Evaluating Dynamic Range Compressor Models Using Control-Voltage Measurements: An Approach and Dataset

英文题目：Evaluating Dynamic Range Compressor Models Using Control-Voltage Measurements: An Approach and Dataset

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_paper_30

✅ 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：#数据集 #评测协议 #信号处理 #音频生成

评分：7.8/10 | 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 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前25% | 文档类型：数据集与基准

👥 作者与机构

Benjamin Thompson：机构信息未能从会议 PDF 纯文本可靠映射
Michael Heilemann：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

动态范围压缩器建模的输入是立体声混音波形，输出是处理后波形与时变增益轨迹，难点在于硬件滤波、相移与噪声使波形反推增益成为病态逆问题，波形代理指标易受载波幅度加权干扰。本文先形式化波形L1与多分辨率短时能量作为代理指标的偏差机制，明确其对增益误差的加权与失真来源，接着采集SSL Logic FX G384的音频与控制电压配对数据并换算为分贝增益真值，为直接度量提供基准，然后用同一灰盒模型在三种损失下拟合，使代理损失能否还原控制轨迹得以检验。与已有仅含输入输出对的数据集相比，直接在增益域度量消除了载波与滤波噪声干扰，使行为误差可解释且与建模目标对齐。在10个30秒样本的同样本拟合评测设置下，L1代理训练模型的L1增益误差指标为0.1493 dB，低于MSTE代理训练模型的L1增益误差指标0.1615 dB。结论仅适用于10:1与固定释放等受限设置，尚未验证跨曲目泛化与AUTO可变释放建模。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

数据相关资源：https://doi.org/10.60593/ur.d.31892026 → https://rochester.figshare.com/articles/dataset/SSL_Bus_Compressor_Control_Voltage_Dataset/31892026 — 链接可访问（HTTP 202）
第三方资源：https://thatcorp.com/datashts/202data.pdf — 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

为什么压缩器建模首先要分清主效应与次生效应？

输入是立体声混音波形，目标是复刻一台硬件动态范围压缩器在创意使用中的压控行为，必须保留的信息是阈值、压缩比、起压与释放设置下随时间变化的增益衰减量，输出是 1 篇可复述采集、训练与评价链条的解读。动态范围压缩器的主要作用，是当输入电平超过阈值时按比例施加时变衰减，检测方式、电平到衰减的映射以及起压释放弹道共同决定了听感上的抽吸、粘合与密度。

白话说，主效应就是音乐被周期性拧小音量旋钮的轨迹，次生效应则是机器和采集链顺带留下的指纹，例如抗混叠与缓冲放大部分引入的全局延迟、整体增益、频率相关的群延迟与幅度起伏，以及加性噪声。论文反复强调的立场是，创意建模可以忽略听不见的次生效应，也可以把好听的染色另行建模，但在评价压缩行为本身时，必须把主效应单独拿出来看。

原因在于理想关系非常简单，输出分贝等于输入分贝加增益控制分贝，模型准不准只取决于增益控制分贝准不准。一旦回到硬件实测，输出等于增益乘以经过滤波的输入再加噪声，任何在输出波形上逐点比较的指标都会把滤波与噪声的差异算进误差。初学者容易误以为波形对得越像压缩就学得越像，论文要纠正的正是这个直觉：波形像可能只是学会了采集链的相位与底噪，而真正的压控轨迹仍然是错的。

已有建模路线与数据集提供了什么，还缺了什么？

已有路线按可微结构的多寡可分为 3 类。黑盒方法直接从数据学习输入到输出的映射，常见载体是神经网络，优点是不需要写出压缩器方程，缺点是行为藏在权重里，难以归因到阈值或时间常数。灰盒方法把神经网络与结构化可微数字信号处理模块拼接，例如用可学习的检波器加静态曲线加平滑滤波器，优点是参数有物理名字，缺点是结构选错就会系统性偏离硬件。

白盒方法按电路与手册方程搭建模型，优点是可解释，缺点是需要精确元件值与回路增益，调参成本高。数据集方面，论文提到多个公开压缩器数据集，包括近期大规模的固态逻辑总线压缩器采集，它们都只提供音频输入输出对，不提供底层增益控制信号。缺的那一块正是本文要补的：与音频同步的增益控制电压。有了它，训练可以直接监督真目标，评价可以直接度量真误差，还能反过来检验波形代理指标本身是否称职。

