📄 SEAL：混合闭合加性重建与细化感知专家路由的紧凑语音分离
标签：#语音分离 | #混合专家模型 | #语音 | #高效推理
评分：7.0/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Shao-Chun Hu：机构信息未在 arXiv HTML 中可靠披露
- Zi-Xiang Lin：机构信息未在 arXiv HTML 中可靠披露
- Jeih-Weih Hung：机构信息未在 arXiv HTML 中可靠披露
- Hung-Shin Lee：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
单通道语音分离需从一条混响带噪混合波形中恢复各说话人波形，输入为混合短时傅里叶变换，输出为各说话人估计波形，难点在于两路语音在同一时频格点相互抵消时混合幅度很小，乘性掩码仅按比例缩放混合因而难以恢复被抵消成分。方法先将混合压缩为低分辨率锚特征并以共享单元做多步隐状态精炼，每步读出经稀疏专家修正后再送入后续注意力与解码，解码后由重建头输出各组估计。重建头以多原子占据与归属概率组成混合封闭分配，再叠加和为零且受局部混合幅度约束的加性残差，使相消点仍可输出非零估计且各组之和等于混合。路由查询融合局部循环特征与锚特征及步间读出差量与步内时间统计和全局上下文等多路证据，并对步嵌入做范数限制，避免步线索覆盖声学证据。训练采用批量4、学习率0.001、至多500轮并按验证损失早停的配置，单次运行保留最优检查点。按与TIGER相同的评测口径，SEAL small的尺度不变信干噪比提升量SI-SDRi为12.89 dB，相对TIGER small高0.31 dB且乘加运算量MACs降至约三分之一。在同一主机上对1秒输入的波形到波形实测中，SEAL small的图形处理器时延为32.7毫秒，低于TIGER small的43.5毫秒。结论目前只在EchoSet双说话人带噪混响条件下成立，未验证其他语料库和说话人数。
🔗 开源与复现资源
- 代码相关资源：https://github.com/Xiang-Lin75/SEAL — 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
单通道双人语音分离要解决什么
这篇论文处理的是单通道语音分离，也就是只用一个麦克风录到的混合波形，把其中两个说话人的声音分开。输入是混合波形，它包含两个语音信号加背景噪声，输出是两个语音估计。评价时要把估计与干净参考对齐，允许排列互换，因为事先不知道哪个输出对应哪个说话人。数据是 EchoSet，一个 16 kHz 的双人含噪混响语料，混响用 SoundSpaces 2.0 仿真，官方划分是 20268 条训练、4604 条验证、2650 条测试。
初学者可以这样想例子：两个人在有混响的房间同时说话加一点环境噪声，系统只听到叠加后的波形，任务是还原出各自的波形，同时不凭空编造能量。对紧凑模型而言，难点在于参数和计算预算很小，还要在混响和噪声下保持分离质量，本文的基线正是这类高效模型的代表 TIGER。
已有路线为什么还留下两个缺口
按原文梳理，单通道分离从判别式嵌入加排列不变训练，走到时域与双路径模型，再到多尺度和组通信降本设计。在 EchoSet 上，TIGER 是当前效率参照。复数掩蔽和频谱映射能更自由地重建，混合一致性要求估计能解释观测，噪声估计也能辅助含噪分离；稀疏混合专家层则通过按令牌条件执行来增加存储容量，已被用于质量与计算的权衡和替换堆叠 Conformer 中的前馈模块。SEAL 的定位不是另起一类模型，而是在紧凑时频加共享迭代这类结构里补两块短板。
第一，传统有界乘性掩蔽只能对混合频点做缩放，两个分量相位相反互相抵消时混合本身很小，估计也被迫很小。第二，共享单元对每个时频令牌、每个细化步都用同一套权重，若把单元做大，所有位置都要多算 1 次。理解这两点，就能明白后文为什么一路做加性重建、一路做稀疏路由。
抵消频点与共享权重带来什么限制
第一个限制发生在时频域的单个频点上。设混合短时傅里叶变换系数为 X，估计为掩蔽乘以 X。若两个语音分量在该频点幅度相近、相位相反，它们相加后 X 接近零，此时无论掩蔽系数怎么在有界范围内取值，乘积都接近零，真实语音能量无法被恢复。第二个限制发生在迭代细化中。同一个单元被重复使用多步，每步看到的令牌当前声学状态、相对上一步的变化量以及当前是第几步，本是不同的选修正依据，但共享权重无法为不同令牌选用不同函数。
