真、噪声与干扰被压低、每帧输出延迟足够小，以及在小电池下能连续工作一整天。做法不是直接让神经网络输出波形，而是让网络估计空域滤波器权重，再用经典波束形成器做加权求和。
白话说，波束形成（beamforming）就是给每个麦克风、每个频率一个复数加权，叠加后让目标方向相加增强、干扰方向相消减弱。最小方差无失真响应（minimum variance distortionless response，简称 MVDR）是一种经典准则，它要求目标方向增益固定为不失真，同时让总输出干扰能量最小。论文把神经网络的可学习性与 MVDR 的保真约束拼在一起，再考虑单片机内存只有几兆、算力只有每秒几十亿次乘加的现实。当前代码资源状态为可用，仓库链接本次可达，复现时可从该仓库核对部署代码与模型结构。
同输入同目标的已有路线卡在哪里？
在单片机上做语音增强，已有路线大多是单通道循环网络。论文回顾了 TinyLSTM 在 STM32 上的剪枝加 8 位量化，以及 RNNoise 在 ARM Cortex-M 上用紧凑门控循环单元实现 8 位部署，这些工作证明单通道可以压得很小，但它们本来就没有用多麦克风的空间信息。另一条线是 GAP9 等多核单片机上的混合精度循环网络与流式时域卷积网络，它们把循环层压到整型 8 位、其余保留浮点 16 位，效率很高，但同样停在单通道。
论文指出，多通道神经波束形成在服务器端已有 U 形网络与变换器方案，指标很好却没有真实上板，另有工作用 MVDR 做声源定位，在 200 兆赫单片机上跑 1 次要 1.5 秒，远非实时。于是同输入是多麦克风阵列、同目标是实时增强、同运行阶段是在线推理的对照下，缺口很清楚：要么单通道可部署但不用空间信息，要么多通道精度高但上不了单片机。论文选择留在多通道一侧，用算法与硬件映射协同设计把延迟和功耗压下来，而不是退回单通道。
为什么慢声场与快语音细节要分开处理？
论文抓住一个时间尺度矛盾。声学场景中的噪声统计与空间位置变化相对缓慢，用 1 秒窗看比较稳；语音的频谱细节变化很快，需要每十几毫秒就跟上。如果每 1 帧都重跑最重的掩码网络，算量会爆表；如果长期不更新权重，又怕说话人移动或场景切换后失效。
论文的判断是，卷积网络看到的是近平稳结构，可以容忍较长时间不刷新，而逐帧的快速适应可以交给一个很轻的变换器修正。这样重模块低频跑、轻模块高频跑，既保住实时输出，又把平均功耗降下来。后续的延迟容忍实验正是为这个分工提供证据：把卷积网络权重保持更久，句内指标反而单调变好，说明频繁重估反而引入抖动，而跨句仍需刷新以跟踪新场景。
一个样本如何从六路波形走到一路增强语音？
先跟着一个 1 秒的 6 通道片段走全程。6 路原始波形先过语音活动检测，如果判为静音就直接门控跳过后面整条流水线。判定有语音后，6 路信号做短时傅里叶变换（short-time Fourier transform，简称 STFT），变成时频复数谱。参考麦克风的频谱送入卷积网络估计语音掩码，噪声掩码取 1 减语音掩码，再与 6 通道频谱一起估计语音与噪声协方差，最后按 MVDR 公式算出一组每频率复数权重。与此同时，轻量变换器直接看当前帧与上 1 帧的 6 通道频谱，输出同形状的加性修正，加到 MVDR 权重上并归一化，再对当前帧做加权求和与逆变换，得到增强波形。执行上，权重估计被切成小片填进每帧，重修正每帧必做。
下面导读图 1 的框图有助于把分支关系看清楚，图中左侧是多通道输入与门控，中间是频谱变换，上方是权重估计，下方是逐帧增强。
看图路径： 1. 先从左侧多通道输入经语音活动检测门控进入短时傅里叶变换的主线看起；2. 再看上支路权重估计与下支路变换器修正如何汇合到加权求和；3. 最后确认逆变换输出与门控虚线跳过整条流水线的位置
论文图 1。原论文 Fig. 1:：“Block diagram view of the elements in our neural beamforming application.”。
