📄 TAPE：只听处理后的声音，把效果处理搬到另一段录音上
评分：7.0/10 | 创新 1.4/2 | 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 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5
👥 作者与机构
- Phillip Long：机构信息未能在本次解析中与作者逐人可靠绑定
- Yongyi Zang：机构信息未能在本次解析中与作者逐人可靠绑定
- Qihui Yang：机构信息未能在本次解析中与作者逐人可靠绑定
- Christodoulos Benetatos：机构信息未能在本次解析中与作者逐人可靠绑定
- Junfei Liu：机构信息未能在本次解析中与作者逐人可靠绑定
- Randal Leistikow：机构信息未能在本次解析中与作者逐人可靠绑定
- Julian McAuley：机构信息未能在本次解析中与作者逐人可靠绑定
- Perry R. Cook：机构信息未能在本次解析中与作者逐人可靠绑定
📌 核心摘要
混音师听到已处理参考录音 wetA 后能把处理搬到新素材，本文要让模型只看 wetA 完成这件事，输出作用到另一段干声 dryB 上的处理，并给出人可读可改的均衡、压缩等参数。难点是专业处理器种类多、内部不公开，只能从声音观察处理痕迹，还要把音源内容与处理分开，并以小延迟运行。TAPE 用编码器把 wetA 映射为 256 维嵌入 z，再用五模块可微 DSP 链把 z 译为各模块参数并处理 dryB，训练时同一插件配置渲染 A 与 B 两条音轨，以跨内容重建检验 z 是否抓住处理。在 60 对跨内容测试上，单次前向的 TAPE 达到多分辨率 STFT L1 均值 1.120，低于已发布 DeepAFx-ST 音乐模型在 24 kHz 峰值归一化下的 2.097，也低于在 ST-ITO 公开基础链上每例 4,097 次渲染搜索的 2.906，而单片段耗时约 0.52 s，约为该搜索 143 s 的 1/275。听感上最小二乘对抗微调版本在两个不相交集合上每位听众均分都高于只做重建的版本。适用范围限于 68 个单声道处理器近似，九个调制类与磁带抖晃只被部分近似，无调制振荡器级，未验证未见插件与立体声。训练、推理与部署成本原文披露了搜索渲染次数与流式回调耗时，未给出完整训练机时。
🔗 开源与复现资源
- 第三方资源：https://pnlong.github.io/audio-effect-transfer/ — 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
混音师听到的处理，为什么难搬到新素材上
混音中常有这样的需求：听到一段人声的压缩质感或一段鼓的空间感，想把同样的处理搬到自己手头另一段干声上。输入是两段录音，一段是已经带效果的处理后参考，另一段是等待被处理的未处理干声，目标是让后者听起来经过了与前者相同的效果链，同时保留自身的音符与音色内容。
困难在于观察到的只是渲染后的波形，看不到插件内部结构与旋钮位置。专业插件种类多、内部往往不公开，同一种听感可能由均衡、压缩、饱和、混响等多种组合实现。神经网络若直接生成波形，虽然能模仿声音，却不给出混音师能拧动的旋钮，也难以保证换一段素材后处理仍然成立。
因此本文把问题限定为估计处理并用可编辑链重做处理。必须保留的信息是参考中的处理特征，必须丢掉的是参考中乐器与语句等素材特征。输出不是一段固定波形，而是一组能作用于任意新干声的 DSP 参数，这决定了后文编码器与解码器的分工。
已有路线为何分成一次预测与逐例搜索
一类工作是单设备仿真，用循环或卷积网络模仿某一台箱头或压缩器，有时接近到听众难以分辨。它们解决的是把已知设备做准，不解决从任意参考中识别未知处理。另一类是效果分类与参数估计，能说出录音用了哪类效果或把均衡曲线调平，但通常只覆盖一两种效果。
与本文最接近的是风格迁移路线。DeepAFx-ST 用共享编码器一次预测均衡器加压缩器的参数，DeepAFx-ST+ 增加了混响与失真，优点是单次前向就有可读参数，缺点是覆盖的效果家族有限。ST-ITO 则走另一端：用 AFx-Rep 这类效果嵌入作为目标，对每个参考用无梯度优化器搜索插件链，直到输出在嵌入空间接近参考，最多渲染上千候选，优点是能带动多种甚至不可微插件，代价是每个例子都要重新搜索。
