主动降噪如何让助听器里的 AI 语音增强在鼓膜处真正起效

📄 主动降噪如何让助听器里的 AI 语音增强在鼓膜处真正起效

英文题目：Active noise cancellation extends the benefit of AI speech enhancement in real hearing-aid recordings

标签：#语音增强 | #信号处理 | #主动降噪 | #助听器

评分：6.3/10 | 创新 1/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

• Andrew T. Sabin：机构信息未在 arXiv HTML 中可靠披露
• Linkai Li：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

鼓膜处声音是放大路径与经通气孔或耦合缝隙绕过放大的直接路径之和，低频直接声几乎不衰减并限制信噪比；人工智能语音增强指设备内改善目标语音信噪比的算法，主动降噪指以相消干涉衰减直接路径声音、对语音和噪声同等衰减，并非助听器常用的增益类降噪。三种硬件即标准耳内接收式助听器与可降噪机型降噪关闭和开启，均按N3听力损失处方验配后在人体模型录制，每种硬件在增强关闭和开启时记录真实场景录音及对应开耳录音与清洁语音。录音与清洁语音对齐后按频带阈值生成二值时频掩码，再作用于设备录音分别统计语音帧与噪声帧功率得到各频带语音谱和噪声谱，进而算出相对开耳的附加信噪比及其SII加权宽带值。在7个平均75 dB SPL真实场景共42段录音上，以相对开耳的附加SII加权信噪比为指标，开启增强并启用主动降噪的条件相对开耳提高5.1 dB，高于同样开启增强的标准机型相对开耳的1.6 dB。在上述7个场景42段录音上，以同硬件增强开启减关闭的信噪比差值即增强收益为指标，增强收益维持在1 dB以上的最低频率在标准机型为1500 Hz，封闭耦合未开降噪时为600 Hz，开启降噪后为130 Hz，与直接路径衰减测量一致。结论只适用于中等坡降听力损失处方和人体模型录音，未经听障听众的言语识别验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

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

为什么助听器在噪声里听不清不只是算法不够强

刚进入语音或音频领域的研究生，容易把助听器理解成麦克风加放大器再加降噪算法，觉得算法把噪声压得越多，人就听得越清楚。这篇论文提醒要注意佩戴后的声学结构：助听器戴在耳道里，鼓膜听到的声音永远是两路之和。一路是放大通路，声音被麦克风拾取，经过波束形成、传统降噪和这里研究的 AI 语音增强算法，再由受话器放出来；另一路是直接通路，外界声音穿过通气孔或耳塞与耳道壁之间的缝隙直接漏进来，完全没有经过任何处理。

在高频处方增益很大的频段，放大通路占主导，算法的改善能体现出来。但在低频，通气孔几乎透明，处方增益又很小，直接通路的未处理噪声会成为鼓膜处总噪声的主要成分。这时即使算法把放大通路里的噪声降得很低，鼓膜处的总信噪比也会被直接通路封顶。论文的起点就是这个封顶效应：不是算法没有产生改善，而是改善没有在鼓膜处实现。理解这一点，才能理解作者为什么要引入主动降噪，以及为什么单独评价主动降噪会得出很小的数值。

这篇实测与先前仿真以及传统降噪是什么关系

论文明确把自己放在一条延续线上。作者先前的仿真研究把主动降噪从其他器件特性中剥离出来，只改变直接通路衰减、环境声级和放大通路能产生的信噪比改善，预测在高于 70 dB SPL 的环境、器件能改善约 4 dB 以上信噪比、中度听力损失等条件下，主动降噪会带来可观的可懂度指标增益。那是机制演示，没有真实硬件。

另一些文献讨论过集成主动降噪与降噪系统，以及用助听设备降低堵耳效应，但本文强调的定义不同：这里的主动降噪专指对直接通路声的相消干涉衰减，不是助听器放大通路里基于增益的传统噪声抑制。传统处理如波束形成和传统噪声抑制仍然在放大通路里工作，本文的 AI 语音增强算法也是放大通路处理，是专有的深度学习增强。

比较时必须同条件比较：同一信号处理套件、同一 NAL-NL2 处方目标、同一 N3 听力图，才能把标准受话器耳内式与可降噪受话器耳内式的差别归于换能器、声耦合或降噪开关，而不是处方不同。本文的贡献不是提出新增强网络，而是在商用受话器耳内式硬件录音上检验封顶机制是否成立，以及改善能向低频扩展多远。