图中可见主路径从输入经语音活动检测进入变换，再分叉：一路只取参考通道进全连接与多层卷积做掩码，掩码送入矩阵计算得权重；另一路把 6 通道当前频谱同时送给变换器做修正，两路在加法节点汇合后做加权求和与逆变换。门控虚线从检测模块直接指向主流水线入口，表示静音时整条增强路径被旁路。6 个小麦克风图标强调输入是 6 通道，输出是单路，这与单通道增强只看一路频谱有本质区别。
掩码、协方差与权重修正各自算什么？
信号模型把每个麦克风的接收看成干净语音卷积房间冲激响应再加噪声，窄带近似下变换到频域变成乘积加噪声。这是后续用掩码加权估计协方差的前提。论文用单参考通道的实部虚部堆叠作为卷积网络输入，避免幅度相位非线性变换，网络先升维再经多层空洞 2 维卷积与残差连接，最后投影出语音掩码。
\[y_{m}(t)=s(t)*r_{m}(t)+k_{m}(t),\]上式中下标表示麦克风编号，星号表示卷积，右边两项分别是混响语音与加性噪声，输入是时域波形，输出仍是时域混合信号，它只是在交代观测从何而来。
最小方差无失真响应波束形成 × 掩码估计： 掩码估计负责从单通道参考麦克风频谱判断每个时频点更像语音还是噪声，最小方差无失真响应波束形成负责把语音与噪声协方差矩阵变成保目标方向又压干扰的空域权重，二者搭配的原因是协方差无法直接观测，必须先有掩码加权才能算出权重，组合意义是把神经网络的分类能力接到经典阵列信号处理的闭式权重公式上。
掩码得到后，与多通道观测一起按加权外积求和得到语音与噪声协方差。
\[\mathbf{\Phi}_{vv}(\omega)=\sum_{n=1}^{N}M_{vv}(\omega,n)\mathbf{Y}(\omega,n)\mathbf{Y}^{H}(\omega,n),\qquad vv\in\{ss,nn\},\]上式中求和遍历掩码窗内各帧，加权系数是语音或噪声掩码，观测向量是 6 通道同频点复数谱，转置符号表示共轭转置，计算目标是每个频率的空间协方差矩阵，为下一步求逆做准备。
\[\mathbf{w}_{\mathrm{MVDR}}=\frac{\mathbf{\Phi}_{nn}^{-1}\mathbf{\Phi}_{ss}}{\operatorname{tr}\left(\mathbf{\Phi}_{nn}^{-1}\mathbf{\Phi}_{ss}\right)},\]上式分子是噪声协方差逆乘语音协方差，分母取迹归一化，目标是在保目标不失真的约束下最小化干扰能量，输出是每频率复数权重向量。修正部分把当前与上 1 帧、实部虚部、6 通道拼成频率乘 24 维输入，先经 1 维卷积保维抽取局部频率模式，再把频率当序列送入 12 头注意力，每头恰好对应 1 对实虚分量，最后投影成同形状复数修正。
\[w_{\text{final}}(\omega)=w_{\text{MVDR}}(\omega)+\Delta w(\omega),\]上式把卷积加矩阵链得到的基准权重与变换器输出的修正相加，目标是让旧权重在新帧上仍贴合快速变化，输出经归一化后直接用于加权求和。
卷积网络慢分支 × 变换器快修正： 卷积网络慢分支分工是看 1 秒音频的近平稳声场结构并给出基准权重，变换器快修正分工是只看当前与上一帧六通道频谱并输出加性复数修正，搭配理由是声场缓慢变化而语音细节快速变化，组合意义是重计算低频跑、轻计算每帧跑，从而在不丢质量的前提下摊薄最大算量。
下面导读图 2 的执行时序有助于理解慢快如何交错，横向是时间，纵向是频谱块、权重估计与逐帧增强。
看图路径： 1. 先看顶部连续波形与六通道频谱块如何按掩码窗切分；2. 再看虚线表示的重叠权重估计与实线表示的逐帧增强的时序关系；3. 最后看右侧放大框中每跳内变换器增强与权重估计分片各占多少
