把带宽扩展变成解码端补码：冻结编解码器，只训练一个多速率预测器

📄 把带宽扩展变成解码端补码：冻结编解码器，只训练一个多速率预测器

英文题目：Multi-Rate Bandwidth Extension by Token Completion in Neural Audio Codecs

标签：#带宽扩展 | #自回归模型 | #神经编解码与离散单元 | #音乐

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

• Benoît Ginies：机构信息未在 arXiv HTML 中可靠披露
• Olivier Fercoq：机构信息未在 arXiv HTML 中可靠披露
• Gaël Richard：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

带宽扩展任务输入为截止频率为\(b\)千赫兹的带限信号，输出为恢复至二十四千赫兹带宽的四十八千赫兹全频带信号，难点在于高频完全缺失且输入采样率多变而模型需统一处理。冻结的神经音频编解码器先将重采样至四十八千赫兹的带限信号编码为残差向量量化码流，其输出直接进入解码器侧变换器。该变换器沿量化深度自回归地由带限码流补全全频带码流，仅解码预测的第一层并在频域经一千赫兹交叉淡化拼接到真实低频带之上得到最终输出。与直接生成全频带波形的扩散与流匹配模型不同，该机制保留真实低频只合成缺失高频，并将多速率差异吸收进统一四十八千赫兹表征而无需显式带宽条件，具有不增加传输码率的实际意义。在MUSDB18测试集下，SpectroStream预测器的ViSQOL为2.99，高于A2SB的ViSQOL 2.56。该结论的适用边界受限于域内音乐混合场景，其失败条件包括独奏乐器域外语料最窄带八千赫兹输入下被基线反超，且客观填充完整度优势尚未验证为听感优势。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/Multi-Rate-BWE-by-Token-Completion/Multi-rate-BWE — 链接可访问（HTTP 200）

• 演示资源：https://multi-rate-bwe-by-token-completion.github.io/ — 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，要补什么，什么必须原样保留？

这篇论文研究的任务是带宽扩展。用白话说，就是输入是一段被限制了带宽的声音，例如电话质量只保留到 4 kHz，目标是恢复它本来在更高频率上应有的内容，输出是听起来更完整的全频带声音。论文把这个问题放在神经音频编解码器内部来做。神经音频编解码器是指把波形先编码成离散符号序列，再从符号解码回波形的压缩重建系统，这里的符号就是码字。

沿一个样本走一遍有助于建立全篇的坐标。记输入为带限到 b 千赫兹的信号，目标是 24 千赫兹带宽、48 千赫兹采样率的信号。输入先被重采样到 48 千赫兹再送入冻结的编解码器，得到 Nq 层带限码字。预测器的任务是根据这些带限码字猜出全频带信号对应的码字，然后只用预测结果合成 b 千赫兹以上的频带，b 千赫兹以下的真实低频带原样送到输出。也就是说，低频带是必须保留的信息，高频带是必须补的信息，输出是两者拼接的结果。

为什么要这样限定任务范围。传统做法需要模型同时处理低频带和高频带，甚至重建整个信号，稍有偏差就会污染本来正确的低频。论文把低频带固定为真值，只让模型负责高频带，从学习角度任务严格变小了。从系统角度，编解码器被冻结且对所有输入率都吃同样的 48 千赫兹表示，只有预测器与输入率有关，因此一个预测器有可能同时处理 8、16、24、32 千赫兹 4 种输入。论文的官方代码当前可用，演示页面当前可用，复现时可以先听演示再看代码结构。

同样输入和目标下，已有路线把计算放在哪里？

要理解这篇论文的位置，需要按相同的输入、相同的目标和相同的运行阶段来对照，而不是按模型类别贴标签。经典带宽扩展把低频谱复制或拉伸到缺失频带，神经方法则经历了从卷积回归到扩散模型、流匹配模型和可微数字信号处理混合方法的演变。论文提到的多速率系统把生成模型直接暴露给原始带限信号，用连续波形或频谱作为条件，这意味着增强模块读的是波形本身。

另一条路线是编解码器内修复。语音增强中的掩码预测和生成增强方法从退化输入预测干净编解码器码字，离散扩散也被用于语音带宽扩展。这些方法的共同点是解码器操作的是离散码字而不是原始波形，修复模块放在解码端，因此不增加传输比特率。论文作者此前的音乐带宽扩展工作属于这一路线，但做法是把编解码器本身改造成按频率或按谐波打击乐划分的软语义分支，用低频分支预测高频分支。这种做法的局限是每个分支本身就是一个跑在各自采样率上的编解码器，不能直接接受其他输入率。