TAPE 的选择是保留单次前向的可读性，同时扩大覆盖面。它不去控制用户已有的插件，而是自带一条五模块可微链，用嵌入直接映射到该链的参数。这样比较时要对齐条件：与已发布 DeepAFx-ST 模型比，是在本文 60 对上测试其跨分布表现；与 ST-ITO 式搜索比，本文实验用的是 ST-ITO 公开发布中自带的基础链而非原文 VST 链，因此不能直接宣称超过 ST-ITO 本身。这里所说的公开仅指第三方公开发布的 ST-ITO 基础链与项目演示页，不代表本文作者资源已公开或当前可用。
任务的输入输出与跨内容配对如何构造
形式上，未处理录音 dry 经插件配置 θ 渲染为处理后录音，论文记为如下渲染关系。
\[\mathrm{wet}=F_{\theta}(\mathrm{dry}),\]其中 F_θ 是未知插件，θ 包含插件身份与具体预设，观察者只能看到成对的干湿录音与插件标签。
处理后信号 × 未处理信号： 处理后信号指已经过插件渲染的 wet 录音，它同时混入了原素材音色与效果处理；未处理信号指未经本研究插件渲染的 dry 录音，是要施加新处理的对象。TAPE 的任务就是只看前者推断处理，再把它施加到后者，因此必须区分素材差异与处理差异。
训练与评测的关键构造是跨内容配对：用同一 θ 渲染内容不同的 A 与 B，从 wet_A 提取嵌入，再去处理 dry_B 并与保留的 wet_B 比较。A 的素材信息对重建 B 没有帮助，理想的嵌入应只保留处理。但论文明确指出，没有损失显式去除 A 的素材信息，能否去素材靠的是这种配对结构迫使模型关注共享的处理。所有音频为 48 千赫兹单声道，响度归一到负 14 LUFS 后取 5 秒窗，这是后文所有误差数字的前提。
TAPE 的整体流程如何从参考得到新录音的处理
TAPE 分为编码器 f 与解码器 g。编码器把处理后参考映射为嵌入 z，解码器以 z 为条件处理另一段干声。评测时的跨内容公式可写为从 A 提取 z 再处理 B。
\[\widehat{\mathrm{wet}}_{B}=g(\mathrm{dry}_{B};\,z),\qquad z=f(\mathrm{wet}_{A}),\]解码器被约束为 5 个 DSP 模块的串联，每个模块的参数都来自 z 的小网络映射，整体可写为链式组合。
\[g(x;z)=\mathcal{M}_{K}(\,\cdots\,\mathcal{M}_{2}(\mathcal{M}_{1}(x;\,p_{1}(z));\,p_{2}(z))\,\cdots\,;\,p_{K}(z)),\]其中 K 等于 5，依次是均衡、压缩、波形塑形、残差染色与混响，p_m(z) 是第 m 个模块的执行器参数。
嵌入 × 可执行参数： 嵌入是编码器从处理后参考中提取的 256 维向量，描述听到的处理是什么；可执行参数是解码器各模块真正使用的增益、阈值、混响时间等物理量。嵌入本身不能发声，只有经过小网络映射为可执行参数并驱动 DSP 链，才能渲染出声音并允许人工修改。
下图展示了这条主路径与训练虚线分支，建议先看输入输出箭头再看门控分支。
看图路径： 1. 先沿上方参考路径看编码器如何从 wet_A 得到嵌入 z；2. 再沿下方主链看五个模块依次处理 dry_B 的位置与门控；3. 注意虚线训练分支中同一配置同时渲染 A 与 B 的配对关系
论文图 1。原论文 Figure 1:：“Overview of TAPE. The encoder f maps a processed reference wet_A to an embedding z, and small heads map z to the controls and gates of a five-module DSP chain that processes a…”。
从像素可见，上方参考 wet_A 经编码器得到纵向条带表示的嵌入 z，再由橙色箭头分发到下方 5 个方框；下方输入 dry_B 依次经过均衡器、压缩器、波形塑形器、残差与混响得到输出。虚线表示训练时同一插件配置同时渲染 A 与 B，输出与目标 wet_B 算损失。这种结构把识别处理与执行处理分开，编码器负责认出是哪类处理，链负责把它做出来。
