英文题目：Inference-time Scaling for Diffusion-based Audio Super-resolution
会议身份：
conference:aaai:2026:conference-paper-id:38520
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#扩散模型 #环境声 #音乐 #语音 #音频超分辨
评分：6.7/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Yizhu Jin：机构信息未能从会议 PDF 纯文本可靠映射
- Zhen Ye：机构信息未能从会议 PDF 纯文本可靠映射
- Zeyue Tian：机构信息未能从会议 PDF 纯文本可靠映射
- Haohe Liu：机构信息未能从会议 PDF 纯文本可靠映射
- Qiuqiang Kong：机构信息未能从会议 PDF 纯文本可靠映射
- Yike Guo：机构信息未能从会议 PDF 纯文本可靠映射
- Wei Xue：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
音频超分辨需从低分辨波形恢复缺失高频，其一对多映射使确定性回归趋于均值而扩散采样又因随机性带来高方差与语义漂移。该文冻结预训练AudioSR，先由不同初始噪声并行生成多个高分辨候选，再用任务相关验证器打分并由搜索算法选优，形成生成加验证加选择的推理时扩展链。随机搜索负责大范围探索全局最优，零阶搜索围绕枢轴噪声做局部迭代精化，集成验证器则以排序平均抑制单一裁判的过拟合。与仅增加去噪步数的传统做法不同，该机制不改训练而是以外挂式优选纠正音色与可懂度损失。在VCTK语音从4 kHz到24 kHz的评测设置下，Ensemble Verifier加Random Search的WER指标为0.106，低于Vanilla AudioSR的WER指标为0.263。该结论适用边界受限于AudioSR基座与语音音乐音效三类受控语料，低截止频率下搜索空间更大而8 kHz输入下增益收窄，且单一验证器在大搜索量下会出现验证器劫持。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 演示资源：https://racerk.github.io/tt-scale-audiosr → https://racerk.github.io/tt-scale-audiosr/ — 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，目标是什么，为什么一次生成不够？
输入是一段低分辨率音频，例如只保留 4 kHz 或 8 kHz 以下成分的语音、音乐或音效，目标是恢复到 24 kHz 带宽的高分辨率波形，补出缺失的高频细节。必须保留的信息包括低频内容不能被改写、说话人音色与文字内容应保持一致、音乐与音效的语义应与文字描述相符。本文输出是 1 篇可复述的方法解读，不评价论文档次，只讲它如何用更多的推理计算来挑更好的生成。
论文把音频超分定为病态的 1 对多映射：同一个低分辨率输入可以对应多个合理的高分辨率输出。确定性模型倾向于输出所有可能的平均，听感平淡；扩散模型每次从不同噪声出发会得到不同输出，有多样性但方差大。作者观察到，听起来相似的低分辨率语音可能来自不同音色或音素，下采样后难以区分，朴素超分容易恢复出可懂度下降或音色漂移的结果，词错误率上升、说话人相似度下降就是证据。音乐与音效同样存在低频不足以决定语义的问题。因此问题不是把声音丢给模型就结束，而是如何在不重新训练的情况下，从随机展开的解空间里找回丢失的属性。
音频超分 × 扩散模型： 音频超分负责从低分辨率输入补出缺失的高频成分，解决带宽扩展问题；扩散模型负责通过从噪声出发的迭代去噪来建模高维音频分布，提供多样的高分辨率候选。二者搭配的原因是超分是 1 对多病态映射，确定性回归会平均化多种可能，而扩散的随机采样恰好能展开这个解空间，组合意义在于把超分从求单一平均解变为在生成分布中搜索更符合感知目标的解。