本文与上述工作的区别是冻结编解码器不动，只训练一个解码端变换器，把带限码字映射到全频带码字。基线选择也遵循同输入同目标原则。扩散薛定谔桥方法处理 44.1 千赫兹频谱，流匹配方法在 48 千赫兹工作并支持部分输入率，两者都使用与本文相同的拼接合成协议，保证低频带处理一致。不同之处必须记住：本文预测器读的是量化到 12 千比特每秒的码字，基线读的是原始低频带信号，所以比较不是严格的同信息量比较。

任务的形式化约束是什么？

论文把符号写得很明确。输入记作带限到 b 千赫兹、采样率为 2 倍 b 的信号，其中 2 倍 b 取自 8、16、24、32 千赫兹集合。无论原始采样率是多少，输入在编码前都被重采样到 48 千赫兹，得到统一表示，因此编解码器没有任何与速率相关的部分。冻结编解码器把该表示编码成 Nq 条码字流，每条有 T 个符号，任务是预测全频带对应信号的码字，并用它只合成 b 千赫兹以上的频带。

有两个硬约束贯穿全文。第一，编解码器保持不变，不重新训练。第二，不传输任何边信息，预测器是解码端模块，传输码率就是带限码字本身的码率。这两个约束决定了后续所有设计：不能靠发送带宽标识作弊，不能靠微调编码器让码字更易预测，只能靠解码端从带限码字中同时读出带宽和缺失内容。

带宽扩展 × 码字补全： 带宽扩展负责给出缺失高频对应的声音，码字补全负责给出冻结编解码器会对全频带信号产生的离散码字，二者搭配的理由是低频带已经由带限码字经解码保留，组合后扩展任务不再重建全带信号，只需预测截止频率以上的第一层码字并拼接到真实低频带上。

对初学者而言，关键是区分重建全带和补全高带。前者要求模型对低频也负责，容易引入失真；后者把低频固定为真值，模型误差只影响高频。这种任务收缩是本文客观指标占优的重要来源，但也意味着低频以上的主观瑕疵会更显眼，后文 8 千赫兹听感结果正好对应这一点。

冻结编解码器加单预测器如何分工？

方法全景可以分成 3 段。编码段是冻结的，输入率不同的信号在这里被统一成 48 千赫兹表示并量化成带限码字。预测段是一个变换器解码器，输入是全部 Nq 层带限码字，输出是全频带码字的预测。合成段是频谱域拼接，把输入信号的 b 千赫兹以下真值低频带和预测解码的 b 千赫兹以上高频带在截止处连接，输出最终波形。

这张系统图是理解分工的关键导读，阅读时先看整体左右走向，再看上下两条编码路径的异同，最后看中间预测器与拼接节点的连接关系。图中上方是带限信号的实际通路，下方是全频带信号的监督通路，虚实线区分了推理时存在与仅训练时存在的部分。

看图路径： 1. 先从上方带限输入沿编码器到量化码字的箭头看主路径，再看该码字如何同时送入解码器保留低频带和送入变换器预测器；2. 再看下方全频带分支的编码量化如何只在训练时提供监督目标，推理时并不存在；3. 最后看中间拼接节点如何把真实低频带和高频预测解码结果汇合成最终输出

论文图 1。原论文 Figure 1:：“Bandwidth extension as token completion.”。

图中上方橙色编码器把重采样到 48 千赫兹的带限输入变成量化码字，该码字一路直接送入解码器得到低频带真值，另一路送入紫色变换器预测器。下方浅色编码器把全频带信号变成目标码字，仅用于训练监督。预测器输出的第一层预测码字经解码得到高频带，与上方保留的真实低频带在灰色拼接节点汇合，生成最终输出。像素上可以看到预测器箭头是按量化深度方向自回归的，而不是按时间方向逐帧生成的，这与后文只解码第一层的合成协议直接对应。

这种分工带来多速率能力的直觉。既然编码器对所有带宽都输出同样采样率下的码字，带宽差异只能体现在码字取值本身，预测器只要能从码字读出带宽，就不需要外部告知截止频率。论文的中心假设正是带宽可从码字恢复，后文用是否需要截止嵌入和码本探测来验证它。