论文还报告了一个对照现象：在不加范数限制时，步索引线索在前两步的平均范数达到融合证据平均范数的 1.7 到 1.9 倍，去掉它会改变 85.5% 的第一步分配，说明无约束的步线索会压过声学证据。
时频掩蔽 × 混合一致性： 时频掩蔽×混合一致性：时频掩蔽指用一个有界系数乘混合频点得到估计，简单且天然接近混合；混合一致性指所有组估计之和必须等于观测混合。SEAL 同时保留后者、放宽前者，掩蔽部分仍求和为一，另加零和残差，使得各语音组在抵消处可以非零而不破坏总和。
SEAL 的整体流程是怎样的
SEAL 的输入处理沿用紧凑时频思路。混合波形做短时傅里叶变换，窗长 512 点、跳长 256 点，得到 257 个频点；编码器做等效矩形带宽压缩和下采样，得到通道数为 72、频率数为 65 的锚表示。随后一个共享单元重复运行，小模型 4 步、大模型 8 步，每步融合锚表示和上一步状态，再经过帧内路径、帧间路径和自注意力细化。最后解码器恢复全频分辨率，一个解码器门控的观测适配器把混合幅度与相位信息重新注入，再进入宽度为 24 的掩蔽头。
掩蔽头同时输出分配掩蔽和加性残差，两路相加得到各组估计，只有语音组做逆短时傅里叶变换，剩余部分由残差槽吸收。下图展示了编码器、共享单元、解码器和掩蔽头的连接，箭头上标 X 的表示混合短时傅里叶变换的注入位置。
读图说明：这张总体结构图信息密度很高，建议先抓住从左到右的主数据流，再看每个子模块的输入输出形状标注，最后对照右侧掩蔽头的求和关系理解混合闭合。
看图路径： 1. 先沿中间主链看混合波形到编码器、共享单元、解码器再到逆短时傅里叶变换的路径；2. 再看右侧掩蔽头如何分出分配、掩蔽乘积和加性残差三条支路；3. 注意帧内路径与帧间路径中稀疏路由插入的位置差异
论文图 1。原论文 Figure 1:：“SEAL architecture. In (f), d_h=130 is the query dimension and \mathcalT_O the 1\times 1 convolution after head concatenation.”。
从图中可见，共享单元内部虚线框包含融合、帧内路径、帧间路径和自注意力，解码器之后观测适配器与掩蔽加残差模块串联。帧间路径中标出稀疏路由插入点，自注意力后接 1 乘 1 卷积，掩蔽头明确画出 6 个原子、分配求和、掩蔽乘积与残差相加，以及槽估计等于混合减去两个语音估计的关系。这种画法对应后文两个机制的分工：重建管最后怎么求和，加性残差管抵消处怎么补，路由管中间每步怎么选修正。
共享迭代单元 × 稀疏专家路由： 共享迭代单元×稀疏专家路由：共享迭代单元指同一组参数在多个隐细化步重复使用，存储量小但对所有令牌用同一变换；稀疏专家路由指每个令牌只激活六个残差专家中的一个做加性校正。两者组合后，共享单元提供公共表示，专家库提供按令牌条件执行的容量，计算量只在被选专家上增加。
共享细化主干如何传递状态
主干改自 GTCRN，保留分组时间卷积和分组双路径循环结构，帧间用双向循环，原文把其中的循环通道注意力换成时间自注意力。锚表示记为 a，共享单元参数记为 theta，R 步细化中第一步直接用锚表示，之后每步融合锚表示与上一步状态。单元输出状态与读出，循环隐状态每步重新初始化，因此跨步信息只靠上一步状态和后文的读出差量传递。训练与推理都重复使用同一套参数，小模型与大模型的区别主要是步数不同，参数量同为 0.59 M。
这样的设计把容量压力转给路由专家库，主干本身保持紧凑。解码后观测适配器的输入是混合幅度的对数压缩与按幅度加权的实部虚部相位，低能量频点的相位权重会被调小，分母中的 delta 取该句平均混合幅度的 0.01 倍。
混合闭合加性重建如何求和
重建头对每个时频点预测 6 个原子的占据对数与每个原子对各组的归属对数，经 softmax 得到原子权重与组占比，再加一个零和复数修正，得到实分配与复数掩蔽。分配在各组间求和为一，复数掩蔽在各组间求和也为一。修正由带 tanh 的有界项构造，先按组占比缩放，再减去组间均值保证零和，若最大模超过 0.1 则整体缩小，因此每项模不超过 0.1。
局部混合幅度 L 取该点 3 乘 3 时频平均混合功率的平方根，语音提议幅度按分配开方缩放并受全局尺度限制，槽提议取语音提议之和的负数，保证提议之和为零。再用统一分母做限幅，若某组提议超过预算则所有组同比例缩小，最终残差模不超过 0.5 倍 L。由于掩蔽部分求和为一、残差部分求和为零，所有组估计之和恒等于混合 X，槽估计可写成混合减去语音估计之和。掩蔽项模不超过 1.1 倍混合幅度，而在 X 为零但 L 大于零的抵消点，残差仍允许非零估计。