沿一个语音样本走一遍便于建立依赖：输入为 4 kHz 低分辨率波形，先经 AudioSR 预测高分辨率梅尔谱再经声码器合成波形，默认 1 次采样得到一路输出；若换一个初始噪声，会得到另一路高频细节不同的输出；任务要求在这多路中选出词错误率更低且音色更接近目标说话人的一路。后文先讲已有路线，再讲本文的全景、验证器与搜索算法、推理配置、实验条件与反证，最后讲复现要点。
已有路线做了什么，本文在哪个运行阶段加力？
已有音频超分路线包括早期用扩散做上采样的 NU-Wave 及其改进 NU-Wave2，后者引入短时傅里叶卷积以更好地建模频谱；面向可变输入带宽的 NVSR 与 AudioSR，其中 AudioSR 基于潜在扩散，先在隐空间生成高分辨率梅尔谱再用 HiFiGAN 类声码器转波形，并泛化到音乐与音效。采样加速方面，去噪扩散隐模型用确定性非马尔可夫逆采样减少步数，无分类器引导在保真与条件强度之间折中，潜在扩散把生成搬到压缩隐空间以应对波形的高时间分辨率。
本文不改训练，只在推理阶段加力，这与大语言模型中推理时扩展和视觉扩散中超越去噪步数的计算扩展思路同源。区别在于同输入、同目标、同运行阶段的对照：同样以低分辨率音频为输入、同样以恢复高频为目标，过去是增加采样步数或调引导系数，本文是固定步数与引导，改为并行或迭代产生多路候选再用验证器选优。相关工作不能直接当同条件胜负，因为任务粒度与评价精度不同，本文的贡献是把验证器加搜索的框架系统引入音频超分，并用频谱方差量化搜索范围、用时频方差图刻画单样本不确定性。
要解决的随机性问题如何被具体化为可测动作？
论文把随机性问题具体化为 3 个可测动作。第一，比较默认单次生成与低分辨率输入在关键属性上的差异：语音看说话人相似度与词错误率是否比输入更差，音乐与音效看语义对齐分数是否下降。第二，固定候选数比较不同验证器与算法组合能否把失去的分数追回来。第三，扩大计算预算观察指标是否单调改善，若某验证器继续加候选反而让其它指标变差，则判定为验证器过拟合。
教学例子：假设一段低分辨率语音的文字是固定的，默认生成可能把某个辅音的高频特征补错，语音识别转写出错；换 20 路噪声重采，其中某一路恰好补对，验证器若能识别转写正确就应选中它。这里例子只说明机制，不附加论文之外的数值。论文用 200 条每类的评测集、4 kHz 与 8 kHz 两种截止频率来承载上述比较，保证结论不是单样本偶然。
全景如何把一次生成改为生成加打分再选优？
全景可概括为低分辨率输入进入冻结的 AudioSR，多路扩散采样产生高分辨率候选，搜索验证器逐路打分，搜索算法按分选出最优一路。条件输入按任务不同而变化：语音可用同说话人的另一段参考语音做音色条件、用真值文本做可懂度条件，美学评估则无需外部条件；音乐与音效可用文字描述做语义条件。预言验证器需要真值参考，只用于分析上限；实用监督验证器不需要真值，用于真实部署。
下图左侧展示了从低分辨率输入到多路输出再到选中输出的闭环，右侧用音乐频谱实例说明选中结果在结构上更接近参考。阅读时先看主路径，再看验证器回路，才能理解计算量花在哪里。
看图路径： 1. 先沿左侧低分辨率输入经 AudioSR 到搜索算法再到选中输出的主链路看一遍；2. 再看右侧条件输入如何进入搜索验证器形成打分闭环；3. 对比右下四格频谱中低分辨率输入、默认输出、搜索选中与真值的顶部高频纹理；4. 注意上方的 Best of N 箭头表示只保留验证器最高分的一路
论文图 1。原论文 Figure 1：“Overview of our inference-time scaling framework for audio SR.”。
图中左侧低分辨率输入先经 AudioSR 得到默认输出，同时搜索算法展开多路候选，下方分数回路把验证器结果送回选择，最右侧条件输入为验证器提供文本依据。右侧四格频谱显示，低分辨率输入顶部缺失高频，默认输出已补出部分但结构稀疏，搜索选中结果的高频竖纹与右下真值更接近，且与顶部文字描述一致。图中 Best of N 表示只保留分数最高的一路，其余丢弃，这是推理开销的主要来源，也是后文固定候选数为 120 的原因。
验证器与算法各自算什么，如何配合？