论文图 2。原论文 Fig. 2:：“Execution schedule of our proposed neural beamforming pipeline.”。
图中可见顶部波形被切成多段掩码窗，每窗触发 1 次权重估计，估计出的权重向后覆盖多帧增强；右侧放大框显示每跳内先做变换器增强再推进一片权重估计，两类计算在同一跳内分时复用，从而保证输出不断流而重计算在后台渐进完成。
混合精度部署 × 数值稳定性： 混合精度部署分工是让卷积网络用整型 8 位跑加速器、变换器用浮点 16 位跑向量指令、波束形成保留浮点 32 位，数值稳定性分工是指协方差估计与矩阵求逆对量化极敏感，搭配理由是神经部分容忍量化而矩阵部分不容忍，组合意义是只在能省的地方省精度，保住整条链路的增强指标。
交错执行 × 每帧延迟约束： 交错执行分工是把权重估计切成小片填进每 15 毫秒的空闲预算，后台渐进推进，变换器与加权求和分工是每帧必做以保证输出不中断，搭配理由是权重估计一次要数百毫秒而输出必须每跳都出，组合意义是用旧权重加新修正维持实时性，等新权重算好再替换。
语音活动检测 × 占空比续航： 语音活动检测分工是在原始波形上先判有无语音，无语音时跳过掩码与波束形成，占空比续航分工是把全天只有约三成时间有语音这一先验折成平均功耗，搭配理由是静音时做增强既无意义又费电，组合意义是用极低成本的常开检测换掉高成本流水线的无效运行，从而把 7 到 8 小时推到 20 小时量级。
监督信号从哪里来，哪些参数被更新？
论文的训练面向仿真多麦克风场景。干净语音来自 VoiceBank，噪声来自 DEMAND，训练用 28 个说话人与 10 种噪声在 0、5、10、15 分贝四档信噪比下混合，测试用剩下 2 个说话人与 5 种未见噪声在 2.5、7.5、12.5、17.5 分贝下混合，所有信号采样率降到 8 千赫。房间尺寸在 3 到 6 米均匀采样，混响时间在 0.2 到 0.8 秒均匀采样，六麦克风与声源位置随机摆放而不约束相对距离。波束形成网络按原文实现，用波束形成流水线重建信号与无失真目标之间的尺度不变信号失真比作为损失，用 Adam 优化器、学习率万分之一、早停耐心 2 个周期做正则。
语音活动检测在另一份数据上训练，噪声来自 NoiseX 与 DEMAND 组合并做两两混合扩充，语音仍来自 VoiceBank，训练验证测试分别有 15034、1726、1300 个样本，噪声占比约 40%，用二元交叉熵损失与同样学习率训练。论文未报告梯度是否截断到掩码之外、变换器与卷积网络是联合还是分阶段训练、以及学习率衰减与批量大小等细节，这些缺项在复现时需要回到开源仓库核对，不从模型名推定实现。
实验在什么数据、指标与硬件条件下测？
评估分算法精度与硬件部署两层。算法层用 STOI 与扩展 STOI 衡量可懂度，用 SI-SNR 与宽带 PESQ 衡量质量，STOI 与 PESQ 越高越好，SI-SNR 分贝值越高越好。部署层在 GAP9 超低功耗 RISC-V 片上系统上测，平台有 1.5 兆字节 2 级暂存、128 千字节 1 级暂存、9 核集群、神经加速器与浮点单元，工作点可在 0.8 伏 370 兆赫与 0.65 伏 240 兆赫之间切换，能量用 Nordic 功率分析仪实测。时频参数固定为窗长 64 毫秒、跳长 15 毫秒、掩码窗 1 秒，缓冲大小据此与数据率推导。量化用训练集随机子集做训练后校准，并在固定噪声实现下对比以保证输入一致。
基线包括未处理含噪输入、单独卷积网络、单独变换器，以及单片机上已部署的单通道方案。论文还把 6 通道频谱放外部大内存、把逐帧输入放片上快速内存，以腾出空间给最重的掩码网络，这是内存规划的关键约束。
为核对数据划分条件，先把原文划分整理成表，表中条件与数值均来自连续原句，表头按原文保留，信噪比组写法保留末尾单位覆盖整组。
| 集合 | 语音来源 | 噪声来源与种类 | 信噪比条件 | 采样率 |
|---|---|---|---|---|