五个 DSP 模块各自解决什么可微分难题
编码器前端是对数梅尔谱加 Conformer 加可学习查询池化，输出 256 维嵌入。解码器每个模块先把嵌入映射到归一化执行器再映射到物理范围，并配有模块门控 γ_m，用连续 sigmoid 在旁路与处理之间混合，门控为零即跳过该级。
均衡器是 5 个峰值滤波器，增益正负 12 分贝，Q 在 0.1 到 10，频率 20 赫兹到 20 千赫兹。离线实现把 IIR 级联放在傅里叶网格上一次相乘，避免反向传播经过长递归，代价是等价于循环卷积带来的时间混叠近似。压缩器把硬拐点换成 softplus，使阈值在未启动时仍有梯度，电平检测是因果 10 毫秒均方根，启动与释放用前缀对数和实现可微递归。
该 softplus 增益计算可写为阈值 T 与比率 r 的平滑形式。
\[G_{c}[n]=-\big(1-\tfrac{1}{r}\big)\log\!\big(1+e^{L[n]-T}\big),\]波形塑形器把选曲线这一离散决策松弛为 5 条曲线加权混合，权重经 softmax 得到，单条权重上限约 0.41，另有驱动、偏置、音调与补偿增益。
\[y=\sum_{k=1}^{5}w_{k}\,s_{k}(a\,x+c),\qquad w=\mathrm{softmax}(\ell),\quad\ell\in[0,1]^{5},\]其中 a 是驱动，c 是不对称偏置，s_k 是 5 条曲线。残差染色是因果时域卷积网络加 FiLM 条件，感受野 181 采样约 3.8 毫秒，用于补参数模块写不出的染色。混响用衰减噪声闭式合成 3 秒脉冲响应，按六频段 RT60 衰减再经 FFT 卷积，并用小网络精修频谱。
均衡器 × 压缩器： 均衡器改变不同频率的增益分布，解决音色明暗与共振问题；压缩器根据电平包络减小动态范围，解决响度起伏与冲击感问题。两者在 TAPE 链中串联，前者的提升可能被后者压回，因此训练时需要联合优化才能协调增益分配。
波形塑形器 × 残差染色： 波形塑形器用五条并行非线性曲线混合实现饱和与失真，负责可参数化的谐波染色；残差染色是用 FiLM 条件化的因果时域卷积网络，负责参数模块写不出的剩余细微染色。前者可读可调，后者是黑盒补偿，两者分工后由门控决定各自贡献。
下图展示了解码器从 3 个保留嵌入预测出的可读控制，可见门控与混响时间如何随参考变化。
看图路径： 1. 对比三条 EQ 曲线在低频与高频的走向差异；2. 对比三组模块门控中最高柱分别落在哪个模块；3. 观察混响 RT60 曲线中只有哪条明显抬离 50 毫秒基线
论文图 3。原论文 Figure 3:：“Controls predicted from z for three held-out embeddings (EQ Plugin, Compressor, Reverb).”。
从像素可见，左图 EQ 曲线中蓝色高频提升最大，橙色压缩器曲线低频较低、中频上升后高频回落、中频相对两侧较高；中图门控中均衡插件在均衡柱最高，压缩插件在压缩柱最高，残差柱几乎为零，混响柱整体很低；右图只有绿色混响曲线的 RT60 明显抬到 0.07 到 0.12 秒，其余贴在约 50 毫秒基线。这说明门控读数与参考家族大体对应，但均衡与失真门控在三者中都部分打开，呈 graded 而非硬开关。
编码器与解码器分几阶段训练与冻结
编码器先在 68 个插件身份上用加性角间隔 softmax 训练，另加方差与协方差项防止维度坍缩。标签只有插件身份，不含预设与干声来源，意图是让编码器区分处理器，把更细的设置差异留给解码器从嵌入中读取。训练时编码器见过语音、音乐分轨与乐器录音，靠内容多样性迫使它关注处理。
解码器训练时编码器先冻结，在共享同一插件配置的跨内容对上拟合。论文比较了单独训练各头、先单独再联合、从零联合 3 种课程，谱误差最低的是从零联合。残差在参数级收敛后再接入，混响精修网络则单独预训练后在残差阶段冻结。最后做对抗微调，判别器看多周期波形、多分辨率幅度谱、子带与多尺度常数 Q 变换，并做特征匹配，比较了相对论损失与最小二乘损失两种变体。
下图是保留嵌入的 t-SNE 投影，用于检查编码器是否按家族组织。