两种编解码器如何提供同样的码字接口？

论文刻意选择了两种在码字产生方式上完全不同的编解码器，用来检验方法是否依赖频率轴。第一种是波形域编解码器，直接对波形做 1 维步进卷积得到帧，再做残差量化，模型内部没有任何频率轴。第二种是谱域编解码器，对 48 千赫兹音频的复数短时傅里叶变换做 2 维卷积，同时在频率和时间上降采样，因此一个码字对应一个时频区域而不是一段波形。

神经音频编解码器 × 残差矢量量化： 神经音频编解码器负责把 48 kHz 波形变成每帧若干离散符号的时间序列，残差矢量量化负责把每帧残差逐级量化成 Nq 个码字流，二者搭配的原因是预测器不需要读原始波形，只读带限信号的 Nq 层码字并逐级预测全频带对应码字，组合意义是传输码率仍是带限码字的 Nq 层，预测器是纯解码端模块。

具体配置需要如实记录，因为它是复现比特率和帧数的依据。下表整理了原文报告的两种编解码器配置，阅读时先确认帧率和量化级数的差异，再看实际用于带宽扩展的码率是否对齐到 12 千比特每秒附近。

表中波形域一行对应原文步进 1 维卷积给出 93.75 赫兹帧、12 层码本每本 1024 表项、11.25 千比特每秒的报告，谱域一行对应原文 64 层中只用 48 层、每本 1024 表项、25 赫兹、12 千比特每秒的报告。两种编解码器都先在音乐数据上按 48 千赫兹重新训练到原文报告的收敛状态然后冻结，谱域实现因无公开实现由作者重实现并随预测器一起发布。需要提醒的是，两种模型的训练数据混合权重和收敛步数不同，帧数也不同，固定批量和步数时截取长度分别为 2.5 秒和 5 秒，因此跨编解码器的微小差距不能全部归因于码字本身。

这个对照的设计意图是分离变量。唯一被允许不同的性质是码字是否携带显式频率概念，其余架构、截止抽取、数据、优化、合成和评分流程保持相同。如果两种编解码器上同一套预测方法都有效，就支持方法利用的是补全任务本身，而不是某种编解码器的频率排列。

预测器每一步算什么，合成时用几层？

预测器是一个 6 层、模型维度 1024、8 头的变换器解码器。它的自回归维度不是时间，而是残差量化的深度。在第 j 步，它同时预测全部 T 个时间位置上的第 j 层全频带码字，条件是全部 Nq 层带限码字加上已经预测出的前 j 减 1 层全频带码字。输入的 Nq 条流和反馈的 Nq 减 1 条流先各自做 64 维嵌入，再拼接投影并做池化和层归一化，外加一个可学习步嵌入告诉网络当前在预测哪一量化层。这种拼接投影是此前求和嵌入的推广，当投影为分块单位矩阵时退化为求和。

深度自回归 × 时间并行： 深度自回归负责在第 j 步以前面已知的全频带低层码字为条件预测第 j 层全频带码字，时间并行负责在同一步内同时给出全部 T 个时间位置的该层符号，二者搭配的理由是量化层级之间残差依赖强而同一层内时间依赖可由注意力一次处理，组合后训练可用教师强制逐层求交叉熵，推理按层推进而不需要按时间逐帧推进。

合成协议是理解计算量的关键。输出在频谱域组装，截止频率以下取输入信号的真值低频带，以上取预测解码结果，两者在截止处做 1 千赫兹宽交叉淡化，该宽度是在梅尔距离上比较 1.5 和 2 千赫兹后选定的。解码用取最大概率符号，所有基线同样使用该拼接操作，其影响小于 0.01 的客观分数，因此基线比较的低频处理是一致的。

拼接合成 × 交叉淡化： 拼接合成负责把输入信号的截止频率以下真实低频带直接保留到输出，交叉淡化负责在截止频率处用 1 kHz 宽度把真实低频带与解码预测得到的高频带连接起来，二者搭配的理由是避免重建本已正确的低频带并掩盖截止点的不连续，组合后输出的高频带完全来自预测第一层码字的解码，低频带完全不受预测误差影响。

