英文题目：Unsupervised Single-Channel Audio Separation with Diffusion Source Priors
会议身份：
conference:aaai:2026:conference-paper-id:39728
✅ 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 #无监督学习 #单通道 #音频分离
评分：6.8/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Runwu Shi：机构信息未能从会议 PDF 纯文本可靠映射
- Chang Li：机构信息未能从会议 PDF 纯文本可靠映射
- Jiang Wang：机构信息未能从会议 PDF 纯文本可靠映射
- Rui Zhang：机构信息未能从会议 PDF 纯文本可靠映射
- Nabeela Khan：机构信息未能从会议 PDF 纯文本可靠映射
- Benjamin Yen：机构信息未能从会议 PDF 纯文本可靠映射
- Takeshi Ashizawa：机构信息未能从会议 PDF 纯文本可靠映射
- Kazuhiro Nakadai：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
单通道无监督分离需仅从单路混合波形恢复多个源波形，难点在于无配对监督时解不唯一，且异构语音与声音事件及同质双说话人需共用约束求解并伴随排列歧义。该方法先在复谱域用无条件语音扩散与标签条件声音事件扩散分别建模单源先验，并以三路径全注意力U-Net直接预测复谱分布。接着以时域、分组时域与幅度谱重构损失构成混合一致性目标，将其梯度作为似然引导注入多通道并行逆扩散，使各源逆向轨迹持续受混合约束牵引。最后采用加噪混合的单步公共初始化与平滑最大值混合引导调度稳定求解，前者以中间时刻的含噪混合为所有通道起点，后者融合噪声比例项与下界常数以贯穿全程。相对恒定步长的扩散后验采样与随噪声衰减的球面高斯约束，关键差异在于以平滑最大值保留终段非零下界，从而在早期克服先验与似然梯度冲突而在终段避免引导消失，实现更均衡的高质量分离。在1 Speech加1 Sound任务测试集下，所提混合引导调度的SI-SDR为14.31 dB，高于DSG噪声比例调度的12.97 dB，同时PESQ为2.12，高于DSG的1.94。该结论适用边界受限于16 kHz下4秒VCTK与FSD-Kaggle2018合成混合及已知源数与声音标签条件，同质双说话人仍存在跨时指派的失败条件，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://runwushi.github.io/unasdiff/ — 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，这次解读要保留什么？
本文输入是单通道混合波形，目标是从一个观测中恢复出多个源波形。研究设定更难的一点是无配对：训练时只有孤立的干净语音和孤立的声音事件，没有人工合成的大量混合与对应干净源，推理时用免训练的引导把先验组合成符合混合的分离结果。这篇解读的目标读者是刚进入语音与音频方向的研究生，重点是能核对、能复述方法与实验条件。
必须保留的信息包括任务定义为线性加性逆问题、只用单源扩散先验、迭代中先验采样与重建引导交替、引导强度用混合调度、起点用加噪混合、骨干是直接在波形与频谱之间往返的三重注意力网络、数据集与混合生成方式、评价指标方向与失败定义。输出按学习依赖展开：先讲任务与已有路线，再讲全景，其次讲冲突分析与调度、初始化与网络结构，然后讲训练与推理实现，最后讲实验条件、结果、反例与复现。
文中教学例子会明确标为例子，不引入原文之外的数值效果。项目页当前可用，地址为官方演示页，状态码 200，本文不转述演示音频的具体听感，只用正文证据讲方法。
已有路线按同输入同目标如何划分？