验证器被定义为从高分辨率波形与可选条件到实数的映射，算法被定义为根据验证器从 N 路候选中选出最优的函数。论文把验证器分为两类。预言类用对数频谱距离，直接算生成与真值在对数幅度谱上的 L2 距离，强调感知显著差异。监督类在无真值时工作：说话人相似度用预训练 WavLM 提取的嵌入比对音色，词错误率用预训练语音识别转写后算与参考文本的编辑距离，美学用 AudioBox-Aesthetics 在内容享受性、内容有用性、制作复杂度与制作质量 4 个维度打分，语义对齐用 CLAP 算音频与描述的对比嵌入相似度。集成验证器对各分量的排名取平均，美学内部也是先对 4 个子维度排名平均，避免量纲不同直接相加。
搜索验证器 × 搜索算法： 搜索验证器负责给每个高分辨率候选打标量分，回答哪个更好，分为需真值的预言验证器与实用监督验证器；搜索算法负责决定如何产生和遍历候选，回答怎么找，包括随机搜索与零阶搜索。二者搭配的原因是只有生成没有评价会淹没在随机性里，只有评价没有生成则无从选择，组合意义在于用验证器反馈引导算法在隐空间中做可扩展的优选。
算法有两种。随机搜索对 N 个噪声独立采样、独立生成、独立打分后取最高分，实现简单但探索无约束，容易利用验证器偏好。零阶搜索从一个枢轴噪声出发，在距离为 λ 的邻域内采样 K 个候选，取优后更新枢轴并迭代，共进行 N 除以 K 轮，逐步在局部精修。
\[2: for i = 1 to N do Generate sample x(i) = Dθ(ϵi) Evaluate score s(i) = V(x(i)) 7: Select top-1 output x∗= arg maxi s(i)\]上式对应随机搜索的伪代码核心：对每路噪声生成样本并打分，最后取分数最大者。它只说明输入为噪声、输出为波形、选择依据为验证器分数，不涉及梯度更新。
\[n,i = {y : d(y, n) = λ}K\]上式定义零阶搜索的邻域为与枢轴距离等于 λ 的集合，每轮取 K 个。它只约束探索半径，不规定距离的具体范数实现细节，原文未给出时不猜。
随机搜索 × 零阶搜索： 随机搜索负责从各向同性高斯中独立采样 N 个初始噪声并经 DDIM 生成后取验证器最高分，分工是广度覆盖；零阶搜索负责先定一个枢轴噪声，再在其距离为 λ 的邻域内每轮采样 K 个、迭代取优更新枢轴，分工是局部精修。二者搭配的原因是需要对照全局探索与局部约束的取舍，组合意义在于揭示搜索范围与验证器利用偏差之间的权衡，论文报告随机搜索范围更宽、纠正能力更强。
配合方式是算法产生候选、验证器排序、算法按排序决定下一轮去哪。论文固定每种组合的候选数为 120 以保证公平，随机搜索 1 次铺开，零阶搜索分轮收敛，前者搜索范围更大，后者局部性更强。
本研究训练了什么，没有训练什么，真实计算是什么？
本研究没有训练任何新的超分或验证器模型，这是必须明确的前提。AudioSR、WavLM、语音识别、AudioBox-Aesthetics、CLAP 与声码器均为冻结的预训练模块，论文未报告对它们的参数更新、梯度路径或重置时机，因此不能从模型名称推定微调实现，也不能把冻结等同于输出确定。真实计算全部发生在推理时：对每个低分辨率输入，用不同初始噪声多次运行冻结的 AudioSR 扩散采样得到多路波形，再运行冻结的验证器得到分数，最后按规则选优。
构造性工作在于评测数据的准备而非权重训练：语音用 VCTK 并另采同说话人 utterances 做音色参考、用自带文本算词错误率；音乐先用描述词过滤低质条目再选多风格富高频样本；音效因无人工描述，用 Qwen2-Audio 结合类别关键词生成描述后再供 CLAP 打分。不确定性图与搜索范围的计算也是推理后统计，不涉及反向传播。若复现，只需调用公开权重做前向生成与打分，无需准备训练损失或优化器。
数据、配置与指标方向如何固定以保证可比？
实验按问题组织：测什么、与谁比、条件是否一致。下表先固定数据与采样配置，这是理解一切数字的前提。3 个评测集各取 200 条，覆盖语音、音乐、音效；AudioSR 保留默认的去噪步数与引导系数；每种验证器加算法组合固定 120 路候选并只取最高分；零阶搜索固定邻域大小与距离。