一个容易误解的点是训练层数与解码层数的关系。预测器在训练时对全部 Nq 层都计算交叉熵，但在合成时只从预测的第一层重建，作者报告加入更深预测层并未提升客观分数。这不改变传输码率，传输的始终是 Nq 层带限码字。只解码一层的合理性在后文码本探测中得到呼应：带宽信息基本只存在于第一层码本，更深层几乎不可读，因此一层已足以支撑高频合成。

数据如何混合，优化按什么步骤进行？

训练分成编解码器训练和预测器训练 2 个阶段，预测器训练时编解码器已冻结。编解码器在音乐数据上训练，预测器训练混合则被刻意配成携带尽可能多高频能量，同时不让领域偏离编解码器太远。具体混合包含 4 个来源并对每个训练的带宽扩展预测器都相同，带高频筛选的音乐库占大头，其余为多人音乐库、音乐分离训练集和鼓独奏库。音乐库在进入混合前先过滤，只保留有效带宽达到至少 19 千赫兹的约三成九文件。测试时的带限伙伴在训练和测试中都用先降采样再升采样构造，信号中会留下重采样滤波器有限过渡带，而不是理想低通的陡峭边缘。

优化过程按原文交代复述。预测器在 4 个输入率上联合训练，每个批次均匀抽取输入率。训练用教师强制，每一步以真值低层为条件而不是以自己预测的低层为条件，损失是各步交叉熵之和，用自适应矩估计权重衰减优化器、初始学习率万分之一、余弦调度、批量 16、训练 25,000 步。输入带宽从不提供给模型，模型只看到编解码器码字。对照实验包括每个速率单独训练 4 个预测器，以及给联合模型加可学习截止嵌入的变体，用于检验单模型和无条件设计的代价。

需要明确的缺项是硬件预算和 wall-clock 时间原文未报告，不能从模型名称推定训练成本。另一个复现细节是截取长度差异：固定批量和步数迫使两种编解码器用不同 excerpt 长度，较短截取会损失质量，但波形域模型仍看到更长的符号序列，因此跨编解码器比较时要把该条件差异记在心里。

在什么数据、基线和指标下比较才算公平？

实验要回答 3 个问题：域内音乐混合上是否全面占优，域外独奏乐器上是否还成立，主观听感是否跟得上客观分数。主测试集是从音乐分离测试集取 1000 段 2.5 秒摘录，域外集是从独奏乐器库取 1000 段摘录，该库未出现在任何系统的训练数据中。两个测试集都不中立：流匹配基线在音乐分离上训练过但未说明划分，扩散桥基线没见过该库；域外库对 3 个系统都是未见过的，但更接近流匹配基线的独奏乐器领域，而不是本文音乐混合领域，因此必须同时报告两个集合。

基线配置按原文如实执行。扩散桥方法用发布的双检查点集成加 50 步采样，更多步数未提升客观分数，其 44.1 千赫兹上限不构成限制，因为参考信号在 22.05 千赫兹以上几乎无能量。流匹配方法用指导系数 2.0，该值在音乐分离上按客观分数选定并原样用于两个测试集，它支持 8、12、16、24 千赫兹输入但不支持 32 千赫兹，因此 32 千赫兹一行没有该基线。所有系统都用相同的拼接合成，保证低频带一致。

指标方面，主客观指标是音频质量客观分数，另算多分辨率梅尔距离和短时傅里叶距离、波形绝对误差和尺度不变信噪比。原文明确尺度不变信噪比只为完整性报告而不用于区分模型，因为它对样本级不对齐敏感，而被评估频带是合成而非重建的。主观评估是多刺激隐藏参考锚点测试，只在最难的 8 千赫兹输入上做，比较较强外部基线与本文波形域预测器，12 段摘录中一半取自高频能量最高的另一半之外的高频集中段、一半取自其余段，10 名非专业听众在标准办公条件下参与，每轮呈现标注参考加隐藏参考、带限锚点和两个系统。

四个输入率上谁在哪些指标上占优？

比较问题是单多速率预测器在域内和域外是否同时超过两个读原始低频带的基线，公平条件是相同拼接合成、相同测试摘录和相同评分流程，指标方向是客观质量分数越高越好、梅尔与频谱距离越低越好。波形误差和信噪比只作完整性参考，不用于判定胜负。下表是原文第三张表，即多速率与分速率以及截止嵌入的对照，是全文唯一可安全选择的原表，阅读时先看锚点与上限框定的区间，再看单模型相对专用模型的损失。