论文具体要回答的三个问题和适用边界

论文把大问题拆成 3 个可在录音上测量的小问题。第一，每种条件相对开耳在鼓膜处增加了多少信噪比，这里的开耳指同一场景、同一人体模型位置但不戴助听器的匹配录音，做差可以去掉场景本身信噪比差异的影响。第二，主动降噪是否把 AI 语音增强的好处扩展到更低频率，具体做法是在同一硬件内用开算法减去关算法，得到只属于算法的增量，再看该增量在多少赫兹以上能维持在 1 dB 或更高。

第三，这些分频带变化换算成 SII 加权信噪比后是多少，权重采用平均语音的三分之一倍频程频带重要性函数，归一化后求和，目的是汇总对语音最重要的频段。适用边界在方法里就写清楚了：只用 7 个总声级高于 70 dB SPL 的真实场景，因为模型预测这里的好处最大；只用一个 N3 中度倾斜损失的处方目标；只在 KEMAR 人体模型上录音，不是真人佩戴，更没有测言语识别率。因此结论成立的条件是高声级、该处方、人体模型录音和声学信噪比指标，超出这些条件需要另做行为实验。

整体流程：同一批场景如何得到六组可比录音

整体流程可以沿着一个样本理解。先在安静房间中央放 KEMAR 人体模型，周围一圈 8 个扬声器按 HearAdvisor 实验室流程回放场景。背景取自 ARTE 数据库中 7 个吵闹场景，咖啡馆、聚餐、街边阳台、火车站和美食广场等，总声级从 71 到 80 dB SPL，标称呈现信噪比从正几分贝降到负值。每个场景配 6 种说话人条件，相当于 7 乘 6 共 42 段录音为一组。3 种硬件条件分别是标准受话器耳内式、可降噪受话器耳内式关降噪、可降噪受话器耳内式开降噪，每种再分 AI 语音增强关与开，共 6 组助听条件。

每段助听录音都有对应的开耳录音和干净语音信号，左右耳各 1 通道，采样率 44.1 kHz。两种设备跑同一助听信号处理套件并按同一目标验配，标准机用平衡衔铁受话器加郁金香耳塞，可降噪机用定制动圈受话器加耳道部件上的封闭耳塞与外壳通气孔，因此标准与关降噪之间的差别包含换能器和耦合差别，而关降噪与开降噪之间只有降噪开关不同。录完后并不直接听，而是用掩膜分析法估计每个频带的语音和噪声功率，再算信噪比、增量和加权汇总。

两条声路的分工：谁产生改善，谁决定改善能否被听见

把鼓膜处信号写成两项相加最容易理解。放大通路的输出已经含有算法带来的更优信噪比，直接通路的输入则是未经处理的原始信噪比。如果直接通路很强，它把大量原始噪声灌进耳道，放大通路的干净优势就被稀释了。主动降噪的作用是把直接通路的语音和噪声一起压低，它不改变直接通路内部的信噪比，但降低了直接通路在总声中的权重，从而让放大通路的更优信噪比在总声中占主导。

论文反复强调这一点，因为它决定了实验预期：单独开主动降噪不应带来多少信噪比提升，只有当放大通路确实更干净时，压住直接通路才有价值。声耦合本身也有类似作用，封闭耳塞即使不开降噪也能挡住一部分中高频直达声，而郁金香耳塞在 2 kHz 以下几乎完全透声。实测的闭塞插入增益曲线正是用来量化这种遮挡的，它是在放大通路静音下测得的，负得越多表示隔离越好。

放大通路 × 直接通路 × 鼓膜处信噪比： 放大通路指声音经助听器麦克风、处理和受话器再送入耳道的通路，算法对信噪比的改善只存在于这里；直接通路指经通气孔或耳塞周边缝隙不经过助听器直达耳道的声音，它未经处理；鼓膜处的声音是两者相加，因此鼓膜处信噪比由两者中噪声占优的一方决定，压不住直接通路噪声，放大通路做得再好也会被淹没。