表前比较问题是不同音频类型与截止频率下，多路搜索是否稳定优于单次默认生成。公平条件是同一低分辨率输入、同一冻结 AudioSR、同一候选总数，只换验证器与算法。指标方向为美学、说话人相似度、CLAP 越高越好，词错误率与对数频谱距离越低越好，相对改善统一为正值表示变好。
| 条件 | 指标口径 | 语音基准 | 音乐与音效基准 | 本方法搜索配置 |
|---|---|---|---|---|
| 语音 VCTK 200 条，4 kHz 到 24 kHz | 美学越高越好，词错误率越低越好 | 低分辨率输入与默认 AudioSR | 不适用 | 每组合 120 路取验证器最高分 |
| 音乐 MusicCaps 过滤后多风格 | 美学与 CLAP 越高越好 | 不适用 | 低分辨率输入与默认 AudioSR | 每组合 120 路取验证器最高分 |
| 音效 ESC-50 配生成描述 200 条 | 美学与 CLAP 越高越好 | 不适用 | 低分辨率输入与默认 AudioSR | 每组合 120 路取验证器最高分 |
| 采样与搜索超参 | 步数与引导固定 | 50 步 DDIM，引导 3.5 | 50 步 DDIM，引导 3.5 | 零阶每轮 2 邻域，距离 0.99 |
表后解释：该配置把计算预算显式化为候选数而非步数，便于复现时按 120 路规划显存与时间。代价是推理成本约为单次的 120 倍验证器开销之和，未报告延迟与显存峰值，因此不能承诺实时性。8 kHz 输入的任务更易，搜索范围更小，预期增益小于 4 kHz，这为后文按截止频率分述埋下条件。
不同验证器分工不同，组合使用是为了互补短板。下表按原文分类整理验证器的条件输入与评分依据，说明集成时为何按秩平均而不是直接平均分数。
| 验证器 | 条件输入 | 评分依据 | 适用音频类型 | 组合原因 |
|---|---|---|---|---|
| 口令相似度验证器 | 同说话人参考语音 | WavLM 嵌入的音色一致性 | 语音 | 约束音色漂移 |
| 词错误率验证器 | 目标文本转录 | 自动语音识别的编辑距离 | 语音 | 约束可懂度下降 |
| 美学验证器 | 无外部条件 | 内容享受与制作质量 4 维秩平均 | 语音音乐音效通用 | 提供无参考整体质量 |
| CLAP 验证器 | 文本描述 | 音频文本对比嵌入的语义对齐 | 音乐与音效 | 约束语义偏离 |
| 集成验证器 | 依赖各成员所需条件 | 各成员相对名次的平均秩 | 按音频类型集成相关成员 | 缓解单一验证器过拟合 |
表后解释：该分工表把有参考与无参考验证器分开，有条件验证器负责保真语义与身份，无条件美学验证器负责整体听感。原文明确指出过度优化单一验证器会导致验证器黑客现象，因此集成时先在各成员内部求秩再平均，避免量纲差异主导选择，这也是后文讨论权衡与算法偏好的依据。
\[λ = 0.99.\]上式对应零阶搜索的距离取值为 0.99，原文只给出数值，未说明该距离在何种归一化下度量，复现时应保留原值并记录所用实现，不自行换算为其它半径。
多路搜索带来哪些可核对的增益，代价在哪里？
主结果显示，默认单次超分虽降低频谱距离，但常损害关键属性，语音的说话人相似度与词错误率、音乐与音效的语义对齐分数可能比低分辨率输入更差，而验证器引导的搜索能把失去的分数追回。当搜索验证器与评价指标直接对齐时，随机搜索一致优于零阶搜索，原因是覆盖更广。从 4 kHz 到 24 kHz 的语音是改善最显著的设置，摘要报告的上限增益为美学 9.70%、说话人相似度 5.88%、词错误率 15.20% 与频谱距离 46.98%，4 个方向均对应同一带宽设置。
下图按音频类型展示相对低分辨率输入的改善，纵轴为正即变好，词错误率与频谱距离已换算为相对降低。阅读时先看纵轴定义，再看各验证器下不同颜色柱的升降，不要把某柱向下直接当整体变差，需结合指标方向判断。
看图路径： 1. 先确认每子图纵轴为相对低分辨率输入的改善百分比，正为变好；2. 再对比语音子图中不同验证器下词错误率柱由负转正的变化；3. 观察音乐与音效子图中对数频谱距离绿色柱始终为最高的现象；4. 注意音效中美学验证器下 CLAP 出现负向柱所代表的语义代价
