Training Low-Latency Target Speech Extraction for Wearable Devices Using Phase- and Amplitude-Aligned Data in the CHiME-9 ECHI Task

英文题目：Training Low-Latency Target Speech Extraction for Wearable Devices Using Phase- and Amplitude-Aligned Data in the CHiME-9 ECHI Task

会议身份：conference:chime:2026:conference-paper-id:hu26_chime

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#助听器 #波束成形 #实时处理 #语音 #目标说话人提取

评分：6.8/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：系统技术报告

👥 作者与机构

Dengxiang Hu：机构信息未能从会议 PDF 纯文本可靠映射
Tomohiro Nakatani：机构信息未能从会议 PDF 纯文本可靠映射
Naoyuki Kamo：机构信息未能从会议 PDF 纯文本可靠映射
Marc Delcorix：机构信息未能从会议 PDF 纯文本可靠映射
Tsubasa Ochiai：机构信息未能从会议 PDF 纯文本可靠映射
Shoji Makino：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

CHiME-9 ECHI任务要求从佩戴者所戴多麦克风设备录音中实时提取除佩戴者外的3路目标说话人语音，难点在于极低信噪比、佩戴者强语音干扰、头部运动导致的空变特性以及缺少相位对齐的干净训练参考。系统先以贴近到远端麦克风投影（Close-to-Distant microphone projection，C2D）生成相位与幅度对齐的训练参考，使细粒度目标可训，再以固定系数零陷波束成形（Null Beamforming，NBF）抑制佩戴者语音得到递归初值，最后由确定性递归增强（Deterministic Recursive Enhancement，DRE）复用同一增强网络逐轮精炼目标语音。与仅用官方非对齐参考和单遍因果网络的基线不同，该链路把参考对齐、空域抑制与迭代精炼解耦为可递进优化的低延迟流水线。在Aria设备开发集与评估集上，所提交的System-2相对官方基线将短时客观可懂度（Short-Time Objective Intelligibility，STOI）从0.50提升至0.56与0.57，主观总体质量与可懂度亦同步改善。结论目前仅在Aria可穿戴录音与20 ms算法延迟约束下得到验证，对助听器形态、多语种与强混响外推尚未证明。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

输入是什么，输出是什么，延迟卡在哪里？

这篇论文要解决的输入很具体。4 个人围坐在桌子旁交谈，其中 1 人佩戴可穿戴设备，设备上有多个麦克风，持续记录大约 30 分钟的长录音。目标是从这个多通道观测中，分别为除佩戴者之外的每 1 位目标说话人提取出一路单通道语音，让佩戴者能实时更清晰地听到对方。输出不是转写文字，而是增强后的波形，并且要求算法延迟小于 20 毫秒。论文把佩戴者称为穿戴者，把要提取的人称为目标说话人，每位说话人事先提供一段注册语音，用于抽取说话人嵌入。

对刚进入语音领域的同学，先把动作想清楚。第一步是把长录音按时间切成短段，对每一段、每个目标说话人分别做 1 次提取，再把各段连回连续信号。第二步是在每一小段内，把多通道短时傅里叶变换观测和说话人嵌入一起送入网络，得到单通道增强信号。第 3 步是在播放前做电平归一化，因为网络输出幅度不受显式约束，论文采用从录音开头持续跟踪增强信号最大幅度并逐样本归一化的低延迟方式。

延迟卡在两个地方，一是分析窗本身的长度，二是卷积与反卷积核是否偷看未来帧，基线用了 8 毫秒窗加 4 毫秒帧移，但前后 2 次未来帧访问带来 16 毫秒延迟，本文后续要改核设计以满足 20 毫秒上限。

目标语音提取 × 说话人注册： 目标语音提取负责从混合录音中只保留指定目标说话人的语音并抑制其他声源，说话人注册负责事先从目标说话人的注册语音中抽取能代表其音色特征的说话人嵌入；二者搭配的原因是仅靠空间滤波无法在头动和强噪声下稳定区分说话人，而仅靠音色线索又难以处理混响和重叠，组合后提取网络可以用嵌入作为条件去选择对应声源。