从录音混合到分频带信噪比：掩膜分析究竟做了什么

下图是论文用来估计信噪比的分析流程，与助听器内部算法无关，初学者不要把两者混淆。每个耳通道先做短时傅里叶变换，窗长 2048 点、跳 512 点，并与干净语音参考做时延对齐。然后从干净参考推导二值掩膜：每个频率格取干净参考对数功率随时间的第 40 百分位作基底，高出基底至少 12 dB 的时频格标为语音，其余标为噪声。

把掩膜套到对齐后的设备录音上，在噪声标号帧内平均得到噪声功率，在语音标号帧内平均功率再减去噪声功率得到语音功率，两耳平均后相除即各频带信噪比，展示时做倍频程平滑。举例来说，左端是录得的混合语谱图，中间是二值掩膜的语音与噪声分布，接着分成估计的语音与噪声语谱图，最右端是随频率变化的信噪比曲线。该方法的代价是它假设掩膜标号足够准，且减法估计在混响和算法失真下仍合理，它不刻画深度学习增强可能引入的伪影。

读图说明：下面是论文图 1 的官方原图，从左到右展示混合语谱图、二值掩膜、分离出的语音与噪声语谱图以及最终的分频带信噪比曲线，横轴多为时间或频率，纵轴为频率或信噪比，可据此理解输入如何变成可比较的指标。

看图路径： 1. 先从左到右看录音混合、掩膜、分离语音与噪声、再到分频带信噪比的主路径；2. 注意中间掩膜图里深色语音格与浅色噪声格在时间和频率上的互补分布；3. 最后看右端信噪比曲线随频率的变化，理解它是分频带功率比而非单个数值

论文图 1。原论文 Figure 1:：“Estimation of speech and noise spectra from a recording.”。

图中可见混合语谱图能量连续，掩膜把其中稀疏的语音格挑出来，分离语音只保留这些格的能量而其余置黑，分离噪声则相反，最终信噪比曲线在中频形成峰顶而在极低和极高频回落。该图只讲分析方法，不证明任何硬件优劣，真正的硬件比较要看后文的分频带增量和宽带汇总。

主动降噪 × AI 语音增强算法： 本文的主动降噪专指用相消干涉衰减直接通路声音，它把其中的语音和噪声同等压低，所以本身不改变直接通路的信噪比；AI 语音增强算法指在放大通路内降低噪声、提高信噪比的处理；两者搭配时，前者负责让放大通路在鼓膜处占主导，后者负责提供更好的信噪比，组合后才在更宽频带上实现更高的鼓膜处信噪比。

本研究没有训练什么，实际计算和调用是什么

本研究没有训练任何语音增强网络，也没有拟合新的降噪参数，需要先说清楚以免误解。AI 语音增强算法是已有的专有算法，在录音时以开或关两种状态运行在助听器内，论文不报告其网络结构、训练数据、损失函数、优化器、冻结或更新规则，也不报告推理时延和算力开销，这些缺失项不能从模型名称猜测。

研究者实际做的计算全部在分析端：短时傅里叶变换、百分位基底、12 dB 阈值 2 值判决、功率平均与相减、开耳相减、开关算法相减、按 ANSI 频带重要性加权求和，以及在 42 段录音上求均值和均值标准误。所谓构造过程是指场景构造和条件配平，而不是模型训练：同一场景、同一说话人条件、同一验配目标下轮流录 6 组条件，保证比较公平。

无训练不等于系统输出确定，助听器内的自适应处理和录音摆位仍会带来波动，因此论文用多段平均和误差棒来报告不确定性，而不是单段数值。

二值时频掩膜 × 语音功率谱 × 噪声功率谱： 二值时频掩膜是分析工具，用干净语音参考判断每个时频格更像语音还是噪声；把该掩膜套到设备录音上，分别在语音格和噪声格内平均功率，就得到估计的语音功率谱和噪声功率谱；两者相除即各频带的信噪比，它与助听器内部跑的算法无关，只用于事后评价。

录音条件、验配目标与评价规则如何保证可比

实验条件的细节决定了数字能怎么读。人体模型是 KEMAR，放在扬声器环中心，评价的是人体模型耳模拟器处的声学信噪比，不是真人耳鼓膜也不是行为可懂度。验配按 Bisgaard N3 标准听力图、用有经验用户的 NAL-NL2 目标，实测的插入增益从低频近 0 dB 上升到 7 kHz 附近约 15 到 19 dB 的峰，证实 3 组硬件处方基本一致，低频只有开降噪因去掉部分直达声而出现负插入增益。场景只选高于 70 dB SPL 的 7 个，平均约 75 dB SPL、平均标称信噪比约 1.2 dB，这是模型预测好处最大的区间，不能推广到安静场景。