预测残差的卷积头只有 990 个参数且输出层零初始化。
混合闭合分配 × 加性残差： 混合闭合分配×加性残差：混合闭合分配指复数掩蔽部分按权重把混合频点分给各组且各组掩蔽之和为一，保证估计之和等于混合；加性残差指在掩蔽之外再加一个各组之和为零的修正项，它不受混合频点幅度为零的限制。两者搭配后，前者维持观测约束，后者负责在相消抵消处补回非零语音能量。
\[B_{k}=\sum_{m=1}^{M}\pi_{m}a_{mk},\qquad A_{k}=\sum_{m=1}^{M}\pi_{m}(a_{mk}+c_{mk}),\]上式说明分配与掩蔽如何由原子权重和组占比加权得到，其中修正项保证复数掩蔽之和仍为一。下一式说明最终估计如何由掩蔽乘积与限幅后残差相加得到，分母对所有组共享。
\[Z_{R}=\max\!\left(1,\frac{\max_{k\leq K}|u_{k}|}{\alpha L}\right),\;R_{k}=\frac{u_{k}}{Z_{R}},\;\widehat{S}_{k}=A_{k}X+R_{k},\]后文消融中单原子对照记为 M=1，Δ 为相对 Full 的带符号 SI-SDRi 差值。
细化感知路由如何为每个令牌选专家
路由发生在帧间路径。双向分组帧间循环输出经共享线性投影得到共享读出，同时两路循环输出分别层归一化后拼成路由输入。6 个无状态残差专家各对该输入做宽度 96 的门控值投影，输出通道数与读出相同。每步按路由概率选概率最大的一个专家，把它的输出乘以校正强度加到共享读出上，校正后读出继续走层归一化、残差相加和注意力，而未校正读出传给下一步用于计算差量。校正强度由独立多层感知机从路由查询与相关汇总预测，不直接用路由概率。
路由查询的证据有 5 路：局部循环特征、锚表示、步间差量、步内时间统计和全局上下文，时间统计是读出按频率的时间均值、标准差和平均绝对 1 阶差，全局上下文是锚表示在有效位置的均值与标准差。5 路各投影为 24 维单位向量再加权融合，步嵌入经半径 0.15 的球投影后相加并归一化，与 6 个学习原型做余弦相似度经温度 softmax 得到专家概率。第一步关闭差量，差量计算中对上一步读出做梯度截断。
读图说明：下图把 5 路证据、查询形成与六选一匹配画在一条线上，重点是证据如何汇成一个查询向量，以及步线索受限符号出现的位置，该图是细化感知 Top-1 残差路由示意。
看图路径： 1. 先看顶部五个证据分支的名称与维度标注；2. 再看查询向量如何与六个原型匹配并只选出一个专家；3. 注意步线索范数受限符号与校正强度输出的位置
论文图 2。原论文 Figure 2:：“Refinement-aware Top-1 residual routing. “Traj.” denotes within-step temporal statistics; the score profile is schematic.”。
图中顶部 5 个方块对应局部、锚、差量、轨迹统计和全局 5 路输入，中间查询向量指向下方 6 个专家槽，其中一个被高亮选中，左侧标注步线索范数不超过 0.15。这与正文公式一致：融合证据是单位向量的凸组合，步线索被投影到小球内，查询是两者之和再归一化，因此步线索只能改变低边际决策。
帧间循环特征 × 步间差量： 帧间循环特征×步间差量：帧间循环特征指当前细化步内双向分组帧间 GRU 的输出，反映当前声学状态；步间差量指当前共享读出与上一步读出之差，反映上一步修正后还剩什么变化。路由查询同时看到两者，才能区分是声音本身难分还是上一步改动过大，步间差量为专家选择提供细化过程证据。
\[j^{*}=\arg\max_{j}p_{s,j},\qquad\widetilde{\mathbf{H}}_{s}=\mathbf{H}_{s}+\beta_{s}\mathcal{E}_{j^{*}}(\bar{\mathbf{r}}_{s}).\]上式是专家选择与读出校正的写法，选概率最大者做加性修正。下一式是证据融合与步线索限幅的写法，rho 固定为 0.15。