作者选择固态逻辑总线压缩器，一是因为它在工业界与商业仿真中地位重要，二是因为它的弯曲静态响应与程序相关释放不是通用单极点模型能自然表达的，适合暴露代理指标的盲区。

要解决的评价问题是什么，为什么从波形反推增益是病态的？

问题可以沿一个样本走一遍来理解。输入一段鼓组突发的立体声，硬件先检测电平，再查静态曲线得到目标衰减，再经起压释放平滑得到连续增益轨迹，最后用压控放大器把波形幅度乘以该增益。理想世界里，用输出除以输入就能拿回增益。现实世界里，分母在过零附近极小，微小噪声经逐点除法会被放大为巨大毛刺；同时输出还经过了未知滤波与延迟，分子分母的载波结构已经不对齐。

论文把这称为病态反问题，并用公式推导说明，即使只加了很温和的滤波与噪声，增益估计也会被数值噪声淹没。于是社区退而求其次，用输出波形上的平均绝对误差或多分辨率短时能量误差做代理。代理好用的条件很苛刻：只有当它在所有候选模型上保持与真误差相同的排序时，最小化代理才等价于最小化真目标。

论文的质疑是，短时能量本质上是一种包络估计，依赖窗长与重叠等分析参数，把窗内能量加总后就丢失了窗内增益的时间分布，不同增益轨迹可以得到相近的损失。多分辨率用多个时间尺度缓解矛盾，但有限个分辨率不能保证等价，且分辨率越多每步计算越贵。因此需要 1 次受控实验：同一模型、同一优化设置，只换损失函数，看谁恢复的增益轨迹更接近实测控制电压。

论文的方法全景：直接测、直接比、直接训

全景分 3 步。第一步是直接测，在音频压控放大器的控制端引出控制电压，与立体声输出同步采集，标定为分贝增益衰减后存档。控制信号变化比音频慢得多，可以做强低通而不损伤压控信息，信噪比因此显著优于从音频反推。第二步是直接比，模型只要能暴露自己估计的增益轨迹，就能与实测轨迹算绝对误差，误差不再携带波形载波，解释性强。第 3 步是直接训，用增益分贝上的平均绝对误差训练灰盒模型，并与两种波形代理损失训练的同一模型对比。

数据集同时承担两种角色：它是训练的监督源，也是检验代理指标的标尺。需要强调的是，论文并不声称控制电压解决了所有建模问题，它只解决行为评价的对准问题，音色染色、噪声与变压器味道仍需另行处理。这种分工恰好对应开篇的主次效应划分：先把压缩动作学对，再决定要不要学染色。

三种误差放在同一时间轴上看，形态有何不同？

先把术语说清。线性增益是乘在波形上的乘子，分贝增益是它的对数表达，绝对增益误差是两者差的绝对值；绝对输出误差是两条输出波形逐点差的绝对值；多分辨率短时能量误差是先去直流、分帧算能量差再跨分辨率平均，论文为可视化把每帧误差均匀摊到帧内采样上。三者在同一段约 5 秒音乐上的表现差异很大。

直接增益误差稀疏而有结构，多数时间接近零，只在起压过快或释放拐点错位处出现高耸尖峰。两种波形代理则始终有一层密集毛刺垫底，粗结构大致跟随增益误差的起伏，但在关键位置失真。最典型的是 3 秒附近的增益误差大峰，在两种代理中几乎看不到对应高度。这说明代理的排序能力在局部失效：一个在听感与行为上关键的过压或欠压，可能被载波能量起伏稀释掉。

下图把四排信号按同一时间轴堆叠，所有误差都按各自最大值归一化以便比较形态，顶层同时给出硬件与模型的线性增益曲线作为参照。

看图路径： 1. 先看顶层两条增益曲线在同一时间轴上的贴合段与分离段，确认分离集中在快速起压与释放拐点；2. 再看第二排绝对增益误差的尖峰位置，记住其稀疏而高耸的形态；3. 对比第三排绝对输出误差的密集毛刺背景，体会载波噪声如何淹没尖峰结构；4. 最后看底层多分辨率能量误差的宽包络，检查三秒附近的大增益误差峰是否在代理中消失