论文开场就交代了 4 条现实困难。第一，录音在真实噪声环境下采集，很难拿到干净且与设备录音对齐的训练参考，官方提供的去噪头戴录音相位幅度不对齐，限制了细粒度训练目标的使用。第二，目标语音的空间特性随佩戴者头部运动剧烈动态变化，波束形成难以稳定。第三，信噪比极低，稳定准确提取困难。第四，佩戴者语音电平显著高于目标说话人，成为主要干扰。本文的输出承诺是提出 3 个扩展并用实验显示相对基线显著改进，学习时要把每个扩展对应到哪条困难去核对。

已有路线提供了什么，缺口在哪里？

论文把已有技术归为两条路线。神经网络路线利用注册语音得到说话人特性做目标语音提取，波束形成路线从多通道录音估计目标与干扰的空间特性再做线性滤波分离。挑战基线属于前者，它把因果网格网络与基于特征线性调制的目标说话人条件结合起来，形成一个简单的可运行框架。理解基线很重要，因为本文所有递归都复用这个基线结构，改动集中在参考信号、递归条件和佩戴者抑制上。

同输入同目标的对照是官方基线。它只用官方参考信号训练，由于相位不对齐，只能采用只评价幅度准则的短时傅里叶变换损失，不能用相位敏感的波形级损失。这正是本文要补的缺口。另一类相关工作是近距到远距投影和概率与确定性递归增强。原文把确定性递归增强定位为概率递归增强的简化变体，前者只估计增强语音本身，后者还估计其分布，本文因简单且性能相当而选择前者。还有一类是单次估计网络的重复应用，原文明确区分本文递归训练是专门为递归增强设计的训练方案，而不只是把单次模型跑多遍。

同运行阶段的约束是低延迟因果处理。基线虽然因果，但卷积与反卷积核各访问 1 帧未来，导致延迟随递归次数增加而超限。本文把核改为不访问未来帧而访问过去 2 帧，并把分析窗放宽到允许的最大延迟内，从而在递归多次时仍满足要求。阅读相关工作时不要把类别差异当成同条件胜负，波束形成与神经网络各有分工，本文是把固定零陷波束形成的输出作为神经递归的初始条件，而不是用一方替代另一方。

为什么不对齐的参考会锁死训练目标的选择？

沿着一个训练样本走一遍最容易看清问题。假设有一段可穿戴设备多通道观测和一段目标说话人的头戴录音，理想的监督是告诉网络每个时频点目标成分应该是什么相位和幅度。但官方参考是经过去噪的头戴录音，它的相位和幅度与远端设备录音不一致。如果强行用波形差或复谱差做损失，相位偏差会被当成估计错误，梯度会推网络去拟合错误的相位，只能退回到只看幅度的损失，丢失精细结构监督。

第二个问题是佩戴者干扰。佩戴者嘴到设备麦克风的几何关系几乎固定，且不同录音间差异不大，佩戴者语音电平又高，网络容易被它主导。第 3 个问题是长录音处理与电平不确定性，增强信号幅度无约束，必须在线归一化，否则拼接后忽大忽小。举例来说，如果一段 60 秒的块里目标长时间不说话，最大幅度跟踪仍从头开始累计，这会影响后续归一化行为，复现时要保留原文的从头跟踪做法，不要自行改成按块峰值归一化。

因此本文把问题分解为三件事。第一，构造与观测对齐的参考，让细粒度损失可用。第二，给递归一个抑制佩戴者后的好起点，并让递归在不增加模型量的前提下渐进精炼。第三，保证因果与延迟合规，并用仿真数据预训练弥补真实数据不足。后面每一节都围绕这三件事的动作展开，实验则检验它们是否同时改善可懂度和感知质量。

系统全景：一次增强如何变成多次精炼？

系统全景可以按推理时的数据流记忆。观测先经过固定系数的零陷波束形成，得到抑制佩戴者语音后的初始单通道增强信号。然后进入确定性递归增强循环，循环次数记为大写字母，论文提交系统用了 2 次或 3 次。每次循环调用同一个增强网络，输入是原始多通道观测加上上 1 次的单通道增强信号，输出是更精炼的单通道增强信号，所有循环共享同一套网络参数，所以模型量不随循环次数增加。