看图路径： 1. 先看图例中七个效果家族的颜色与样本量；2. 再看同色点是否聚成邻域而非均匀散开；3. 注意左下混杂区与长条形橙色带的位置
论文图 2。原论文 Figure 2:：“t-SNE of held-out embeddings (n=3,295), colored by effect family. The single miscellaneous plugin is not plotted.”。
从像素可见，深蓝均衡、橙色动态、绿色预放等同色点各自成团，例如橙色动态在中下形成长带，紫色调制在左侧成团，但左下有一块多色混杂区。论文提醒 t-SNE 只保局部邻域，因此只能说同家族在嵌入空间彼此靠近，不能解读全局距离。8 层编码器在保留湿片段上插件准确率为 72.5%，6 层为 78.7%，配置级准确率接近零，说明粗标签确实没有教会预设区分。
数据、划分、指标与听测试验如何搭建
训练用约 2000000 个 5 秒干湿对，来自约 300 段源录音经 68 个插件随机配置渲染，涵盖动力学 19、均衡 14、调制 9、预放 9、混响 8、磁带 5、饱和失真 3 与多工具 1。源包括 MUSDB18、GuitarSet、Carnatic Varnam、巴赫小提琴、LibriSpeech 与测试信号。按音轨标识哈希分 80/10/10，但 MUSDB18 同一首歌的不同分轨可能落入不同划分，且插件配置在划分间共享，保留输出也不记录音轨标识，因此论文称评测对只是名义上的保留。
主指标是多分辨率短时傅里叶变换对数幅度平均绝对误差，FFT 尺寸 512、1024 与 2048，窗长 1/4 跳，另报时域 L1、SI-SDR、对数谱距离与 CLAP 距离。作者明确这些客观指标彼此不一致且与听感不一致，因此把听音作为主要判断。听音是 4 组 MUSHRA 式多刺激面板，每组 20 试次，无低通锚点，只作试次内相似度评分，刺激为 192 千比特每秒 MP3 并按峰值归一。研究 1 与 3 是跨内容对，研究 2 与 4 是同内容验证片段，人数分别为 8、6、7、9，面板部分重叠。
跨内容搬运的主结果与听感是否一致
60 对保留跨内容对上，R3GAN 变体的对抗阶段把平均 STFT L1 从 2.071 降到 1.120，时域 L1 从 0.200 降到 0.075，CLAP 距离从 0.464 降到 0.220，SI-SDR 从负 29.38 分贝升到负 16.80 分贝。听音研究 1 中微调后均分 72.5，未处理 47.6，仅重建 41.3；研究 3 在新对上重复得到 72.4 对 38.4，每个听众的均分都支持微调版本。值得注意的是仅重建版本的谱误差已低于未处理输入，但听感反而更低，说明谱误差与听感在此并不单调。
效果嵌入距离 × 配对重建误差： 效果嵌入距离衡量输出与参考在 AFx-Rep 等嵌入空间中有多接近，是搜索优化的直接目标；配对重建误差衡量输出与同一配置下另一素材的目标在频谱上差多少，是本文用保留目标评分的真实迁移质量。两者不一致时，嵌入更近不代表搬运更准，这是理解搜索失效的关键。
单次前向 × 逐例搜索： 单次前向指编码加解码只跑一次就给出全部 DSP 参数；逐例搜索指对每个新参考用优化器渲染上千候选再选最接近嵌入的一个。前者把代价放在离线训练，后者把代价放在每次推理，本文比较的正是两种分摊计算方式在质量与耗时上的取舍。
下图展示了重建误差随计算耗时变化，可见单次前向星形与各搜索曲线的位置关系。
看图路径： 1. 先找到星形标记的 TAPE 单次前向位置；2. 再看随预算增长的各搜索曲线是否向下靠近星形；3. 对比实线与虚线在使用不同嵌入目标时的高低关系
论文图 4。原论文 Figure 4:：“Reconstruction error against wall-clock cost (60 pairs).”。
从像素可见，纵轴是到目标的 STFT L1 越低越好，横轴是对数时间；星形 TAPE 单次前向位于左下约 1.1 处，虚线未处理输入约 2.3，绿色 Latent CMA-ES 与黄色 Latent TTA 同样处于星形附近的低误差层，随预算增长基本贴近星形高度，但未带来显著配对重建改善，而读取真实 wet_B 的 oracle 可进一步降低误差。这直观对应后文搜索降低嵌入距离却未降低配对误差、只有有目标信息的 oracle 降低 15% 并改善 55 对的结论。