| 训练集 | Voice Bank 中 28 个说话人 | DEMAND 中 10 种噪声 | 0, 5, 10, and 15 dB | 8 kHz |
| 测试集 | 剩余 2 个说话人 | 5 种训练未见噪声 | 2.5, 7.5, 12.5, and 17.5 dB | 8 kHz |
表后需要说明，该表只解决划分是否一致的问题，不直接证明增强好坏。训练与测试在说话人与噪声类型上无重叠、信噪比档位错开，这支持泛化结论，但房间与位置均为仿真随机生成，与真实耳机佩戴的头影效应仍有差距，待验证。采样率统一为 8 千赫降低了高频信息，结论外推到 16 千赫或全带宽时需重测。
部署的内存与算量账本如何对上？
论文给出完整算量账本：全流水线串行 1 次要 443.6 兆次乘加，其中检测占 76 兆，6 通道变换占 7.7 兆，掩码估计占 342 兆，矩阵计算占 12 兆，变换器修正占 5.7 兆，加权求和与逆变换占约 0.2 兆。权重估计合计 354 兆，是绝对大头，逐帧增强合计 5.9 兆，非常轻。内存上权重估计占片外约 3.14 兆、片上约 920 千字节，加上代码 313 千字节、逐帧输入 24 千字节、权重 33 千字节与变换器工作区 157 千字节，峰值片上占用 1447 千字节，落在 1.5 兆上限内。6 通道全频谱放外部内存，只有逐帧所需的 2 倍窗长音频放片上，这是腾空间的关键。执行按每 15 毫秒切 10 毫秒给权重分片、5 毫秒给增强，延迟天然满足。复现时要先对齐窗长跳长与掩码窗，否则缓冲与周期全都会错位。
主结果在可比条件下提升了多少？
核心比较是完整混合精度流水线相对含噪输入与单分支的提升。论文报告部署后流水线达到 STOI 97.65%、SI-SNR 20.26 dB、宽带 PESQ 3.676、平均功耗 45.9 mW，浮点全精度对应 STOI 98.01%、PESQ 宽带 3.768、每推理 24.2 mJ。消融显示卷积与变换器单独跑都不如两者相加，且相加不需要额外融合层。功耗上把权重估计放在低压低频、逐帧增强放在高压高频，平均功耗从 66.1 mW 降到 45.9 mW。
下面导读图 7 的功率曲线有助于把平均功耗拆到阶段，横轴是毫秒时间，纵轴是毫瓦功率，顶部图例区分检测、掩码估计、增强与矩阵计算。
看图路径： 1. 先看横轴时间与纵轴毫瓦功率的范围以及顶部四类阶段图例；2. 再看蓝色权重估计段与绿色逐帧增强段交替出现的功率高低；3. 最后看开头语音检测段与结尾矩阵计算段的持续时间与波动
论文图 7。原论文 Fig. 7:：“Power profile of our application.”。
图中可见功率在 20 到 70 毫瓦之间剧烈抖动，蓝色掩码估计段持续时间最长且基座较低，绿色逐帧增强段呈周期性尖峰，开头橙色检测段很短，结尾红色矩阵段与绿色交替出现，这与每跳 15 毫秒做权重分片、5 毫秒做增强的静态切片是一致的，平均下来得到 45.9 mW 的报告值，图中横轴为 Time (ms) 纵轴为 Power (mW) 可重放。
为核对主结果，先看浮点与混合精度的对照问题：在固定输入下，量化是否只带来小损失而矩阵部分必须保留浮点。
| 条件 | 指标 | 基线含噪 | 全浮点模型 | 本方法混合精度 |
|---|---|---|---|---|
| 固定噪声实现 | STOI | 92.02% | 98.01% | 97.65% |
| 固定噪声实现 | ESTOI | 86.21% | 95.49% | 94.84 |
| 固定噪声实现 | PESQ-WB | 2.609 | 3.768 | 3.676 |
| 固定噪声实现 | SI-SNR | 10.02 dB | 21.90 dB | 20.26 dB |