增强网络内部的动作是这样的。2 维卷积先从多通道观测抽取观测特征向量，特征线性调制单元把该向量与说话人嵌入融合，因果网格网络对融合表示建模得到增强特征向量，最后由 2 维反卷积解码为增强信号。扩展之处是另一路 2 维卷积从单通道增强信号抽取增强特征向量，再经特征线性调制与说话人嵌入融合，最后用可学习混合权重与观测特征向量相加后送入网格网络。这个加法是递归条件注入的位置，也是理解递归的关键。

因果 GridNet × 特征线性调制： 因果 GridNet 负责在只用当前及过去帧的约束下对融合后的时频表示做非线性映射得到增强特征，特征线性调制负责把说话人嵌入变换为缩放和平移参数去调制观测特征；搭配的原因是 GridNet 本身不知道要提谁，调制把“提谁”的信息注入到每一处特征通道中，组合后同一个网络参数可以服务不同目标说话人。

为满足低延迟，论文修改了基线的卷积与反卷积核设计，避免访问未来帧，转而访问过去 2 帧，分析窗长设为 20 毫秒，帧移设为 10 毫秒，算法延迟为 20 毫秒。训练全景是 2 个阶段，先用仿真混合数据预训练，再用真实数据加生成参考微调，2 阶段都可用尺度不变信噪比，因为两类数据的参考都与观测对齐。推理全景是把约 30 分钟长录音切成 60 秒段加 4 秒重叠，逐段逐目标说话人增强后再连接。

增强网络的递归条件是如何注入的？

把一个样本的第 1 次与第二次递归对比来看。第 1 次递归时，附加输入是零陷波束形成的输出，其中佩戴者语音已被抑制，网络看到的是观测加一个相对干净的初始估计。网络输出第 1 次精炼结果。第二次递归时，附加输入换成第 1 次的输出，网络在同一参数下再次做观测加估计到更干净估计的映射。原文的训练代价是各递归步损失的加权和，每步独立计算参数梯度再跨步累加，忽略步间依赖，以避免沿递归反向传播的巨大内存开销。复现时要保留忽略步间依赖这一近似，不要自行改成端到端穿透多步的反向传播。

近距到远距投影 × 尺度不变信噪比： 近距到远距投影负责把头戴麦克风的干净语音经去噪和系数对齐映射为与可穿戴设备录音相位幅度对齐的参考信号，尺度不变信噪比负责在波形域逐采样点比较估计信号与参考信号的细粒度差异；搭配的原因是官方去噪头戴参考相位幅度不对齐时无法使用相位敏感损失，对齐后尺度不变信噪比才能有效监督，组合意义是让真实噪声环境下也有可训练的精细目标。

符号与动作要先讲清。记多通道观测为时频域向量，单通道增强为标量，上标小写字母表示递归序号，说话人嵌入来自与基线相同的说话人编码器。增强网络的输出在训练时与对齐参考比较，推理时直接作为下一轮的附加输入。这种设计让网络学会渐进精炼，而不是 1 次到位。原文未报告各递归步权重的具体取值和重置时机，这是一个缺项，复现时只能说明按原文加权求和实现并记录自己选择的权重，不能声称原文给出了最优权重。

零陷波束形成如何固定抑制佩戴者语音？

零陷波束形成的假设写得很直白。佩戴者嘴到可穿戴设备麦克风的几何关系几乎固定，且在不同说话人之间差异不大，因此可以假设佩戴者语音的空间特性在所有录音上平稳，用一组固定滤波器系数取消佩戴者语音。动作分两步，先用训练集和官方提供的说话人活动标签取出只含佩戴者语音的时间帧和只含其他说话人语音的时间帧，再基于协方差白化技术估计每个频率上佩戴者语音的导向向量，然后按公式构造零陷矩阵并作用于观测向量，地板常数取 0.1。输出仍是多通道，但佩戴者方向已被抑制，可作为递归的初始单通道估计使用。

确定性递归增强 × 零陷波束形成： 零陷波束形成负责用固定系数在佩戴者语音方向形成零陷以抑制电平显著更高的佩戴者语音，确定性递归增强负责把增强网络的输出作为附加条件输入再次送入同一网络做渐进精炼；搭配的原因是递归需要一个比原始混合更干净的起点，而零陷输出正好提供抑制佩戴者后的初始估计，组合后递归的每一步都在已抑制佩戴者的基础上进一步聚焦目标说话人且不增加模型量。