\[\mathbf{f}_{s}=\sum_{b}w_{s,b}\mathbf{f}_{s,b},\qquad\widetilde{\mathbf{e}}_{s}=\frac{\mathbf{e}_{s}}{\max(1,\|\mathbf{e}_{s}\|_{2}/\rho)},\quad\rho=0.15.\]后文消融中无范数上限对照记为 ρ=∞，与单原子 M=1 为不同对照条件。
模型用什么目标和流程训练
SEAL 小模型步数为 4、大模型步数为 8，均用 Adam 优化，批量 4、学习率 0.001，在排列不变训练下最大化零均值信噪比，另加复数谱与波形 L1 项权重为 1，以及三项权重为 0.001 的辅助项：负载均衡损失、路由 z 损失和原型正交项。最多训练 500 轮，按验证损失早停，耐心 20 轮并保留最优检查点，验证损失 10 轮不改善超过 10000 分之一则学习率减半。每种配置只训练 1 次，不跨种子重复。
路由器梯度用一个前向为一的技巧处理离散选择，即校正强度乘以 1 加当前概率减去截断梯度的概率，保证前向不变而梯度能传给路由。需要说明，论文没有报告不同随机种子的方差，单次训练结果的稳定性需要读者自行验证。槽输出不作为噪声估计单独监督，它只吸收语音组未认领的部分，因此零和约束不会把语音提议耦合在一起。
在什么数据和度量下比较
实验固定在 EchoSet 官方划分上，报告不做均值去除的 SI-SDRi 和带 512 抽头滤波投影的 SDRi，其中 SI-SDRi 与 SDRi 数值越大越好，参数量、乘加数和延迟则是成本越低越好。计算量按 TIGER 协议用 ptflops 0.7.3 统计 1 秒 16 kHz 输入的乘加数，延迟在同一台主机上测批量为 1 的单精度波形到波形前向时间，显卡为 RTX 5090、中央处理器为单线程 AMD EPYC 9554，1 秒输入下显卡 1000 次、中央处理器 20 次取暖机后均值，长输入减少次数。作者说明自测 TIGER 显卡时间与其已发表的 RTX 4090 时间相差 6% 以内。固定检查点的诊断用 10000 次重采样的语句自助法给出 95% 置信区间。初学者注意，乘加数不等于运行时间，参数量不等于显存占用，延迟还受注意力 2 次复杂度和实现方式影响，因此论文同时给出三者。
SI-SDRi × SDRi： SI-SDRi 指相对混合的尺度不变信干噪比提升，按原文不做均值去除；SDRi 指带 512 抽头滤波投影的信干噪比提升。SI-SDRi 与 SDRi 都是数值越大越好，前者对整体增益不敏感，后者保留与滤波失真有关的评价视角，论文同时报告以互相印证，而参数量、乘加数和延迟则是成本越低越好。
主结果在相同统计下说明什么
下表比较的问题是：在同样的 1 秒输入统计与 EchoSet 测试集上，各方法的分离提升、参数量和乘加数如何排序。公平条件是基线分数、参数和乘加数引自 TIGER 原文并用相同工具统计，SEAL 按相同方式统计。SI-SDRi 与 SDRi 越大越好，参数和乘加数越小越省。
| Method | SDRi | SI-SDRi | Params | MACs |
|---|---|---|---|---|
| Method | (dB) | (dB) | (M) | (G) |
| Conv-TasNet [13] | 7.69 | 6.89 | 5.62 | 7.19 |
| DPRNN [11] | 5.87 | 5.06 | 2.72 | 45.01 |
| SudoRM-RF 1.0x [20] | 7.70 | 6.84 | 2.72 | 4.65 |
| A-FRCNN-16 [7] | 9.64 | 8.76 | 6.13 | 81.28 |
| TDANet Large [10] | 10.14 | 9.21 | 2.33 | 9.19 |
| BSRNN [14] | 12.75 | 12.23 | 25.97 | 98.70 |
| TF-GridNet [23] | 13.73 | 12.85 | 14.43 | 323.75 |
| TIGER (small) [26] | 13.15 | 12.58 | 0.82 | 7.65 |
| TIGER (large) [26] | 14.22 | 13.73 | 0.82 | 15.27 |
| SEAL (small) | 13.62 | 12.89 | 0.59 | 2.64 |
| SEAL (large) | 14.42 | 13.66 | 0.59 | 4.85 |