论文图 1。原论文 Figure 1：“Dynamics processor error metrics. The top panel shows the measured linear gain signal, g[k], from a hardware SSL com- pressor alongside the gain produced by a software model,…”。

上图中最值得复述的动作是，先对准顶层黑色硬件曲线与红色虚线模型曲线的分离点，再向下核对第二排是否在同一时刻立起尖峰，然后检查第三四排在同一时刻是否同样显著。如果发现代理排的背景毛刺幅度与尖峰相当，就理解了论文所说的代理更噪声化。另一处细节是帧长选择，图注给出多分辨率能量用了 8、16、32 与 64 采样、重叠 75%，这正是灰盒文献的常用配置，说明即使在推荐配置下，代理依然丢失了显著结构。

增益衰减信号 × 控制电压信号： 增益衰减信号是定义压缩器行为的时变增益量，决定输入超过阈值后被压低多少分贝；控制电压信号是硬件中驱动压控放大器的电学量，本论文将其标定为与增益衰减分贝数一一对应的观测。两者搭配的理由是前者是评价真值但平时不可见，后者是可直接测量的物理载体，组合后新增的作用是绕开从音频输入输出反推增益的病态除法，让训练和评价都落在同一条慢变轨迹上。

波形 L1 误差 × 多分辨率短时能量误差： 波形 L1 误差负责逐采样点比较硬件输出与模型输出的绝对差，对相位偏移、整体延迟和加性噪声敏感；多分辨率短时能量误差负责先去直流再分帧比较帧能量，在多个帧长上取平均，对相位错位更鲁棒。两者搭配的理由是前者保留最细的时间对齐信息但易被次生效应主导，后者用能量包络换取稳定性，组合意义在于论文用它们代表两类常用代理损失，与直接增益损失做对照，检验代理是否与真目标排序一致。

静态曲线 × 包络跟随与释放弹道： 静态曲线负责把检测到的电平映射为目标增益量，决定阈值、拐点曲率和压缩比；包络跟随与释放弹道负责规定增益以多快起压、多慢释放，决定 attack 与 release 的时间轨迹。两者搭配的理由是压缩器行为等于目标量乘以时间平滑，缺一不可，组合后新增的作用是解释为何通用单极点模型在低压缩比的渐进拐点和自动挡的双极点程序相关释放上复刻不足。

灰盒模型如何改、如何训，三种损失各监督哪里？

论文选用已有的可微压缩器灰盒模型做对照载体，并为贴合固态逻辑拓扑做了一处改动：把均方根检波器换成峰值检波器，取左右声道瞬时幅度的最大值驱动，产生左右共用的单条增益控制信号，再同等作用于两声道。可优化参数是阈值、压缩比、起压时间、释放时间与补偿增益，其余结构保持不变。需要如实指出模型的能力边界：它的静态曲线是无限硬拐点加固定斜率，在 10 比 1 挡下近似合理，但在低压缩比下对渐进拐点与阈值上方的曲率表达不足。

它的弹道是固定单极点，而硬件自动释放挡是双极点实现的程序相关释放。因此训练数据被限制在压缩比 10 比 1 与单时间常数释放挡，避免用结构性失配惩罚损失函数本身。3 种损失各监督不同位置：直接损失监督分贝增益轨迹，波形平均绝对误差监督处理后波形逐点，波形多分辨率能量监督去直流后多尺度帧能量。两种波形损失在计算前都先经同一个去直流无限冲激响应高通预滤波，以去除直流偏置的影响。

每个损失机制独立训练 10 个模型，每个模型拟合一段 30 秒立体声，10 段样例横跨 5 种硬件控制组合，用固定种子伪随机选取且每首歌至多取一段，3 组损失共用同一组 10 段样例。每模型训练 3000 步，优化器与学习率调度完全相同，保留各自原生训练损失最低的检查点。