这里要区分冻结与更新。零陷系数是事先用训练数据确定的固定系数，推理时不更新；增强网络参数是可训练的，递归各步共享。原文没有报告导向向量估计在低信噪比下误判率或对头动残留的量化分析，也没有给出固定系数在助听器录音上的表现，本次实验只评估了 Aria 设备。教学例子是，如果佩戴者转头幅度很小，固定零陷仍近似成立；如果设备佩戴位置变化大，固定假设可能失效，但这属于未验证外推，论文没有测量该边界，复述时必须标为待验证。

对齐参考、频率补偿与两阶段训练如何操作？

训练部分是本文最值得复述的动作链。第一步是采样频率失配补偿，因为官方参考的采样频率已与可穿戴录音对齐，论文通过识别头戴与参考之间的失配并重采样头戴录音来补偿。第二步是对头戴和可穿戴录音做加权预测误差去混响，以提高生成参考质量。第 3 步是用引导声源分离估计最小方差无失真响应波束形成器，对目标说话人的头戴 4 通道录音去噪得到单通道去噪信号，论文发现只去噪目标说话人对应的 1 通道更有利。第四步是用时频掩码加权估计对齐系数，把去噪头戴信号的相位幅度对齐到可穿戴设备参考麦克风，得到对齐参考。

对齐后高频衰减问题随之而来。因为幅度拟合到远端麦克风，生成参考的高频成分相对头戴录音显著衰减，可能损伤可懂度。论文新引入可选后滤波器，让生成参考平均上与官方参考具有相同的频率特性，滤波器按频点计算官方参考与归一化生成参考的功率比的对数平均，再用超参数控制补偿程度，零表示不补偿，一表示完全补偿为官方频谱形状。3 个提交系统的主要区别就在该参数与递归步数。

加权预测误差去混响 × 频率补偿后滤波器： 加权预测误差去混响负责在生成参考前对头戴和可穿戴录音做去混响以提高对齐参考质量，频率补偿后滤波器负责让生成参考的平均频谱特性向官方参考靠拢以补偿远端拟合带来的高频衰减；搭配的原因是前者解决时间域的混响模糊，后者解决频率域的音色变暗，组合后参考信号既干净对齐又保持可懂度所需的频谱形状。

2 阶段训练的监督来源要记牢。仿真数据用房间脉冲响应生成，语音来自公开朗读语料，噪声来自挑战噪声集，房间尺寸、混响时间、语音混合信噪比按范围随机，参考用截断到 2 毫秒的房间脉冲响应生成，因此相位幅度天然对齐。真实数据用上述投影生成参考，因此也能用尺度不变信噪比。论文在仿真训练的最后阶段曾把尺度因子置一退化为信噪比目标，因为发现可轻微改善主观听感。优化设置是 60 轮、初始学习率万分之一、梯度裁剪阈值 1.0、平台调度器动态调整。仿真集含 10000 条训练、500 条验证和 500 条评估，复现时应保留这些构造条件。

在什么设备、什么切分和什么指标下比较？

实验条件优先于修辞，先核对 4 个要素。设备方面，由于时间限制，论文只评估 Aria 设备的结果，助听器录音可用同样方法处理但未报告，这是明确的评估边界。数据方面，开发集与评估集都报告，推理时把长录音切成 60 秒段加 4 秒重叠，逐段逐目标增强再连接，电平按从头跟踪最大幅度归一化。

模型方面，基线只用官方参考加短时傅里叶变换损失训练，3 个提交系统都用仿真预训练加真实微调、尺度不变信噪比目标、低延迟核、零陷加递归，区别在频率补偿参数与递归步数。指标方向要先说清，短时客观可懂度、感知语音质量、频率加权分段信噪比、基于深度噪声抑制平均意见分的复合指标中的信号、背景、总体分，数值越大越好，其中可懂度关注语音可理解程度，感知质量关注听感自然度，复合指标分别评价前景语音自然度、背景噪声侵扰度和总体质量。

下表整理本研究实际运行的训练与推理关键预算，数字与单位保留原文写法，阅读时把延迟、轮数、优化阈值与分段重叠作为复现必查项，不要把训练轮数当成推理延迟的证据。表前问题是复现需要固定哪些与性能无关但决定可比性的运行条件，公平条件是所有系统都按相同分段与归一化做长录音推理，指标方向在主结果表中再判定。