按同输入单通道、同目标恢复各源来划分，监督路线用成对混合与干净源训练，常处理排列模糊，例如时域卷积分离网络与频域变换器分离模型，本文用它们作上限对照。无监督的源模型路线是先学单源分布，再在推理时求给定混合的后验，早期有用非负矩阵分解、隐马尔可夫模型与贝叶斯模型刻画源特性，后来有用变分自编码器、流模型与生成对抗网络作源先验，再用梯度下降优化隐码或用退火朗之 10000 采样。
扩散模型进入后，一条分支是学多源联合先验并以混合为条件采样，另一条是把分离写成扩散逆问题，用扩散后验采样类方法迭代修正。与图像复原、音频带宽扩展与修复中的逆问题求解器相比，本文的不同在于分离有多个并行去噪通道，通道之间通过共同的重建项耦合，因此先验与重建的梯度冲突更突出。另一条相关线是多通道语音分离先用独立向量分析初始化再用扩散修正，本文对应地提出单通道下用加噪混合初始化。
相关不是同条件胜负，类别差异不能直接比大小，后文比较都回到相同测试混合与相同指标下讨论。
为什么单通道分离是欠定的逆问题？
举一个教学例子：例子中把一段人声与一声门铃加起来得到混合，观测只有一个波形，未知是两个人声波形，加法本身丢掉了谁在哪个时刻贡献了多少。原文把观测写成多个源之和加噪声，恢复就是从后验中采样各源。概率视角的分解是条件分数等于先验分数加似然梯度，前者由各源扩散模型给出，后者要解释混合如何约束各带噪状态。直接套用经典逆问题求解器会遇到两处困难。
第一，先验梯度要把样本留在自然音频流形上，似然梯度要把各源之和推向混合，两者方向可能相反，早期高噪声与末期低噪声阶段各有不同的失衡表现。第二，常用梅尔谱是非线性表示，不满足时域波形的可加性，而波形扩散骨干又缺少对帧内与子带细节的专用设计，难以同时抓住多频带与长时依赖。于是问题转化为需要更好的引导强度安排、更好的起点与更强的波形先验网络。
本文的回答分别是混合调度、加噪混合初始化与三重注意力骨干，三者都围绕同一个逆采样循环工作。
方法全景：一个样本如何从混合走完到各源？
沿一个样本走一遍有助于建立全景。输入是一段 4 秒混合波形，输出是两个或 3 个源波形。训练阶段只见过孤立源：语音扩散源模型学语音分布，声音事件扩散源模型在类别标签条件下学事件分布。推理阶段为每个源开一条去噪通道，所有通道共享同一个起点，该起点是对混合做一步解析加噪得到的。
然后从大噪声步向小噪声步循环，每步先让各通道按各自先验做 1 次采样，再把各通道估计的干净源加起来得到重建混合，计算时域、分组时域与幅度谱三部分重建误差，用其梯度对各通道做引导修正。采样步维持自然性，引导步维持加和一致性，两步交替直到得到干净估计。任务组合是灵活的：语音加声音事件用无条件语音模型加标签条件事件模型，双事件或三事件共用条件事件模型，双语音则用同一个语音模型开两个通道。
下图是全景的像素依据，上半为训练目标，下半为推理循环，底部为 3 种任务组合，阅读时先沿主路径再看分支汇合。
看图路径： 1. 先看上半训练阶段左右两个源模型的目标分布标注；2. 再看中部推理阶段两条源通道如何经采样步进入重建引导；3. 跟踪底部红色虚线初始化箭头从混合指向两个初始噪声；4. 对照底部三组分离任务的模型组合方式差异
论文图 1。原论文 Figure 1：“Diffusion source model-based audio separation.”。
该图显示训练阶段左右分别为语音与声音事件源模型，初始噪声标注为标准高斯，目标分别为语音分布与条件事件分布。中部推理阶段上下两条通道各有采样步与引导步，中间红色框为重建引导，其梯度同时依赖混合与各通道估计干净源之和，底部红色虚线把混合连回两个初始状态，表示共享的加噪混合初始化。底部 3 组任务分别对应语音加事件、事件之间、语音之间，模型组合方式不同但循环结构相同。后文将分别展开冲突调度、初始化公式与网络结构，公式部分只讲原文给出的计算与实现，不猜未报告的梯度路径。
先验与重建为何冲突，引导强度如何安排？
先把术语固定下来。先验目标是让样本留在自然数据流形上，对应先验梯度；似然目标是让各源估计之和满足混合约束，对应条件梯度。总梯度是两者加权和，权重即引导强度。原文要求更新方向在条件梯度上的投影为正，由此导出引导强度应大于一个界，该界定义为先验与条件梯度点积取负再除以条件梯度范数平方。当该界为正时说明两者方向相反，即存在梯度冲突。