阈值偏移合成 × 补偿增益偏移合成： 阈值偏移合成负责在分贝域给输入输出同时加减同一常数，等效改变有效阈值而不改变控制轨迹；补偿增益偏移合成负责给输出波形和控制信号同时加减同一分贝偏置，等效改变补偿增益而不改变侧链检测。两者搭配的理由是硬件面板上阈值与补偿增益在电路上只是直流偏置，组合意义是无需为每个阈值与补偿位置重复采集，就能从已有录制派生新的输入输出与控制配对，节省数据集规模。

硬件、输入、控制组合与采集链是如何固定的？

被测硬件是一台 1991 年固态逻辑 Logic FX G384 总线压缩器，实验前已全面保养校准，并在音频压控放大器控制输入处加装与调音台版本相当的校准微调。音频通路压控放大器是 THAT 202 系列，侧链压控放大器是 DBX 品牌 2151，与其他总线压缩器衍生型号的主要差异在平衡与线路驱动而不在核心动态控制通路。下图展示了开盖后的实物与红色测试引线落在左侧音频压控放大器控制端的取点位置，前面板可辨认阈值、起压、压缩比、释放等旋钮。

看图路径： 1. 先沿前面板从左到右辨认阈值、起压、压缩比、释放与补偿旋钮，确认这是被测总线压缩器本体；2. 再看打开的上盖内部绿色主板与两根红色测试引线，确认引线落在左侧音频压控放大器控制端

论文图 3。原论文 Figure 3：“SSL Logic FX G384 bus compressor measured for dataset. The wire test leads are connected to the control input of the left audio VCA.”。

上图确认了控制电压不是事后估算而是硬件内直接引出，这是全文可信度的物理锚点。输入分音乐与校准两类。音乐是 219 段 30 秒完整歌曲摘录，采样率 44.1 千赫、24 比特，峰值归一化到 0.9 绝对值，边界加 10 毫秒淡入淡出，选曲偏好未经重度限制的混音，并与前人数据集共用源以便跨硬件比较。校准信号包括缓慢斜坡、3 种时长突发、阈下最大长度序列，以及用于电压到分贝标定的 11 级离散突发。

斜坡用 1 千赫正弦做载波，幅度以每秒 1.6 分贝从负 48 分贝爬到 0 分贝，若起压远快于爬升则可近似读出静态曲线与功能阈值；突发用于捕捉起压释放，自动挡下不同时长突发的响应差异可揭示程序相关释放；阈下序列不触发压缩，用于估计输入输出相对延迟以做时间对齐。控制组合覆盖开关类参数的全排列，阈值与补偿增益只取单挡，因为两者在电路上只是直流偏置，可按论文给出的分贝域平移公式事后合成。

采集用直流耦合声卡同步录立体声与单通道控制电压，音频存 24 比特，控制电压存 32 比特波形格式但数值可含大直流且不限于负 1 到 1 之间，论文提醒不得直送功放或音箱。存储前去除了与控制电压无关的静态输入输出增益，调整系数存入元数据以便恢复。输入输出在采集时已做延迟补偿到样本级对齐，同一控制组合内各通道残余偏移一致，另提供阈下序列供用户校验，并给出把线性增益乘回输入后搜索整数延迟的对齐程序，可扩展为分数延迟加插值。

直接监督是否恢复出更准的增益轨迹，波形指标为何拉不开差距？

评价问题是 3 种损失恢复的增益轨迹谁更接近实测控制电压，比较条件是同一模型、同一 10 段样例、同一优化预算，只换损失，指标方向都是越小越好。论文报告每个机制在原生指标上各自最优，这符合预期，关键看交叉评价。下表整理了 10 模型平均后的 3 种评价指标，行是训练损失，列是评价指标，最后一列是文字解读而非新测量。表中分贝列是直接增益误差，另两列是波形域代理误差，数量级差异源于量纲不同，不可跨列比大小，只能在同一列内比行间排序。

训练损失机制	直接增益误差	波形误差	波形多分辨率能量误差	同列排序含义
直接增益	0.0869 dB	3.328×10−3	2.746×10−4	增益列最优，波形列非最优
波形平均绝对误差	0.1493 dB	3.237×10−3	2.444×10−4	波形列最优，增益列明显偏高
波形多分辨率能量	0.1615 dB	3.238×10−3	2.423×10−4	能量列最优，增益列最高