表后解释是，全浮点相对含噪有大幅 SI-SNR 提升，混合精度相对全浮点只掉约 0.3 到 1.6 个单位，代价是权重刷新周期拉长且矩阵部分仍占浮点算量。未胜出项是浮点矩阵量化：论文报告矩阵压到整型 8 位会完全崩溃，压到浮点 16 位也会掉到含噪以下，这是否定混合精度的反例，也正是保留浮点 32 位的理由。该表数值来自部署后报告，算法表中的 22.02 dB 对应另一组均值加减标准差统计，聚合口径不同，不可直接混比。
与同类可部署方案相比，位置在哪里？
论文把自己放在单片机已部署方案的光谱里。相对单通道的循环与时域卷积方案，6 通道天然多看 5 路空间信息，质量更高但算量更大；相对未上板的服务器端多通道变换器，本文是唯一给出单片机实时与功耗账本的。论文报告相对循环基线有数倍到十余倍的每周期乘加吞吐与每焦算量提升，但流式时域卷积仍略高于本文，而本文在其自训复现上高出约 4.29 个点 STOI 与 1.43 分贝 SI-SNR，说明两者是质量与效率的不同折中。
为核对续航的最终落点，看门控与刷新策略的对照问题：在 100 毫安 3.7 伏电池、六麦克风每个 0.9 毫瓦、语音占 30% 的条件下，哪种调度能过 16 小时。
| 条件 | 指标 | 连续重估 | 每秒重估 1 次 | 门控后连续重估 | 门控后每秒重估 |
|---|---|---|---|---|---|
| 系统平均 | 功耗 | 51.3 mW | 44.4 mW | 20.3 mW | 18.2 mW |
| 电池续航 | 寿命 | 7.2 h | 8.3 h | 18.2 h | 20.3 h |
| 检测性能 | 准确率 | 常开 | 常开 | 98.5% | 98.5% |
| 检测性能 | 精确率 | 常开 | 常开 | 97.8% | 97.8% |
| 检测性能 | 召回率 | 常开 | 常开 | 99.9% | 99.9% |
表后解释是，不过门控时即使每秒重估也只有 8.3 小时，过不了全天目标；加上检测门控后两种刷新都超过 16 小时，每秒重估可到约 20.3 小时。代价是静音段完全跳过增强，若检测漏检会丢语音，好在报告召回高达 99.9%，但仍需在真实低信噪比下补测漏检率。未胜出项是连续全速跑，它质量最新但功耗最高，实际应按语音占空比选门控加低频刷新。
拿掉快修正或拉长慢更新会发生什么？
论文做了两类反证。一是结构消融：单独卷积估计掩码再算权重、单独变换器直接预测权重，都不如卷积权重加变换器修正，且组合不增加模型容量，说明增益来自时间尺度互补而非参数量。二是延迟容忍：把卷积权重保持间隔从 15 毫秒拉到整句，质量单调变好，整句冻结最优，这与直觉相反，却符合近平稳声场假设。
下面导读图 5 有助于看清保持间隔与指标的关系，横轴是保持毫秒数，左右纵轴分别是 STOI 百分点增量与 SI-SNR 分贝增量。
看图路径： 1. 先确认横轴是卷积网络权重保持间隔从 15 毫秒到整句冻结；2. 再对比左侧 STOI 百分点轴与右侧 SI-SNR 分贝轴两条曲线的单调方向；3. 最后看 15 毫秒连续更新点与整句冻结星号点的相对高低
论文图 5。原论文 Fig. 5:：“Effect of the delay on the STOI and SI-SNR metrics.”。
图中可见两条曲线都随保持间隔单调上升，300 毫秒处约 0.2 到 0.3 个点与 1 分贝出头，900 毫秒处约 0.4 个点与 2 分贝出头，整句冻结星号点最高，而 15 毫秒连续更新菱形点最低，说明频繁重估反而抖动，论文据此把重模块放到低压慢跑。但这不等于可以永远冻结，因为跨句说话人、位置与噪声会变，系统仍需以不慢于音频消耗的速度持续产出新权重，否则延迟会累积。
为核对时间与能量分档问题，先看低压慢跑是否以更长周期换更低平均功耗，表中单位按原文写在表头或同一格，裸值不逐格追加单位。
| 条件 | 指标 | 高压快跑 | 低压慢跑 | 单位方向 |
|---|---|---|---|---|