扩散先验 × 重建引导： 扩散先验负责记住单类干净声音应该长什么样，在每一步去噪中把当前状态拉回自然音频流形；重建引导负责记住多个估计源加起来要等于观测混合，用混合重建误差的梯度把各通道拉向满足物理约束。两者搭配的原因是单通道分离欠定，只靠先验会各说各话，只靠重建会有无数组合，组合后先验提供可行形状、重建提供耦合约束，新增作用是在逆向采样中同时求后验。
恒定引导在早期高噪声阶段常面临显著冲突，需要更强的初始引导；与噪声成比例的引导能缓解早期冲突，但末期步长衰减会导致冲突上升与分离不均衡。两者的互补启发了混合调度：早期跟随噪声自适应，后期保持非零下界，用平滑最大值函数衔接。
\[SmoothMaxc(a, b) = 1\]上式是平滑最大值，尖锐系数控制过渡陡峭程度，两个输入分别是噪声相关的标准差与常数下界。
\[γ(t) = SmoothMaxc (σ(t), sfloor)\]上式是本文的引导强度，分子是平滑最大值结果乘以信号长度开方，分母是重建损失梯度的范数，起到归一化作用。原文对照表把恒定值、与噪声成比例、混合调度并列，差异只在分子部分。
先验梯度 × 条件梯度： 先验梯度是扩散模型输出的分数方向，维持生成样本的结构合理性；条件梯度是重建损失对带噪状态的导数，保证估计源之和逼近混合。当两者点积为负即方向相反时出现梯度冲突，搭配分析的意义是给出引导强度下界，只有引导强度超过该界，合成更新在条件梯度上的投影才为正，重建误差才可能下降。
实现上重建损失是时域误差、分组时域误差与短时傅里叶幅度谱误差的加权和，权重分别取 1、0.05 与 0.1。直观理解是时域保证波形对齐，分组平均关注局部段落，幅度谱补充频率结构。引导梯度是对该损失经由估计干净源再对带噪状态的反向传播，系数即上述调度。原文用小提琴与风铃混合的 4 秒例子展示 3 条调度下冲突指标与分离质量随扩散步的变化，混合调度同时改善质量与源间均衡。
起点与网络结构分别解决什么？
起点部分先固定概念。纯高斯噪声起点意味着每个通道从无结构开始搜索，理论上可行但要从头恢复一切；加噪混合起点是用解析式把混合加到指定噪声水平，所有通道从同一个含混合信息的隐状态出发。
\[= √¯αt∗y +\]上式是单步初始化，根号系数分别控制混合保留与噪声注入，初始化步控制初始噪声方差，原文取 150，总步数为 200 作参照。该初始化不同于需要迭代采样的反演方法，是一步解析完成，且后续分离过程 grounded 在共享上下文中。消融显示不用增强的纯噪声起点性能最低，过高与过低噪声都次优。
加噪混合初始化 × 纯高斯噪声初始化： 纯高斯噪声初始化分工是从无结构起点让先验从头生成一切，搜索空间大；加噪混合初始化分工是用一步解析加噪把观测混合变成各源共享的起点，保留混合的粗结构。搭配比较的理由是分离的解本来就被混合约束，直接从混合出发更接近可行域，新增作用是显著减少从头探索并提升最终保真度，但需选择中间噪声水平，过高或过低都次优。
网络部分直接在波形空间操作，但内部经短时傅里叶变换与 2 维卷积进入谱域建模，再经卷积与逆变换回到波形，预测的是复数噪声。核心是 3 种注意力：帧内看帧内频率关系，频带内看单频带时间演化，全局时间看跨频时间关系。
帧内注意力 × 频带内注意力： 帧内注意力分工是看同一时间帧内不同频率 bins 之间的关系，捕捉谐波与频谱包络；频带内注意力分工是看同一频率 bin 随时间的演化，捕捉延续与调制。搭配理由是音频同时有精细频谱结构和长时时间依赖，单一全局注意力难以兼顾，组合后先分别建模谱内与时内细节，再交给全局时间注意力做跨频整合。
条件注入用正弦编码加多层感知得到的步嵌入，对事件模型再加可学习类别嵌入，两者经自适应层归一化零初始化机制融入。骨干是 5 阶段布局，重复次数为 2、4、8、4、2，全局时间注意力只用在隐层阶段以控计算量，频维下采样后再做通道投影与注意力，最后卷积投影回去。每个注意力块用 4 头，嵌入维 128，通道数 72，总参数约 37M。
下图是网络像素依据，上半为整体 U 形结构，下半为块内细节，阅读时先看主路再看分支。
看图路径： 1. 先看顶部五阶段重复次数与跳跃连接的 U 形主路；2. 再区分三种颜色块分别对应的注意力类型；3. 看下半部分 b 与 c 中下采样与上采样的位置差异