运行阶段	条件项	取值	说明
推理延迟	分析窗长与帧移	20 ms 与 10 ms	算法延迟为 20 ms
训练预算	训练轮数与优化器	60 epochs 与 Adam	初始学习率为 1 × 10−4
训练预算	梯度裁剪阈值	1.0	平台调度器动态调整
长录音推理	分段与重叠	60-s 段与 4-s 重叠	逐段增强后再连接

表后解释是这些条件决定了可比性而非性能高低。20 毫秒延迟是硬约束，核设计与窗长必须一起改，只改一处会破坏因果性。60 轮与裁剪阈值保证基线与所提系统在同一训练预算下比较，分段与重叠保证长录音拼接行为一致。代价是 60 秒段加 4 秒重叠会增加计算量，且从头跟踪最大幅度的归一化对长时静音敏感，原文未报告不同分段下的稳定性，这是复现时需补记的缺项。

客观指标显示哪些改善，代价在哪里？

比较问题很明确。在相同 Aria 设备、相同开发集与评估集、相同长录音分段推理下，所提 3 个系统相对官方基线是否在可懂度与感知质量上同时改善，以及频率补偿参数带来什么权衡。公平条件是基线与所提系统都训练 60 轮并按相同协议评估，指标方向均为越大越好。括号内为评估集数值，括号外为开发集数值，频率加权分段信噪比在开发集基线处原文未给出评估集对应值的完整上下文，阅读时以原表呈现为准。

System	STOI	PESQ	fwSNRseg	Csig	Cbak	Covl
Baseline	0.50	1.16	2.34	1.56	1.24	1.26
System-1	0.55	1.27	1.24	1.60	1.42	1.34
System-2	0.56	1.23	2.57	1.83	1.36	1.43
System-3	0.55	1.23	3.69	1.90	1.41	1.46

表后要同时讲收益与代价。报告显示所有所提系统相对基线在多数指标上大幅改善，例如短时客观可懂度从 0.50 左右提高到 0.55 到 0.56 区间，复合信号分从 1.56 提高到 1.90 附近。支持的判断是递归精炼加对齐参考加零陷初始化的组合有效。但代价与反例同样清楚。未加补偿的系统一取得最高的感知语音质量与背景分，说明背景噪声抑制最有效。

全补偿的系统三取得最高的频率加权分段信噪比、信号分与总体分，但感知质量与背景分相对系统一回落，说明恢复频谱形状会放大背景噪声。系统二居中。这意味着没有单一系统在所有指标上全胜，选择补偿强度要在降噪与频谱保真之间取舍。原文还报告频率加权分段信噪比上系统一在开发集低于基线，这是一个未胜出项，复述时不能只讲平均改善而隐去该反例。

主观听感与客观指标是否一致？

组织第二个问题。客观指标改善是否转化为真人听感的改善，比较对象是基线与所提系统二在评估集上的主观听测。公平条件是挑战组织方把 3 个目标说话人的估计信号相加后请母语听众评价，按国际电信联盟建议书协议评价前景语音自然度、背景噪声侵扰度与总体质量，可懂度按正确转写词百分比计算。指标方向同样越大越好，但自动指标不能当成人评，二者要分开呈现。

System	SIG	BAK	OVRL	Intelligibility	Average
Baseline	2.31	2.75	2.16	55.28	42.14
System-2	3.74	2.85	3.14	63.54	58.52

表后解释是一致性与限制。报告显示系统二在信号、背景、总体、可懂度与平均分上全面超过基线，例如信号从 2.31 提高到 3.74，总体从 2.16 提高到 3.14，可懂度从 55.28 提高到 63.54。这些数字支持所提系统改善听感的判断。但限制必须保留。第一，主观只测了系统二，没有测系统一与系统三，因此不能从主观结果推断全补偿一定听感最好。

第二，脚注说明系统二除背景分外在所有提交中主观最高，但因预训练用了不在许可白名单的噪声数据而不计入官方排名，这意味着该结果是实际可运行策略的性能，但不是合规排名成绩，比较时不能把最优值当成可部署收益的唯一证据。第三，背景分提升幅度小于信号分，说明强噪声下背景侵扰仍是难点。