以下结果表按家族拆分跨内容重建，比较问题是不同家族的搬运难度是否相同，指标越低越好，NN 为对数。
| Family | STFT L1 | NN |
|---|---|---|
| Dynamics | 0.927 | 11 |
| Modulation | 1.010 | 6 |
| Chain | 1.176 | 27 |
| Equalization | 1.299 | 9 |
| Global | 1.120 | 60 |
表中可见动力学 11 对平均 0.927 最低，均衡 9 对 1.299 最高，27 对串联链 1.176 接近全局 1.120。CLAP 距离排序不同，调制与链在 CLAP 空间更远，说明不同指标对混响与细微染色的敏感度不同。由于每家族样本很少且有 1 对类别未定，家族间排序只能作描述，不能推广为一般难度顺序。
与逐例搜索和已发布模型的对比条件是否公平
搜索对比用 ST-ITO 公开代码中的基础链，含均衡、压缩、失真、延迟与混响，与 TAPE 链不同，后者有残差而无延迟。优化器为 CMA-ES，每例 4097 次渲染，另有 128 次的精简设置。DeepAFx-ST 用官方发布的语音与音乐模型，官方流程在 24 千赫兹峰值归一，本文另在 48 千赫兹渲染作消融，并在 24 千赫兹统一带宽下比较。所有方法只见 wet_A 与 dry_B，wet_B 仅用于评分。
完整设置下 AFx-Rep 搜索平均 STFT L1 为 2.91，高于 TAPE 的 1.12 与未处理的 2.34，与 TAPE 差约正 1.79，60 对中仅 2 对优于 TAPE，耗时中位约 143 秒对 0.52 秒，约 275 倍。以本文编码器为目标的搜索为 2.50，峰值归一后 TAPE 仍更低。从 TAPE 输出出发再搜索反而远离目标。DeepAFx-ST 在 48 千赫兹因缺失 12 千赫兹以上内容误差超过 5，在统一 24 千赫兹峰值归一后音乐模型为 2.10 左右，仍高于 TAPE 的 1.31 与未处理的 1.72。
关键机制是搜索确实降低了它优化的嵌入距离，从精简到完整设置 AFx 距离从 0.39 降到 0.26，但在 60 对中有 56 对离参考更近的同时离目标更远。跨 9 种搜索输出的秩相关中，AFx 距离与配对误差中位相关为负 0.17，而本文编码器距离为 0.65。作者因此认为最小化效果嵌入距离在此并未可靠改善配对重建，且链失配使搜索方法与渲染器无法分离。
课程、残差结构与混响精修各自带来什么
以下消融表比较解码器参数头的 3 种训练课程，回答联合优化是否必要，指标越低越好，均为同内容验证片段而非跨内容对。
| Condition | STFT L1 | CLAP Dist. |
|---|---|---|
| Separate | 2.314 | 0.333 |
| Joint finetune | 1.224 | 0.308 |
| Joint scratch | 1.052 | 0.208 |
表中从零联合的谱误差 1.052 最低，CLAP 距离 0.208 也最低，但听音研究 2 中它与未处理得分几乎相同，分别为 48.8 与 49.7，而 2 阶段微调的 66.4 最高。这构成客观与主观的背离，作者把听感作为主要依据，但该结论依赖 6 名听众的同内容片段，不能直接搬到跨内容场景。
残差结构比较在 23 个候选中，因果时域卷积网络以 SI-SDR 负 19.29 分贝居首，分组 SRU 与 S4D 混合在 0.1 分贝内，论文明确这不足以给模块家族排序，只能支持选一个小的因果网络。混响精修把脉冲时域 L1 减半但恶化谱 L1，听音研究 4 未发现显著差异，未处理 60.5、参数先验 57.8、精修 56.0。解码器内搜索也无帮助，隐空间 CMA-ES 与梯度微调基本不改变误差，只有预知目标的 oracle 降低 15% 并在 55 对上改善，说明剩余误差部分在嵌入选择而非链容量。
编码器深度与标签粒度如何影响识别
以下编码器消融回答标签与深度选择问题，指标为插件准确率越高越好与配置准确率，另有验证损失。
| Depth | Objective | Plugin acc. (%) | Val. loss |
|---|---|---|---|