论文图 3。原论文 Figure 3：“(a) Overall architecture of the proposed model. (b) Structure of the Intra-Frame Attention and Intra-Frequency Attention blocks. (c) Global-Temporal Attention block.”。
该图上半显示从波形经变换进入 5 个阶段再回到波形，每阶段上方标注步嵌入与标签嵌入，中间阶段包含全局时间注意力块并有跳跃连接。下半左侧为帧内与频带内块的层归一化、卷积、门控、注意力与前馈连接，右侧为全局时间块的下采样、注意力与上采样回路，以及通道压缩示意。颜色上注意区分 3 类注意力，不要把同色默认当同一对象。
无条件语音模型 × 标签条件声音事件模型： 无条件语音模型分工是学习语音整体分布，不依赖说话人或文本标签；标签条件声音事件模型分工是给定类别向量后学习该类事件分布，用可学习类别嵌入区分 41 类事件。搭配原因是语音-声音混合中两类统计特性差异大，异构任务可用类别信息约束事件通道，新增作用是同一套逆问题求解器可按任务灵活组合单模型或条件模型。
该组合使同一求解器支持语音加事件、事件之间与语音之间 3 类任务，无需为每种混合重训分离器，只需组合已训好的单源先验。
先验模型如何训练，哪些参数是冻结的？
本节承担训练职责，先明确训练对象。需要训练的是两个扩散源模型：语音模型与声音事件模型，分离阶段没有为混合训练专用分离器，引导是免训练的。训练数据是孤立源，不是混合。优化器用 AdamW，学习率固定，批大小固定，步数固定，去噪训练步数与线性噪声表固定。推理时的引导权重、初始化步与调度下界是按原文取值的超参数，不是训练可学习参数。原文未报告梯度裁剪、早停、随机种子与多次重复统计，本文不推定这些实现，也不从模型名称推定未说明的细节。
下表把可重放的训练与表示配置整理成宽表，数值与单位保留原文写法，阅读时先看问题是这些配置是否足以复现先验，再看表中代价是较长的训练步数与变换开销。
| 阶段与对象 | 参数名 | 取值 | 变换与优化条件 | 适用范围 |
|---|---|---|---|---|
| 先验训练 | 训练步数与批大小 | 400k steps 与 12 | AdamW 与 1e-4 学习率 | 语音与事件各训一个 |
| 去噪过程 | 总步数与噪声表 | T 为 200 steps 与线性表 | 上下界为表中区间 | 训练与推理共用表族 |
| 谱表示 | 窗长与跳长 | 510 与 255 | 短时傅里叶加 2 维卷积 | 骨干内部谱域 |
| 网络宽度 | 通道数 | 72 | 注意力 4 头与 128 维 | 5 个阶段 U 形骨干 |
| 音频长度 | 采样率与时长 | 16 kHz 与 4 seconds | 裁剪或补齐定长 | 训练与评测一致 |
表后解释主要收益与代价。收益是配置完整到可直接照抄：窗长跳长、通道数、步数、优化器与引导权重都已给出，复现先验时不需猜表示。代价是每个模型 400,000 步、批大小 12，对学生机是明显预算，且推理还要 200 步循环乘以多通道，训练便宜不等于推理便宜。未胜出项在此不适用，但需记下缺项：原文未给出硬件时长、显存占用与随机性处理，复现时应固定种子并记录多次结果的波动，不能把单次最好当期望。
数据划分、混合生成与指标如何保证可比？
本节按证据交代数据、划分、采样、指标与聚合。语音用 VCTK 约 110 人，100 人训练、10 人测试；事件用 FSD-Kaggle2018 约 11000 段 41 类，提供集 9470 段训练、剩余测试。音频统一到 16 kHz 并裁补到 4 秒。混合为评测合成：3 类任务各合成 400 个新混合，单源按均方根电平随机交叠并加随机时间偏移。