表中 SEAL 小模型以 0.59 M 参数和 2.64 G 乘加数达到 13.62 dB SDRi 和 12.89 dB SI-SDRi，超过 TIGER 小模型的 13.15 dB 和 12.58 dB，对应 0.47 dB 和 0.31 dB 提升，参数少 28%，乘加数约为 2.9 分之一。SEAL 大模型以同样参数量和 4.85 G 乘加数达到 14.42 dB 和 13.66 dB，比 TIGER 小模型高 1.27 dB 和 1.08 dB，在两项指标上超过 TF-GridNet 而乘加数约为其 67 分之一；与 TIGER 大模型相比低 0.07 dB SI-SDRi 但高 0.20 dB SDRi，乘加数约为 3.1 分之一。限制是基线数引自文献而非本文重跑，比较只在 EchoSet 双人含噪混响条件下成立，且单次训练未报告种子方差。
延迟与抵消频点的改善有直接证据吗
读图说明：下面延迟图把输入时长从 1 秒拉到 32 秒，左右两图分别看单 CPU 线程和显卡延迟随时长的变化，重点是 SEAL 两条曲线是否始终低于 TIGER 对应曲线，该图是延迟随输入时长变化图。
看图路径： 1. 先区分左侧单 CPU 线程与右侧显卡两张子图的纵轴量级；2. 再比较同一输入时长下四条曲线的高低顺序；3. 注意超过 16 秒后显卡曲线斜率的变化
论文图 3。原论文 Figure 3:：“Latency versus input duration on one host: (a) one CPU thread, and (b) RTX 5090.”。
从像素可见，两张子图横轴都是输入时长，纵轴为延迟毫秒，另有实时边界虚线。1 秒输入时 SEAL 小模型显卡 32.7 毫秒、单 CPU 线程 247 毫秒，对 TIGER 小模型的 43.5 毫秒和 1211 毫秒；显卡延迟到 8 秒前近乎平坦，16 秒后因 2 次时间注意力上扬，但到 32 秒 SEAL 大小模型在 CPU 和显卡上仍低于 TIGER 对应模型。这说明乘加数优势转化为实测延迟优势，但长输入的注意力开销依然存在。
论文用验证集 4604 条做了固定检查点干预，以频点抵消程度衡量残差的作用。抵消程度用混合幅度除以两路参考语音幅度加噪声幅度再加极小量，取重度抵消为低于 0.325 的频点，限定在总语音幅度高于句最大负 60 dB 且大小源幅度比不小于 0.25 的范围内，分母由两路参考语音幅度、噪声幅度和极小量组成。语句归一化均方误差在这些频点上计算语音误差功率除以目标功率。结果是加入残差后平均误差从 0.891 降到 0.552，配对绝对下降 0.339，95% 区间为 0.336 到 0.343，相对下降 38.0%，关闭残差损失验证 SI-SDRi 1.28 dB，区间为 1.26 到 1.30 dB，而重训练对照的测试差距为 1.04 dB。
这组证据支持模型在抵消处确实依赖残差，但它只说明已训练模型的依赖程度，不等于重训练后必然差同样多。未胜出的细节是单原子已能到达实分配单纯形的每一点，但其测试仍低 0.55 dB，说明差距来自因子化参数形式而非可达集合。
拿掉哪部分会掉到基线以下
下表回答的问题是：SEAL 小模型中每个机制的重训练贡献是多少。公平条件是各对照在同一 EchoSet 测试划分上重训练，报告参数量、乘加数、SI-SDRi 及其相对完整模型的带符号差距。SI-SDRi 越大越好，差距为负表示下降，参数与乘加数越小越省。
| Configuration | Params (k) | MACs (G) | SI-SDRi | Δ |
|---|---|---|---|---|
| Full SEAL | 590.5 | 2.637 | 12.89 | — |
| Additive reconstruction controls | Additive reconstruction controls | Additive reconstruction controls | Additive reconstruction controls | Additive reconstruction controls |
| w/o additive residual | 589.5 | 2.620 | 11.85 | −1.04 |
| w/ single atom (M=1) | 589.2 | 2.617 | 12.34 | −0.55 |