| 6 | Plugin AM-Softmax | 78.7 | 0.875 |
| 8 | Plugin AM-Softmax | 72.5 | 1.115 |
| 6 | Config AM-Softmax | 63.9 | 3.908 |
表中插件级角间隔下 6 层 78.7% 高于 8 层 72.5%，配置级监督虽把预设准确率提到 39.0% 与 25.6%，但验证损失大增。更深 10 层与 12 层反而下降到 46.6% 与 54.8%。解码实验统一用 8 层而非最准的 6 层，这是作者的固定选择，解读时不应把插件识别率直接等同于迁移质量，因为论文明确重建结果不能说明解码器从嵌入获得了多少预设信息。
哪些结论超出证据就不成立
首先是保留性。划分按音轨哈希但配置共享，MUSDB18 同曲分轨可跨划分，输出又不记录音轨标识，因此 60 对只是名义保留，不能当作严格未见配置的泛化证明。其次是听音规模，每面板 6 到 9 人且部分重叠，无低锚点，以听众为单位不重采样刺激，绝对音质主张需要更大面板与条目建模。
其次是指标与变体混用。客观与听感结果来自对抗微调的不同损失变体，课程与混响研究用同内容验证，跨内容主结果用另一变体，跨表绝对值不可比。搜索对比的基础链、归一化与带宽都与 TAPE 不同，峰值归一会改变压缩与失真行为，因此只能说在此实现下搜索未胜出，不能推广为搜索路线无效。最后是范围，链无低频振荡器驱动的调制级，残差感受野仅 3.8 毫秒，9 个调制插件与磁带抖摆只是近似，未见插件与立体声都不在验证内。
复现第一步做什么与流式版本代价几何
复现应先固定数据管线：48 千赫兹单声道、负 14 LUFS 响度归一、5 秒窗且从渲染 1 秒后开始取，并实现效果分数过滤，因为低于阈值的弱变换对会被重抽，直接影响训练分布。再按附录实现编码器前端 2048 点 FFT、960 跳、80 梅尔带，前向与 Conformer 宽度 256，插件级标签训练后冻结，再训练五模块链。注意训练损失用线性与对数幅度三项加权，评测只保留对数幅度项，两者不要混用。
以下流式测量表回答因果链在单核上的实际开销，比较问题是不同宿主缓冲下能否按时交付，预算单位毫秒，RTF 为时长除以耗时。
| Buffer | Budget (ms) | RTF | Missed |
|---|---|---|---|
| 64 | 1.33 | 1.50 | 21 of 225,000 |
| 128 | 2.67 | 1.76 | 0 of 112,500 |
| 256 | 5.33 | 1.92 | 0 of 56,280 |
表中 128 采样缓冲预算 2.67 毫秒，平均回调 1.56 毫秒，RTF 1.76，112500 次回调零超时；64 采样平均仍 1.50 倍实时，但 225000 次中有 21 次超时。条件是一次性编码与控头约 1.43 秒不计入回调，程序在回调内仍分配内存且计时未隔离负载，作者明确这不是硬实时保证。流式与离线输出的信号误差比平均 22.7 分贝，谱误差接近但波形仍有差异，且未做听感比较，移植时需补盲听。
什么时候值得尝试与还需要补什么验证
当手头只有一个带效果的参考而没有该插件，且希望得到一组可拧动的均衡、压缩、饱和与混响参数去处理新干声时，TAPE 的单次前向值得尝试。它在本文 60 对上的谱误差低于未处理输入与两种对照，且 C++ 因果链在 128 采样缓冲下平均快于实时，适合需要低延迟试听的场景。
复现第一步是重建跨内容配对评测：同一配置渲染两段不同素材，只用 wet_A 与 dry_B 推理，用保留 wet_B 评分，并同时报告谱误差与听感，因为两者在本研究中多次背离。还需要补的验证包括严格未见配置与未见插件划分、同一插件不同预设的区分度、直接测量素材泄露的嵌入分析，以及无约束黑盒解码器在同一冻结嵌入上的对照，以回答可读链到底付出多少保真代价。
作者资源方面，论文给出项目页面链接，经核验为第三方可用页面，但这只证明提及该链接，不证明作者已开源代码与权重。代码开源、权重可下载、系统可运行应分开确认，本文的流式结论也只在给定 CPU 与离线模拟回调下成立，换设备需重测。
📎 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