任务包括 1 语音加 1 事件、1 语音加 2 事件、2 事件、3 事件与 2 语音。语音加事件用无条件语音模型加标签条件事件模型，事件之间共用条件事件模型，双语音用同一语音模型开双通道。比较对象分 3 类：监督上限用卷积时域网络与频域变换器，各任务独立用信号失真比损失训 200 轮；无监督梯度类用恒定、噪声成比例与本文混合调度，在相同初始化与梯度下降框架下比；另有解析采样法，利用混合等于源之和的似然简化直接算梯度。
指标方向是信号失真比越高越好，语音自然度用语音质量感知评价越高越好，双语音还报告失败率，定义为分离源平均失真比低于 0 dB，越低越好。跨表核对时注意数值相同不是同一指标，失真比差值不能与语音质量分混放。
下表把数据与混合条件整理成宽表，便于对照公平性，数值保留原文写法。
| 数据与任务 | 划分与规模 | 音频规格 | 混合生成 | 任务组合 |
|---|---|---|---|---|
| 语音库 | 110 speakers 中 100 训练与 10 测试 | 16 kHz 与 4 seconds | 400 unique mixtures 按电平交叠 | 语音加事件与双语音 |
| 事件库 | 41 event categories 约 11000 clips | 16 kHz 与 4 seconds | 400 unique mixtures 加时间偏移 | 双事件与三事件 |
| 事件训练集 | 9470 clips 训练集 | 16 kHz 与 4 seconds | -25 to -20 dB 电平范围 | 标签条件模型 |
| 评测混合 | 每任务 400 unique mixtures | 4 seconds 定长 | random Root Mean Square levels 与 offsets | 3 类任务共 5 种配置 |
| 监督对照 | 各任务独立训练 | 相同测试混合 | 相同混合测试集 | 200 epochs 训练 |
表后解释公平条件与限制。公平在于所有对照用完全相同的混合测试集，监督模型各任务独立训练，无监督各调度共享初始化与框架，解析法与梯度法用同一先验族比较。代价是混合仍是人工按电平与偏移合成，不是真实录音的多径与混响，泛化到真实场景待验证。未评测边界包括更长音频、更多源数与重叠语音的说话人一致性，原文已指出同质语音缺少说话人线索，局部可分但跨时一致性易错， stronger 骨干只能缓解不能根除。
主结果在相同混合下测什么，谁是可运行的最优？
主结果按问题组织。测的是 3 类任务的分离保真度与语音自然度，与谁比已在上节固定，条件一致用相同测试混合。支持的判断是混合调度在无监督梯度类中一致最好，解析采样普遍弱于梯度法，尤其多源更明显；与监督比，本文方法接近卷积时域网络，在语音相关任务中语音质量与失败率改善明显，但变换器上限仍更高。原文报告混合调度在 1 语音加 1 事件、1 语音加 2 事件、双事件、三事件与双语音上都取得无监督最好，且未处理基线在所有任务上显著提升。
限制是双语音绝对值仍低于监督，失败率约 30%，说明同质分离仍难。总体趋势不等于每组每步都成立，末步结果不能推广全程。
下图是单样本过程的像素依据，左中右分别对应恒定、噪声成比例与混合调度，阅读时先确认图例再判断升降含义。
看图路径： 1. 先对比上排三列梯度冲突曲线在早期与末期的起伏；2. 再看中排分离质量曲线两条源是否分叉；3. 看下排声谱图从左到右结构如何逐渐清晰并对照真值
论文图 2。原论文 Figure 2：“(a) Constant guidance of DPS. (b) Noise-proportional guidance of DSG.”。
该图上排纵轴是引导界，正为冲突，横轴从 1.0T 到 0.0T 表示去噪推进，蓝色实线与橙色虚线为两个源，点线为冲突阈值。中排纵轴是失真比越高越好，两条曲线随推进上升，末端圆圈标注终值，混合调度两源终值更高且更接近。下排左侧为混合声谱，中间为中间态，右侧为分离与真值，混合调度中间态结构更干净且与真值更接近。读图注意纵轴是原始指标还是界，不能把界曲线向下直接当性能变差，也不能把单样本终值当平均结果。像素不能精确辨别的步数不硬写，具体平均数字以后表与正文报告为准。该单样本支持调度分析，但平均结论需回主表验证。
初始化、损失与骨干的反证各说明什么？