该表显示每个训练好的预测器都远在锚点之上，随输入变宽增益从 8 千赫兹的大幅提升收窄到 32 千赫兹的 0.31 左右。单预测器覆盖四率的代价至多 0.03，在 24 千赫兹还略高于专用模型，加截止嵌入在四率上都不带来好处，反而低几 1%。这支持带宽已可从码字恢复的判断。需要同时记住上限是同码率下完美预测的解码，单模型远未触及上限，因此表格支持的是相对专用模型的无损，而不是任务已解决。

域内主结果按原文报告复述：两个预测器在每个输入率和 3 个可仲裁指标上都领先两个基线，质量分数对扩散桥的领先从 8 千赫兹的 0.4 以上收窄到 32 千赫兹的几 1%，梅尔与频谱距离对 4 个系统的排序相同。域外从 16 千赫兹向上排序基本保持，在质量分数和梅尔距离上领先，仅在 8 千赫兹被流匹配基线反超，该基线训练于接近独奏的领域而本文训练数据不含该领域。

主观测试中隐藏参考在三四分位数均为满分，带限锚点中位数明显偏低，扩散桥中位数 70，本文波形域方法中位数 67，四分位区间大部重叠，因此原文表述为表现相当。客观在 8 千赫兹的优势没有延续到听感，作者听感解释是本文高频填充更完整因而客观分数奖励，但轻微伪影被听众扣分，这属于有限解释而非因果证明。

为避免把趋势推广到每组，原文还给出编解码器差异的反例视角。下表把可用码率上限作为分母，比较两个预测器实际捕获的比例，列方向是输入率，行方向是编解码器，数值越高表示相对自身上限完成得越好。

该表数字全部来自原文同一连续句对两种预测器四率 headroom 占比的报告，谱域域内分数更高反映的是更高上限而非更容易补全，波形域在每率捕获更多自身上限且域外每率更好。未胜出项必须点名：域外 8 千赫兹 3 个可仲裁指标均为基线领先，32 千赫兹流匹配基线因不支持而缺席，不能把缺席当作落后。

单模型无条件设计损失多少，带宽藏在哪一层？

消融要验证两个决定多速率主张的设计：一个预测器训练于四率而不是每率一个，以及不给任何带宽指示。对照已在上节原表中给出，这里补充机制解释。单模型相对专用模型的差距至多 0.03，加截止嵌入反而在四率上都低几 1%，因此显式带宽信息没有提供预测器缺少的信息。原文结论是带宽已可从码字恢复，这是一个由对照支持的判断，不是无条件成立的普遍规律，它依赖于冻结编解码器对所有带宽输出同样 48 千赫兹表示这一前提。

多速率训练 × 截止频率嵌入： 多速率训练负责在一个预测器内把 8、16、24、32 kHz 四种输入率按批次均匀混合训练，截止频率嵌入负责额外给模型一个可学习的输入带宽标识，二者对照的理由是检验带宽信息是否已经包含在码字本身，组合意义在于论文显示加嵌入并无增益，从而证明单模型无需显式带宽条件即可工作。

带宽藏在哪里的探测是论文特有的第二类细节。作者不用纯音而用 400 赫兹宽窄带噪声，在 100 赫兹到 23 千赫兹扫 240 个中心频率，记录每层残差量化选了哪个表项。纯音的频谱泄漏随频率变化会伪装成调谐，因此选噪声。两个统计量分工不同：修正互信息问单个符号能告诉我们激活频谱位置多少信息，修正方法是减去打乱表项后的值以纠正小样本偏置；码本距离与频率距离的相关系数问码本是否按频率排列，这是互信息看不到的结构性质。

结果是两类编解码器的一层码本用法很不同。谱域在探测下只选中 1024 中的 32 个表项，修正互信息 1.82 比特，波形域选中 314 个表项，达到 3.04 比特，因此波形域一层符号对频谱位置定位更精确但字母表大 10 倍。区分两者的是排列而非信息量，相关系数谱域 0.438 对波形域 0.218，限制到各自最频 32 表项后差距不变，因此不是字母表大小的假象。该结构只存在于第一层，第二到第四层在谱域上既无符号也无量级上的复现。由此得到两条支持性推论和一条否定：带宽在一层码本可读故无需率嵌入，带宽基本不在更深层故解码一层已够；但频率有序不是方法成立的原因，因为有序性较差的波形域反而捕获更多上限。