指标方向很明确：增加的信噪比和 SII 加权信噪比都是越大越好，正值表示比开耳好；算法增量的下限定义为均值曲线维持在 1 dB 或更高的最低频率，该频率越低表示好处延伸得越宽。汇总时每段录音先算宽带值，再在 42 段上平均并报告均值标准误。直接通路用闭塞插入增益单独测量，与混合声增益分开画，便于把声学隔离与算法增量对照起来看。

增益和直接通路实测：三组硬件的隔离程度差在哪里

先看与算法开关无关的声学底座。3 组硬件的混合插入增益形状相近，说明处方目标确实拉齐了，差别主要在直接通路。标准机的闭塞插入增益在约 2 kHz 以下徘徊在 0 dB 附近，意味着郁金香耳塞几乎不挡低中频直达声。可降噪机关降噪时，500 Hz 以上开始低于 0 dB，在 3.5 kHz 附近达到约负 27 dB，说明封闭耦合本身已提供明显隔离。开降噪后，最低频进一步被压住，在 100 Hz 约负 10 dB，从 200 Hz 到 1 kHz 约负 20 到负 28 dB。

三者形成逐级更强、更宽的隔离。这为后文埋下伏笔：标准机的算法改善只能在直接声本来就弱的高频显现，封闭耦合把边界往低频推，主动降噪再把边界推到更低。如果只看插入增益会误以为三者差不多，必须同时看闭塞插入增益才能理解后文信噪比曲线的分叉。代价方面，封闭和降噪并没有改变处方增益的大形状，但在低频出现了负增益，即去掉了部分本会进入耳道的直达声，这正是隔离的直接证据。

真实耳闭塞插入增益 × 真实耳插入增益： 真实耳闭塞插入增益是把放大通路静音后测得的插入增益，用来估计直接通路的透声程度，负值越大表示耳塞加主动降噪把外界直达声挡得越多；真实耳插入增益是正常佩戴时的混合声相对开耳的增益，反映处方增益加直接声的综合效果；前者解释后文改善能延伸到多低的频率，后者确认三组硬件的处方增益基本一致。

相对开耳的增加信噪比：开算法后哪段频率被抬起

把助听条件减去匹配的开耳，就得到相对开耳的增加信噪比。即使关算法，3 组在 1 kHz 以上已有正增量，峰值标准机约 1.8 dB、两组可降噪机约 3.5 dB，反映波束形成等传统处理。开算法后标准机主要在 1 kHz 以上抬高、在 4 到 5 kHz 峰值约 5.5 dB，关降噪延伸到约 500 Hz、在 1.5 kHz 峰值约 7.5 dB，开降噪则在几乎全频段为正且峰值相近。可以把直接通路想象成例子里的漏光窗帘，算法是室内更亮的灯，只有先拉上更遮光的窗帘，室内灯的亮度优势才在全屋显现。

这里窗帘对应耳塞封闭程度加主动降噪，灯对应放大通路的信噪比，例子只帮助理解权重关系，不提供新的数值证明。分频带曲线的教学价值在于区分峰值和宽度：3 组开算法后的峰值都很高，但低频是否高于零差别很大，而宽带汇总值对低频很敏感，因此宽度决定了最终差距。

增加的信噪比 × AI 语音增强带来的改善 × SII 加权信噪比： 增加的信噪比指助听佩戴条件减去匹配的开耳条件的分频带信噪比，正值表示相对开耳有改善；AI 语音增强带来的改善指同一硬件下开算法减去关算法的差值，用于隔离算法本身的贡献；SII 加权信噪比是把分频带信噪比按对语音重要性加权求和后的宽带汇总值，更重视对可懂度重要的频段。