本节用反证组织，问题是每个组件是否必要。先看初始化步与引导下界的消融，原表直接给出不同起点与损失组合下的失真比与语音质量分，表前问题是起点噪声与损失形式如何影响最终保真度，公平条件是同一语音加声音分离过程、同一先验与调度族，指标方向是两项越高越好。
| Method SI-SDR | Failure SI-SDR Parameters | SI-SDR (↑) | PESQ (↑) |
|---|---|---|---|
| Unprocessed – – 0.00/0.01 | 200 | 10.21 | 1.90 |
| 175 | 13.73 | 2.10 | |
| 125 | 14.31 | 2.11 | |
| 100 | 14.07 | 2.10 |
表后解释主要收益与代价。收益是纯噪声起点最低，中间起点最好，过高与过低都次优，说明保留混合粗结构有信息价值；损失上时域加频域组合最好，单时域在语音质量上吃亏；即使很小的下界也有增益，中间值进一步提升，支持末期保持非零引导的判断。代价是初始化步与下界仍是手选超参数，换数据集可能要重调。
未胜出项是纯时域与纯噪声起点，负结果明确保留。另一组消融比较骨干：本文注意力模型在 2 秒与 4 秒段上都优于增强波形模型，无论梯度法还是解析法，成功失真比更高、失败率更低，且模型未专为 2 秒训练仍保持优势，支持三重注意力学到更鲁棒先验。但骨干更大更复杂，推理开销更高，未测量延迟与显存时不承诺效率改善。
哪些边界本文没有测，不能承诺什么？
缺失证据不是技术错误，但要明确边界。原文未测量误判率之外的延迟、实时率、显存与训练能耗，不能承诺这些量得到改善。推理是 200 步乘多通道的迭代采样，总体趋势好不等于每步都好，实际部署需另测每步耗时与可蒸馏性。数据边界是合成混合按电平与偏移交叠，没有真实混响、移动声源与麦克风特性，真实泛化待验证。任务边界是最多三源，双语音失败率仍约 30%，同质语音的跨时说话人一致性因缺少说话人线索而易错，原文已点明该困难。
指标边界是自动失真比与语音质量分不能当人评，差值是原文单位下的绝对提升，不是相对百分比，百分点与相对百分比不同。图注与算术如有冲突应标注冲突，本文未发现可编造的划分，凡未报告聚合口径处不自行圆成一致。
复现先做什么，需要哪些信息条件？
复现分 3 步，先复现先验，再复现循环，最后复现评测。先按训练节配置训语音与事件两个先验：采样率 16 kHz 定长 4 秒，窗长 510 跳长 255，通道 72，5 阶段重复 2、4、8、4、2，优化器 AdamW 学习率 1e-4，批大小 12，400,000 步，去噪总步 200 线性表。再实现推理循环：初始化步取 150 做一步加噪混合，各通道共享起点，每步先按先验采样再算重建损失并按混合调度引导，损失权重取 1、0.05、0.1，调度下界取 0.002、尖锐系数取大值。最后按实验节生成 400 混合每任务，电平范围与随机偏移照抄，用相同测试集比恒定、噪声成比例与混合调度，并加解析采样对照。
信息条件上原文给出关键超参数，但未报告种子、硬件与多次统计，复现应固定种子并报告均值波动。代码与权重方面，本文只确认项目页当前可用，不推定代码开源或权重可下载，是否可运行以实际拉取为准。常见误解是把无训练引导当确定性求解，实际上采样含高斯噪声，多次运行有波动；也不能从参数冻结推定输出确定，引导梯度与随机采样都会带来变化。
何时值得尝试这个方案？
当只有孤立干净源、拿不到大量成对混合，或需一个求解器兼顾语音加事件、事件之间与语音之间时，该方案值得尝试。它的价值在于把分离写成逆问题，复用单源先验加免训练引导，避免为每种混合重训分离器，且混合调度与加噪初始化有明确的冲突指标与消融支持。代价是迭代采样开销大，同质语音仍有约 30% 失败可能，真实录音泛化未验证。若任务是实时或低功耗部署，或已有大量高质量成对数据能训专用监督模型，监督上限仍更高，不必强行用迭代扩散。
下一步验证应补真实录音、更多源数、长音频一致性、人评自然度，以及延迟显存与多次运行统计，确认收益在可部署条件下落地。
⚖️ 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