哪些边界没有测，哪些数字不能当人评用？

先说未评测边界。输入率只覆盖 8、16、24、32 千赫兹，没有覆盖流匹配基线支持的 12 千赫兹，也没有测试低于 8 千赫兹或非标准截止。32 千赫兹缺少一个基线，因此该行只能说领先一个基线，不能说领先全部。训练与测试的带限都用降采样再升采样构造，保留有限过渡带，如果实际部署的低通滤波器形状不同，码字分布会偏移，单模型的鲁棒性待验证。

再说指标与听感的鸿沟。客观质量分数、梅尔距离和频谱距离都是自动指标，不能当作人评。8 千赫兹主观只比较了波形域预测器与较强基线，没有评价谱域预测器，也没有评价 16 千赫兹以上输入，因此不能把相当的结论推广到其他速率或另一个编解码器。听众为 10 名非专业人士、12 段摘录、办公条件，样本量有限，四分位重叠只能说未观察到大差距，不能证明等效。

最后说拟合范围。预测器拟合的是单一冻结符号分布，换编解码器就要重训，论文结尾把跨编解码器单预测器作为自然延续，当前并未实现。训练资源、推理开销、输出帧率与实际延迟是 4 个不同量，原文未报告延迟与成本，不得承诺低码率等于低延迟。总体趋势不等于每段都成立，高频能量极少或极多的摘录行为可能相反，复现时应分段检查而不是只看平均。

要复现先跑什么，关键超参数如何保留？

复现的第一步是区分代码开源与系统可运行。论文给出实现公开链接和演示链接，本次核对的代码链接当前可用，演示链接当前可用，因此可以先听 8 千赫兹演示建立听感锚点，再克隆代码检查冻结编解码器权重是否提供、预测器检查点是否提供。如果只有训练代码而无权重，就需要按原文数据混合先训练编解码器到报告的收敛状态再冻结，这一步成本最高。

第二步是锁定信息条件。预测器只能读码字，不能读截止频率或原始低频带波形；合成必须用相同的 1 千赫兹交叉淡化拼接，把真值低频带与第一层预测解码的高频带连接；解码用取最大概率符号；训练用教师强制和各层交叉熵之和。

关键超参数按原文保留：6 层、维度 1024、8 头、嵌入 64、优化器为带权重衰减的自适应矩估计、学习率万分之一余弦调度、批量 16、25,000 步、四率均匀抽取。截取长度按编解码器分别设为原文长度，不要自行统一，否则帧数和批量语义会变。

第三步是补验证。至少要复现第三张表的锚点、单模型、分率模型和上限五列，确认单模型损失是否在 0.03 量级；再在域内抽查高频能量高低两组摘录，确认填充完整度与伪影的权衡；最后若要宣称域外泛化，必须在未见过的独奏库上按 16 千赫兹以上与 8 千赫兹分别报告，因为原文的反例恰在 8 千赫兹域外。缺失的硬件预算和延迟应在复现报告中如实标注未测量，而不是省略。

何时值得尝试这种解码端补全？

当系统已经有一个冻结的神经音频编解码器，且希望在不改编码器、不加边信息、不加传输码率的前提下提升全频带听感时，这种解码端补全值得尝试。它的适用条件很具体：所有输入在编码前能统一到同一采样率表示，带宽差异能体现在第一层码本取值中，且应用允许只合成截止以上频带并保留真值低频带。音乐混合实验显示它在 4 个输入率上都有客观增益，域外在较宽输入上也保持增益，这是支持尝试的证据。

当输入带宽极窄且领域完全未见，或对高频伪影极敏感时要谨慎。8 千赫兹域外被反超和主观未把客观优势延续，都提示填充更满不等于听感更好，此时应先做小规模主观试听，再决定是调解码策略还是加后处理。另一个误解是把波形域无频率轴当作不能做带宽扩展，本文恰好用同一套方法在无频率轴码字上取得相当结果，说明可读的是码本对频谱位置的隐式划分，而不是显式的频率维度。

一句话收束：冻结表示统一了输入，深度自回归补全了码字，拼接合成了波形，单模型覆盖多速率的原因是带宽已写在一层码本里，而代价是预测器与单一冻结分布绑定，换编解码器就要重来。

⚖️ 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

← 返回 2026-10-01 语音/音乐/音频论文速递