算法改善能延伸到多低的频率，为什么峰值相近而宽度不同

把同一硬件开算法减去关算法，就得到只属于 AI 语音增强的增量。3 条曲线在 4 到 6 kHz 都达到约 4 dB 的相近峰值，说明算法在放大通路内产生的改善本身差不多，差别不在算法。差别在该改善有多少能到达鼓膜。下表比较的问题是相同算法改善在不同直接通路隔离下能在鼓膜处维持到多低的频率，公平条件是同一验配目标与同一 42 段录音平均，指标方向是下限越低且重要性覆盖越高越好。

上表结果的主要收益是开降噪把 1 dB 边界从 1500 Hz 推到 130 Hz，覆盖从约一半提高到全部语音重要性，代价是这需要封闭耦合加主动降噪共同提供隔离，限制是它只说明改善宽度，不说明失真和行为可懂度，峰值约 4 dB 相近也提醒不要把宽度误读成峰值更高。

读图说明：下面是论文图 4 的官方原图，上为 3 组硬件的算法增量曲线与 1 dB 参考线及边界圆点，下为对应的直接通路隔离曲线，横轴同为对数频率，便于对照转折位置。

看图路径： 1. 先看上方面板三条改善曲线在高频的重合峰，再看它们向低频分开的位置；2. 找到每条曲线上标记的 1 dB 下限点，比较从左到右的频率顺序；3. 再对照下面板直接通路衰减曲线，看衰减越强的位置对应改善延伸得越低

论文图 4。原论文 Figure 4:：“AI-SE benefit and direct-path attenuation.”。

图中可见开降噪曲线最早在低频抬到 1 dB 以上并保持，关降噪居中，标准机直到 1.5 kHz 附近才稳定超过 1 dB，而下方隔离曲线越往下表示挡得越多，三者的排序与上方边界完全对应。这支持封顶解释，但仍是声学相关证据，不等于可懂度必然同等提高。

如果只换耦合不开降噪，或者只开降噪不开增强会怎样

论文的对照设计允许做两次剥离。第一次剥离声耦合与降噪：标准机开算法为 1.6 dB，关降噪机开算法为 3.3 dB，两者差 1.7 dB，这部分来自换能器加封闭耦合，即使降噪关闭也存在；关降噪机开算法 3.3 dB 到开降噪机开算法 5.1 dB 再差 1.8 dB，这部分才真正来自打开降噪。第二次剥离算法强度：关算法时打开降噪只带来 0.2 dB 变化，而开算法时打开降噪带来 1.8 dB，说明降噪的价值随放大通路信噪比改善的增大而增大。

传统处理本身已带来关算法下的正增量，但幅度有限，留给降噪去解锁的空间较小，AI 增强把空间撑大后直接通路才成为限制因素。这与模型预测一致，即只有当器件能改善约 4 dB 以上时，好处才显著。未胜出项也要写明：在低频直接声本来就强的标准机上，算法增量在 1.5 kHz 以下基本为零，不是算法没工作，而是工作成果到不了鼓膜；若在没有强增强的助听器上评价降噪，会低估其潜力。反过来也不能把 5.1 dB 理解成任何场景都有，原文限定为吵闹场景的人体模型声学值。

这些分贝数在什么条件下才成立，有哪些尚未验证

第一个限制是评价物不同。SII 加权信噪比是按频带重要性加权的声学信噪比，不是言语可懂度，掩膜估计不刻画深度学习增强的失真，是否带来相应的真人识别率提升只能靠行为实验回答。第二个限制是处方单一，只用 N3 中度倾斜损失的有经验用户目标，模型曾显示好处随处方增益增大而减小，因此更重损失可能好处更小、更轻损失可能更大，但本文没有实测。

第 3 个限制是单个人体模型和固定佩戴，直接通路衰减会随耳道几何和佩戴松紧变化，真耳差异未被覆盖。第四，场景限定为高于 70 dB SPL 的 7 个吵闹场景，安静或中等声级下直接通路占比和算法行为都不同，不能外推。此外，算法为专有实现，细节、延迟、功耗和双耳协同方式均未报告，复现时只能用同等强度量级的增强作替代，并明确标注不是原文算法。