论文图 2。原论文 Figure 2：“Performance improvements over the LR input across different audio types using inference-time Random Search with various verifiers from 4 kHz to 24 kHz.”。
图中语音子图显示，美学验证器下美学与频谱距离改善明显但词错误率出现负向，说明单目标会牺牲可懂度；说话人与词错误率验证器各自拉高对角指标；最右集成验证器各柱均为正，取得平衡。音乐子图中语义验证器拉高语义对齐，集成保持美学与语义双正。音效子图中美学验证器下语义对齐为负，语义验证器下美学仅小幅为正而语义转正，集成则两者皆正且频谱距离保持高位。这支持集成更稳，但也显示没有一种组合在所有单项上同时最高。
对数频谱距离 × 不确定性图： 对数频谱距离负责在对数幅度短时傅里叶谱上算生成与参考的 L2 距离，分工是度量保真度与搜索空间方差；不确定性图负责统计同一低分辨率输入多次生成的各时频格点方差并归一化，分工是定位易变区域。二者搭配的原因是既需要全局数值也需要局部结构解释，组合意义在于把高方差时频区与病态程度联系起来，说明为什么需要推理时搜索而非只加去噪步数。
不确定性可视化进一步解释为何需要搜索。下图每行左侧亮区为多次生成的时频方差，越亮越易变，右侧为真值谱，该段落专门引出不确定性图的阅读顺序与亮度含义。
看图路径： 1. 先按行确认语音、音乐、音效三类，每行左侧为不确定性图右侧为真值谱；2. 观察左侧亮色竖条与高能量谐波位置的重合关系；3. 对比三行亮区密度，体会从语音到音乐再到音效不确定性升高的趋势；4. 注意黑色低能量区仍可能出现亮斑，说明方差不只来自能量高低
论文图 4。原论文 Figure 4：“Visualization of uncertainty maps over STFT spec- trograms across diverse audio types.”。
图中语音行亮竖条密集且与谐波位置重叠，音乐行亮区呈稀疏高耸的瞬态形态，音效行亮区成块状，三行亮度与密度递增，与论文用频谱方差量化的搜索范围从语音到音乐再到音效递增一致。这说明高频与瞬态区对初始噪声最敏感，单次采样容易踩中较差实现，多路选优有实质依据。像素不能精确读出具体方差数值，因此只做趋势判断，不硬写阈值。
表后解释段落改为纯文字总结以避免手写数字表：上限数字来自摘要对从 4 kHz 到 24 kHz 语音的报告，显示方法有效；代价是默认生成虽保真度提升却丢属性，单验证器虽拉高对角指标却可能压低其它指标。未胜出项必须保留：零阶搜索在多数对齐比较中弱于随机搜索，美学单验证器在音效语义上为负，这些反例说明验证器与任务必须对齐，不能只看平均。
扩大预算是否一直变好，单验证器何时会过拟合？
反证实验把随机搜索的预算从 1 路逐步扩大到 64 路，观察相对默认生成的改善。预言验证器能持续降低频谱距离，但词错误率反而恶化，说明通用保真度与可懂度错位。监督验证器中，词错误率验证器对词错误率提升显著但对其它指标增益有限；美学与说话人验证器在预算超过约 8 到 16 路后，词错误率出现走平甚至下探，即验证器 hacking。集成验证器通过排名平均缓解该现象，4 条曲线随预算保持上升，取得更平衡的折中。
下图 5 个面板分别对应不同验证器引导，横轴为计算预算，纵轴为相对改善，箭头向上表示越高越好。阅读时不要把末步最高推广为全程单调，需看中间拐点。
看图路径： 1. 先确认横轴为计算预算从 2 的 0 次方到 6 次方，纵轴为相对默认生成的改善量；2. 逐面板看对角线目标上升最快而非对角指标可能走平或下探；3. 重点观察美学与说话人面板中词错误率曲线在预算增大后拐头向下；4. 对比最右集成面板中四条曲线同时保持上升的平衡形态
论文图 3。原论文 Figure 3：“Relative performance improvements over the default generation (vanilla AudioSR) for speech from 4 kHz to 24 kHz in Random Search, demonstrating the effect of inference-time…”。