上表显示，直接监督的增益误差为 0.0869 dB，波形平均绝对误差训练的为 0.1493 dB，能量训练的为 0.1615 dB，论文给出最大比最小高出 85.9%。但在波形列，3 者为 3.328×10−3、3.237×10−3 与 3.238×10−3，论文给出极差为 2.8%；能量列 3 者为 2.746×10−4、2.444×10−4 与 2.423×10−4，论文给出极差为 13.3%。用论文的话说，波形域评价把控制信号揭示的结构坍缩了，对增益上可分的模型给出相近分数。逐样例图进一步表明这不是平均假象：灰线连接同一训练样例，绿色直接监督点在多数样例上位于最下方。下图即该逐样例散点，纵轴是增益分贝误差，横轴是训练样例序号，图例区分 3 种损失机制，绿色、蓝色与橙色方块分别对应直接增益、波形与能量训练，灰色竖线连接同一训练样例的 3 个点。

看图路径： 1. 先确认纵轴是增益分贝误差，横轴是十个训练样例，颜色区分三种损失机制；2. 再沿每条灰色竖线比较同一首曲目下绿色点与其他两色点的上下关系；3. 注意最左侧与中间几个样例上绿色点显著更低，说明直接监督的优势与样本有关但方向一致

论文图 2。原论文 Figure 2：“Gain-reduction signal error of trained models for each training example and loss regime. The gray lines connect the error values for the same training example.”。

上图的读法是先纵向看每条灰线的跨度，再横向看绿色点是否系统性偏低，纵轴范围约从 0.04 到 0.24，单位为分贝。论文的判断措辞是克制的：代理与真目标相关，但最小化代理不等价于最小化增益误差。未胜出的细节也要保留：直接监督在波形指标上并不是最优，说明它没有为了拟合一条慢变轨迹而顺带学会采集链的染色，这恰好符合主次分离的设计初衷，不能把波形列的微弱劣势解读为直接方法失败。

哪些对照排除了偶然性，哪些结构失配仍未被损失函数弥补？

论文用 3 处安排支撑因果解释。第一是样本配对，10 段样例在 3 种机制间完全相同，图 2 的灰线正是配对可视化，排除了因曲目难度不同导致的排序反转。第二是优化一致，步数、优化器、学习率调度与模型配置全部固定，检查点按各自原生损失选取，避免用早停偏好偏袒某一方。第三是能力封顶，压缩比固定 10 比 1、释放只用单时间常数挡，把已知的硬拐点与双极点自动释放失配挡在实验之外，使损失函数的差异不被结构性欠拟合淹没。

即便如此，论文如实报告模型仍不能完全复刻硬件，例如低压缩比下的渐进进入与阈值上方曲率，以及自动挡的程序相关释放轨迹。这意味着当前数字是损失函数在受限结构下的相对排序，不是该硬件可达的绝对上限。另一个值得复述的反证来自文献回顾：黑盒直接合成波形可以在波形平均绝对误差上比白盒灰盒低近一个数量级，却在多分辨率频谱幅度指标上被反超，说明波形平均绝对误差奖励的是对次生效应的模仿，而非对增益行为的复刻。

本文实验把同一逻辑推进一步：即使同为灰盒且结构相同，只换损失，波形指标依然拉不开差距。

这套直接评价的边界与未测量项是什么？

边界首先在硬件与设置覆盖上。数据集只测了一台 G384，尽管核心动态通路与其他版本相近，输入输出电路与元件老化仍可能带来个体差异；阈值与补偿增益依赖事后合成，其等效性建立在分贝域偏置假设上，若侧链与音频通路存在非理想耦合，合成条件的真实性需要另行验证。

其次在指标语义上，直接增益误差是行为精度的可解释度量，但不是听感质量的替代品，论文未做主观听音，也未报告误判率、延迟与算力，原文用支持而非证明的语气讨论代理的局限，读者不应把增益误差更小直接翻译为更好听或更可用。第三在模型泛化上，实验是单样例拟合后在同一样例上评价，目的不是测试泛化，而是隔离损失函数与控制目标的关系，因此没有传统训练验证划分，不能据此推断跨曲目或跨设置的泛化排序。