把相关当因果也要谨慎：边界与隔离曲线对齐支持机制解释，但严格因果仍依赖关与开降噪的同机对照，而标准与关降噪之间还混有换能器差别。

要复现这套评价，第一步做什么，需要哪些关键参数

复现的第一步不是训练网络，而是搭出可比录音与分析链。硬件上需要 KEMAR 或等效人体模型、八扬声器环或等效多声道回放、安静房间，以及能按 NAL-NL2 配到 N3 目标并能开关增强的 3 组条件，若无原文专有算法，可用公开增强作替代但必须声明替代关系。场景上应使用 ARTE 中同样的 7 个吵闹场景并保持标称声级与说话人条件，每条件 42 段，保留匹配的开耳录音和干净语音参考，采样率 44.1 kHz。

分析端关键参数要保留：2048 点 Hann 窗、512 点跳、按干净参考每频点第 40 百分位作基底、高出 12 dB 判语音、噪声功率平均、语音功率减噪声、双耳平均、倍频程平滑、助听减开耳、开算法减关算法、1 dB 边界规则，以及 ANSI S3.5-1997 平均语音三分之一倍频程重要性函数插值到傅里叶格点并归一化求和。直接通路需单独在放大通路静音下测闭塞插入增益。代码、模型与数据可用性方面，本文未发现经校验的公开资源，不得声称已开源。

第三方数据库如 ARTE 与 HearAdvisor 流程是论文提到的方法来源，不等于作者已公开本研究代码。报告时应同时给出分频带曲线和宽带均值加标准误，并说明聚合对象是录音段而不是受试者。

什么时候值得尝试，还需要补哪项验证

宽带汇总的比较问题是相对开耳到底多出多少分贝，公平条件是同一场景集、同一处方和同一加权求和方式，指标方向是分贝越高越好。实验共 3 种硬件乘以 AI 语音增强关与开共 6 组条件，下表仅展示其中可降噪硬件开降噪这一种硬件下的关与开两种算法状态子集及其差值，其余硬件的宽带比较见正文段落与论文图 5，不在此表内重复造行。

上表主要收益是开降噪硬件下开算法达到 5.1 dB，关算法仅 1.6 dB，算法增量为 3.5 dB；结合正文，标准机开算法为 1.6 dB，关降噪机开算法为 3.3 dB，因此从标准到开降噪的 3.5 dB 总差距中约 1.7 dB 来自封闭耦合，另约 1.8 dB 来自打开降噪。具体代价或反例是关算法时打开降噪仅从 1.4 dB 变为 1.6 dB，增加仅 0.2 dB，说明单独降噪几乎不改善信噪比，限制是该汇总不包含伪影、延迟与功耗成本，也未测真人识别率。

读图说明：下面是论文图 5 的官方原图，横轴为 3 组硬件，纵轴为相对开耳的 SII 加权信噪比，斜线柱为关算法、实心柱为开算法，误差棒为 42 段录音的均值标准误，柱顶数字可直接读出宽带值。

看图路径： 1. 先比较同一硬件下斜线柱与实心柱的高度差，即开 AI 语音增强的增量；2. 再横向比较三组硬件实心柱的高度，确认从标准到关降噪再到开降噪单调上升；3. 注意右组斜线柱与中间组斜线柱几乎同高，理解单独开降噪增加很小

论文图 5。原论文 Figure 5:：“Broadband summary outcomes. Mean added SII-weighted SNR relative to the matched open-ear recording for each hardware \times AI-SE condition.”。

图中可见实心柱从左到右单调升高，斜线柱高度接近，而每组内实心柱高出斜线柱的幅度从左到右增大，分别为 1.4、1.9 和 3.5 dB，直观呈现使能关系：降噪本身不高，但让算法增量变大。什么时候值得尝试的答案与机制绑定：当放大通路已经能稳定提供数分贝的信噪比改善、且用户常处吵闹环境、验配增益在低频较小而直接声泄漏明显时，压住直接通路最可能带来宽带增益；若增强本身很弱，或主要在安静环境使用，单独加降噪的声学收益可能只有零点几分贝。

复现第一步是先在人体模型上把 3 组条件的插入增益、闭塞插入增益和分频带增量曲线跑通，确认边界随隔离移动，再谈宽带值。还需要补的验证很明确：真人佩戴下的直接通路变异、不同听力损失程度的处方扫描，以及最关键的行为言语识别实验，以确认声学分贝能否转化为可懂度提升，同时补充失真主观评价、延迟与功耗测量。

⚖️ 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 2026-10-15 语音/音乐/音频论文速递