图中从左到右，最左预言面板绿色频谱线持续上升而橙色词错误率线下探；第二面板美学引导下橙色线先升后降；第三面板说话人引导下红色线持续上升而橙色线在中段回落；第四面板词错误率引导下橙色线陡峭上升而其它线几乎走平；最右集成面板橙色与红色双升且蓝色与绿色保持小幅正向。这支持论文判断：预算越大不等于每指标都越好，单验证器在约 8 到 16 路后易过拟合，集成是更可靠的默认。
验证器 hacking × 集成验证器： 验证器 hacking 指搜索过度迎合某一个验证器的打分偏好，导致该分上升而整体质量或其它指标下降；集成验证器负责把同一音频类别下多个监督验证器的相对排名取平均，得到统一分数，分工是平衡互补目标。二者搭配的原因是单一目标与综合感知之间存在错位，组合意义在于用排名平均抑制过拟合，论文显示集成在语音上能同时保住美学、说话人相似度和词错误率的折中。
任务与配置的对齐也有差异：4 kHz 到 24 kHz 时集成加随机搜索在 3 类音频上折中最优；当输入变为 8 kHz 时，语音仍偏好集成，音乐更偏美学，音效更偏语义。这提示复现时先按带宽与域选择验证器，而非固定一种组合打天下。论文未测量误判率与延迟，预算结论限于所测指标，不能推广为整体质量必然单调。
哪些边界未被评测，哪些推测尚未验证？
已验证的是 3 类各 200 条、4 kHz 与 8 kHz 到 24 kHz、候选数 120、默认 50 步与引导 3.5 条件下的相对改善与搜索范围排序。未验证的边界包括真实低质录音与压缩伪影下的可变带宽、长时音乐专辑级一致性、多说话人重叠语音，以及超过 120 路后的收益与崩坏点。论文用生成描述供音效语义评估，描述质量本身会影响 CLAP 结论，这部分误差未被单独量化。
缺失证据不是技术错误，但表达需区分：频谱方差更大支持搜索空间更广，但不证明不确定性必然导致听感更差；集成排名平均显示更平衡，但未证明其在所有语种或风格下最优；随机搜索范围更宽支持其纠错能力，但不承诺其延迟可接受。训练资源、推理开销、输出帧率与实际延迟应分别讨论，总体趋势不等于每组每步都成立。若需部署，必须补测单路耗时、验证器耗时、峰值显存与人评可懂度，否则不能把自动指标改善直接当用户体验改善。
复现先做什么，需要保留哪些超参和信息条件？
复现先冻结 AudioSR 并保留其默认 50 步 DDIM 与 3.5 引导，不做任何微调。接着按 3 类各 200 条准备评测：语音保留 VCTK 文本并另采同说话人参考，音乐先过滤含低质关键词的描述再选富高频样本，音效用类别关键词生成描述。推理时对每条低分辨率输入固定 120 路候选，随机搜索独立采样，零阶搜索按每轮 2 邻域、距离 0.99 迭代，只取验证器最高分一路参与评价。评价时美学、说话人相似度、CLAP 越高越好，词错误率与对数频谱距离越低越好，相对低分辨率输入的改善中后两者按相对降低计算。
演示页当前可用，已公开，地址为论文给出的演示链接，可用于听感对照但不能替代本地复算。代码与权重是否可运行需以实际可达为准，本文只确认演示页可用，不推定训练代码开源。若验证器版本不同，应记录 WavLM、语音识别、美学与 CLAP 的具体 checkpoint，因为打分偏好会改变选优结果。建议先复现语音 4 kHz 到 24 kHz 的集成加随机搜索，再扩展到音乐与音效，避免一开始就调超参。
何时值得尝试这种推理时扩展，如何一句话记住它？
当已有高质量扩散超分模型、且有充足离线预算做影视后期或专辑母带时，值得尝试用验证器加搜索替代单纯加步数。语音优先用集成验证器保可懂度与音色，音乐优先关注美学，音效优先关注语义对齐，输入带宽越低、音频类型越开放，越需要更广的随机搜索。需要记住的是，它用 120 倍左右的前向成本换取关键属性的找回，并用排名集成抑制单目标过拟合，代价与偏好都应写入实验记录。
一句话记住：固定步数与模型，多采多评只留最高分，集成排名更稳，预算越大越要盯住非目标指标是否被拖累。
⚖️ 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