| 权重估计耗时 | G1 执行时间 [ms] | 244 | 379 | 越小越快 |
| 整流水线周期 | 全管线 [ms] | 366 | 564 | 越小越快 |
| 平均功耗 | 系统平均 [mW] | 66.1 | 45.9 | 越小越好 |
| 单次能量 | 每推理 G1 [mJ] | 13.2 | 8.95 | 越小越好 |
表后解释是，低压慢跑把单次总能量基本持平但周期拉长，从而把平均功耗降低约 30%，代价是权重刷新从 366 毫秒变为 564 毫秒。若不用加速器，低压下权重估计要 796 毫秒独占，折到交错后约 1.2 秒，超过 1 秒音频消耗约束而不可行，这说明加速器是该工作点的必要条件。神经部分量化损失很小，矩阵部分因协方差估计与求逆病态而敏感，复现时不可为省内存而动矩阵精度。
哪些结论还不能推广，缺了哪项验证？
论文直接报告的是仿真房间、固定 8 千赫、固定噪声实现下的指标与 GAP9 实测功耗，有限解释是慢分支容忍延迟因而可低压慢跑，支持证据是句内保持越久越好与低压功耗下降。未验证的推测包括真实耳内佩戴的头相关传输、移动说话人、强混响突变下的跟踪速度，以及 16 千赫以上高频的泛化。相关性不等于因果：STOI 与 SI-SNR 同时变好不证明可懂度提升一定来自空间保真，也可能来自残余噪声谱形变化。
缺失的验证是主观听感与定位误差、长时间连续流的延迟累积实测、以及检测漏检时的语音丢失率，虽然检测报告召回 99.9%，但那是离线测试集，在低信噪比穿戴噪声下仍待验证。不同表格的 STOI 口径有均值加减标准差、固定噪声单点、部署后单点 3 种，数值相近但聚合不同，不可跨表直接相减。原文表头与算术有个别笔误，复现时以连续原句的数字与单位为准，不自行凑整。
要复述方法并跑通，先做什么、用什么条件？
复现先做三件事。第一，按 8 千赫、窗长 64 毫秒、跳长 15 毫秒、掩码窗 1 秒搭数据流，用 gpurir 仿真房间生成 6 通道混合，保证训练 28 人 10 噪声四档信噪比、测试 2 人 5 未见噪声四档错开信噪比。第二，先跑通参考通道掩码加矩阵链，再接入变换器加性修正，损失用重建与无失真目标的尺度不变失真比，优化器用 Adam 万分之一学习率，量化只动卷积到整型 8 位、变换器到浮点 16 位，矩阵与加权求和保持浮点 32 位。
第三，在 GAP9 上按每帧 15 毫秒切分，用加速器跑掩码、定制融合核跑注意力，6 通道大频谱放外部内存、逐帧小缓冲放片上，检测阈值调到高召回。需要补的验证是跨房间、跨阵列几何与真实录音的重测，以及连续数小时的掉线与发热记录。代码当前可用，仓库可达，但权重下载与完整训练脚本是否齐备需以仓库现状为准，不把代码可用等同于开箱可运行。
何时值得尝试这种慢快拆分？
当输入是多麦克风、设备是单片机、约束是每帧十几毫秒与几十毫瓦时，这种拆分值得尝试：用大感受野的卷积看稳的声场，用小窗口的变换器补快的细节，用检测跳过无效计算，用混合精度保住矩阵稳定。复现的关键超参数是 64 毫秒窗、15 毫秒跳、1 秒掩码窗、6 通道 24 维修正输入、12 头注意力，以及 0.65 伏 240 兆赫跑权重、0.8 伏 370 兆赫跑逐帧的双工作点。还需补的验证是真实佩戴录音的主观可懂度与定位保持、移动声源的刷新速率下限、以及检测在非平稳噪声下的误触发功耗。
常见误解是把权重保持越久越好理解成可以离线算 1 次，原文明确跨句场景会变，必须持续产出新权重，只是速度可以慢于逐帧输出；另一个误解是把平均功耗当成每模块功耗，实际是按占空比加权的分时平均，逐帧增强的瞬时功率可达 90 毫瓦。回到起点，输入是 6 路含噪混响，输出是一路保向增强，中间保留的是目标不失真约束与空间信息，而省掉的是重计算的无效重复。
📎 论文与评分元数据
排名：前25% | 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