第四在元数据定义上，有效阈值是按斜坡响应中控制信号偏离基线 5 个标准差的操作性定义，尤其在低压缩比渐进压缩下，不等同于理想静态模型的阈值参数，做参数恢复时需要按自家模型重定义。缺失证据不是技术错误，但复用时必须补上对应验证，例如分数延迟对齐、合成阈值条件的听感一致性，以及跨设备重复性。

要复现采集、训练与评价，先做什么，需要什么？

复现分 3 条线。数据线先确认资源状态：论文给出数据集地址与压控放大器手册地址，本次收到的资源状态显示数据集与第三方手册均可达，其中数据集当前返回处理中状态，使用前应以仓库页面实际文件为准，不可默认已可整包下载。若自采，需准备直流耦合采集接口、从音频压控放大器控制端引出的屏蔽测试线、已校准的 G384，以及 11 级离散突发标定流程，按线性拟合斜率把电压换算为分贝增益衰减，拟合前把响应裁到静态区。

训练线先跑通灰盒基线，把检波器改为峰值跨通道取最大、输出单条共用增益，再固定压缩比 10 比 1 与单释放挡，用同一 10 段样例分别跑 3 种损失各 3000 步，检查点按原生损失选取，最后统一用增益分贝平均绝对误差与两种波形指标交叉评价。评价线先用阈下序列校验音频对齐，再用增益乘回输入搜索整数延迟校验控制对齐，必要时扩展为分数延迟。关键超参数与信息条件是 44.1 kHz 采样、30 秒段长、去直流预滤波、帧长 8 到 64 与 75% 重叠的能量配置，以及阈值补偿合成时的分贝平移规则。

代码开源、权重下载与系统可运行是 3 件不同的事，论文提供的是数据与方法描述，不是开箱即用的插件，复现者还需自行实现训练循环与评价脚本。

下表把规模、精度与参数放在一起，是为了让复现者先估算存储与带宽，再决定只取子集还是全量，表中组合数与总量均按原文照录。

数据集规模与格式	音乐输入	控制组合	输出样例	总量与精度
本数据集实测配置	219 段 30 秒立体声	90 种开关组合	19,710 段立体声输出	约 270 GB，音频 24 比特，控制 32 比特
采样与归一化	44.1 kHz	峰值 0.9，10 毫秒淡入淡出	单通道控制电压已换算为分贝	音频与控制同步，样本级对齐
控制参数示例	阈值连续挡	起压 0.1 毫秒至 30 毫秒	压缩比 2、4、10	释放 0.1 秒至 1.2 秒及自动挡

上表把规模、精度与参数放在一起，是为了让复现者先估算存储与带宽，再决定只取子集还是全量。表中 90 种组合来自开关类参数全排列，阈值与补偿增益靠合成扩展，219 乘以 90 的算术关系可自行核对，原文总量为 19,710 段。未评测边界也要记住：自动释放挡的程序相关行为与低压缩比曲率不在主实验内，若目标是完整产品级仿真，还需另设实验覆盖这些区域。

何时值得用控制电压，初学者如何不误用波形指标？

当研究问题是压缩动作本身是否学对，例如比较损失函数、检波器结构或弹道阶数，值得用控制电压直接评价，因为它把排序建立在慢变真目标上，不受载波相位与底噪干扰。当目标是交付有味道的成品仿真，则应在增益对准之后另行建模染色与噪声，并用听感或频谱指标补充评价，不能只看增益误差。初学者最常见的误解是把波形误差小等同于压缩学得好，本文的对照恰好给出反例：波形上难分高下的模型，在增益轨迹上可能相差超过 80%。

另一个误解是把从波形反推增益当成简单除法，论文用含滤波与噪声的模型说明，过零附近的除法会放大数值噪声，阈值截断与低通都救不回载波结构。带走的可执行清单是：先沿单样本走完输入到检波、静态曲线、弹道平滑、增益相乘的链条，再决定监督点落在增益还是波形；做比较时固定样本、固定预算、交叉评价；报告时区分直接报告的数字、有限解释的支持关系与待验证的推测。

若只能记住一句话，就是压缩器建模的真值是那条看不见的增益线，能直接测到它时，就不要只在波形上猜它。