哪些边界没有测，哪些推测不能做？

缺失证据不是技术错误，但必须点名。第一，彻底的消融研究缺失。论文在结尾明确说未来将做消融以量化每个组件的贡献，因此当前只能说组合有效，不能说近距到远距投影、递归、零陷各自贡献多少，也不能补写拿掉某部分必然怎样。第二，设备边界缺失。只报告 Aria 设备，助听器录音未评估，不能把结论推广到助听器。第三，极低信噪比下大量非活动说话人的处理仍是挑战，原文列为未来工作，复述时只能用可能或待验证的语气，不能承诺已解决。

第四，计算成本缺失。递归增强的计算开销值得进一步研究，但原文未报告参数量、实时率、浮点运算量或硬件型号，因此不能从共享参数就推断推理更快，训练资源、推理开销、输出帧率与实际延迟要分开讨论。第五，合规性限制。最佳主观成绩因训练数据白名单问题不计入排名，复现若要追求排名必须替换噪声源并重新验证。第六，归一化与分段策略的鲁棒性未测量，长时静音、说话人快速切换、头动大范围变化下的行为属于未评测边界。这些限制决定了何时值得尝试，即只有在能接受仿真预训练成本、能复刻对齐参考生成链路、且目标设备为类似 Aria 几何时，才适合直接复用该流程。

复现先做什么，后做什么？

复现的第一步是重建数据链路，而不是先调网络。先按原文做采样频率失配的重采样补偿，再做加权预测误差去混响，再用引导声源分离估计波束形成器并只取目标说话人通道去噪，最后估计对齐系数得到对齐参考。每一步都要保存中间信号以便听辨，因为对齐错误会直接污染尺度不变信噪比监督。第二步是确定零陷系数。用训练集加说话人活动标签分离出仅佩戴者帧与仅他人帧，估计导向向量并构造固定矩阵，地板常数取 0.1，推理时冻结该系数。第 3 步是改核为因果无未来帧并设窗长 20 毫秒、帧移 10 毫秒，检查算法延迟为 20 毫秒。

第四步是 2 阶段训练。先用仿真混合做预训练，房间尺寸、混响时间、混合信噪比按原文范围随机，参考用短截断房间脉冲响应生成，再用真实录音加生成参考微调，全程用尺度不变信噪比，仿真末期可试把尺度因子置一的信噪比目标以改善听感，但要记录听感与客观指标的变化。优化按 60 轮、初始学习率万分之一、梯度裁剪 1.0、平台调度执行。第五步是长录音推理，按 60 秒段加 4 秒重叠切分，逐段逐目标增强再连接，并实现从头跟踪最大幅度的在线归一化。

资源状态方面，本次收到的证据中没有完成超链接状态验证的资源，不得声称代码、模型或数据已公开，复现应按论文文字与公式重写流程。还需补的验证是各递归步权重取值、不同补偿参数下的噪声放大曲线、以及替换合规噪声源后的性能复测。

何时值得尝试这套组合？

回到中心矛盾。真实噪声下没有对齐的干净参考，细粒度损失用不上；佩戴者语音又强又固定，目标语音又弱又动。论文的选择是用投影制造对齐参考以解锁细粒度监督，用固定零陷先压住佩戴者，再用共享参数的递归把目标语音渐进擦亮，同时用因果核改造保住 20 毫秒延迟。这套组合值得尝试的时机是录音设备几何相对固定、能拿到头戴近距信号做投影、且允许仿真预训练的场景。如果没有近距信号，对齐链路无从谈起，就不应硬套尺度不变信噪比。

复述方法时记住 3 组对照。补偿参数越大，频谱越接近头戴听感，频率加权分段信噪比与信号分越高，但背景分与感知质量可能回落。递归步数增加带来精炼机会，但也增加计算量，原文用两步或 3 步而未报告延迟与算力的实测曲线。主观与客观大体一致，但主观只验证了系统二且存在数据合规问题。最终判断用报告、支持、待验证 3 级语气。

报告的是组合相对基线在 Aria 开发集与评估集上的客观与主观改善。支持的是对齐参考使细粒度训练可用、零陷提供好起点的机制解释。待验证的是各组件独立贡献、助听器泛化、极低信噪比多静音段行为与真实设备上的实时成本，这些正是复现与后续工作要补的验证。