| Sparse expert routing controls | Sparse expert routing controls | Sparse expert routing controls | Sparse expert routing controls | Sparse expert routing controls |
| w/ dense readout | 363.2 | 2.539 | 11.99 | −0.90 |
| w/ fixed-hash routing | 590.5 | 2.637 | 12.57 | −0.32 |
| w/o delta/temporal statistics | 590.5 | 2.637 | 12.10 | −0.79 |
| w/o additive step cue | 590.5 | 2.637 | 12.59 | −0.30 |
| w/o norm cap (ρ=∞) | 590.5 | 2.637 | 12.57 | −0.32 |
去掉加性残差降 1.04 dB，只省 990 个参数，说明小头带来大增益；改单原子降 0.55 dB；改稠密读出降 0.90 dB，而完整模型相对稠密只多 0.23 M 参数和 3.7% 乘加数；固定哈希路由降 0.32 dB，说明哈希分配相对单专家加 0.58 dB，学习分配再加 0.32 dB；去掉差量与时间统计降 0.79 dB，去掉步线索降 0.30 dB，去掉范数上限降 0.32 dB。
原文强调固定检查点干预不等于重训练差距，例如打乱令牌与专家匹配在完整检查点上降验证 0.64 dB，而在固定哈希检查点上只降 0.01 dB，说明前者的下降来自专家与令牌的对应关系。限制是每种配置单次训练，消融差距没有种子区间。
结论在什么范围内才成立
论文明确把评价限定在 EchoSet 与双人混合，未来工作才考察更多语料、更多说话人数，并替换 2 次时间注意力以降低 16 秒以上输入的显卡延迟。步线索半径 0.15 是按 150 条验证上的分配翻转统计固定的，未用分离质量挑选，在完整检查点上 4 个原始步线索范数为 4.37 到 4.95 都被投影到 0.15，去零线索后最低边际四分位改变 33.6% 到 44.8% 的分配而最高边际至多改变 0.01%，符合大于 2 倍半径则保号的界。容易误解的是槽输出，它被重算为混合减去语音估计，不是被监督的噪声估计，不能当作噪声估计器使用。
加性残差零和也不耦合语音提议，因为槽吸收剩余部分。另一个误解是把乘加数直接当延迟，本文实测显示趋势一致但长输入仍受注意力影响。作者资源方面，论文给出代码链接且本次校验显示可用，但这只说明代码当前可达，不等于权重已公开或开箱可运行。
复现第一步要做什么
先按官方划分准备 EchoSet 并固定 16 kHz、512 窗长、256 跳长、257 频点的短时傅里叶变换设置，再实现 72 通道 65 频率的锚表示与共享单元 4 步或 8 步的循环。重建部分要逐点实现 6 原子分配、零和复数修正、局部幅度限幅与统一分母，槽估计用混合减语音得到且只对语音输出做逆变换。路由部分要实现 5 路 24 维证据、半径 0.15 的步线索投影、六原型余弦 softmax 与 Top-1 加性校正，注意第一步关闭差量并对上一步读出截断梯度。
训练用 Adam 批量 4 学习率 0.001，排列不变下最大化零均值信噪比加谱与波形 L1，辅助三项权重均为 0.001，早停耐心 20 轮。核对时先看混合闭合是否恒成立，再看抵消频点误差是否下降，最后看路由打乱实验是否复现 0.64 dB 量级的下降。缺失的信息是多种子方差与长输入之外的硬件表现，需要补测。
什么时候值得尝试还缺什么验证
当任务是单通道双人含噪混响分离且预算只允许亚 1000000 参数与数 G 乘加数时，SEAL 的思路值得尝试：用零和限幅残差补抵消频点，用六专家 Top-1 路由在共享单元上加条件容量，同时用小半径约束步线索避免其压过声学证据。复现后若要在新语料或 3 人以上混合上使用，需要补做跨数据集泛化、说话人数扩展与长输入延迟优化三项验证，并报告多种子均值方差。目前证据只支持在 EchoSet 双人条件下的成本质量权衡，不支持推广到所有混响噪声或实时部署承诺。教学上记住两句话：求和约束管不编造能量，加性残差管抵消处有值；共享参数管省存储，专家选择管按令牌花算力。
📎 论文与评分元数据
排名：前50% | 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