英文题目：BSCodec: A Band-Split Neural Codec for High-Quality Universal Audio Reconstruction
会议身份：
conference:eacl:2026:conference-paper-id:2026.findings-eacl.245
✅ 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：#时频分析 #环境声 #音乐 #语音 #音频编码
评分：7.5/10 | 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 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前25% | 文档类型：方法研究
👥 作者与机构
- Haoran Wang：机构信息未能从会议 PDF 纯文本可靠映射
- Jiatong Shi：机构信息未能从会议 PDF 纯文本可靠映射
- Jinchuan Tian：机构信息未能从会议 PDF 纯文本可靠映射
- Bohan Li：机构信息未能从会议 PDF 纯文本可靠映射
- Kai Yu：机构信息未能从会议 PDF 纯文本可靠映射
- Shinji Watanabe：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
通用音频重建需在同一模型中同时压缩语音、音乐与环境声，而三者频谱能量分布差异显著，统一容量分配难以兼顾窄带谐波与宽带音色纹理。本文提出频带分离编解码器BSCodec，先将24kHz输入经短时傅里叶变换分割为多个不重叠子带并经逆变换还原为子带波形，得到带限波形集合。再将该集合送入参数不共享的独立编码器并行编码为75Hz潜在特征以特化各自频段，得到各带连续潜在表征。最后将每带潜在表征经单层大量本量化离散化后由对应对称解码器重建子带波形并相加合成，与多带判别器联合优化重建，得到最终波形。与残差向量量化逐层编码残差不同，该设计按物理频带解耦表示并为每带分配单层大码本，避免全频带均匀分配容量。在音乐重建评测下，BSCodec三频带配置的VISQOL为4.196，高于DAC基线的4.097。三频带粗分低频统一建模缓解了五频带在语音感知指标上的退化，在保持音乐与环境声优势的同时提升说话人相似度与下游语义表征能力。结论适用边界限于24kHz重建与中小规模理解型下游任务，尚未验证大语言模型式生成与更高采样率外推，原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 代码相关资源：https://github.com/whr-a/espnet/tree/bscodec — 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？要解决的矛盾从哪里来？
这篇解读的输入是会议论文正文与官方原图像素，目标是让刚入门的研究生能核对并复述 BSCodec 的做法。必须保留的信息包括切带边界、编码器结构、量化方式、损失权重、训练数据与评估指标，输出是按学习依赖展开的中文讲解。论文研究的任务是通用音频重建，也就是用同一个神经音频编解码器压缩再还原语音、音乐和日常声音。初学者容易以为把波形丢给一个大模型统一压缩就行，但论文起点正好相反。
语音能量集中在基频谐波附近的窄带，音乐与声音则需要在全频保留音色与质感，高频稍有丢失就很明显。如果全频共用一套容量，模型要在不同能量分布之间折中，语音上好用的设计搬到音乐声音上就会退化。
为看清这种差异，论文先统计 3 类音频的频域平均能量分布。横轴是频率，纵轴是对数能量，3 条曲线分别代表语音、音乐和声音，另有一条平均线。导读时不要只记谁高谁低，要看结构：低频峰的位置与宽度不同，中高频衰减速度不同，高频尾部相对关系也不同。这正是后文按频带独立处理的动机，全文判断都建立在这个可核对的分布差异上。
看图路径： 1. 先看横轴 0 到 8 千赫与纵轴对数能量，确认三条域曲线的整体走向；2. 对比低频段语音红色峰与音乐绿色更快衰减的位置差异；3. 再看中高频段语音与声音仍高于音乐的相对关系；4. 结合黑色平均线判断全频统一建模为何吃力
论文图 1。原论文 Figure 1：“Frequency domain energy distribution of speech, sound and music (extraction method in Ap- pendix D).”。
上图显示语音在低频有更突出的峰，音乐随频率上升衰减更快，而声音与语音在中高频保持相对更高的能量，黑色平均线夹在中间。解释时要强调这不是单一样本的偶然起伏，而是按附录方法归一化与加权平均后的总体趋势。它说明不同域的信息密度与感知重要性分布在不同频段，因此均匀分配容量不是最省比特的做法。BSCodec 的选择是把谱切开，让每个频带自己学自己的压缩方式，后文所有切分粒度与码本分配都围绕这个矛盾展开。
同类路线做了什么？BSCodec 站在哪条线上？
神经音频编解码器的常见做法是编码器加残差向量量化加生成对抗网络重建。残差向量量化的含义是先量化 1 次，再对残差继续量化，多层叠加逼近原向量。对抗训练的含义是用判别器逼生成器输出更像真波形。这条路线在语音上已经能做到高保真低比特，但多域通用时仍有短板。论文把 DAC 作为对齐的基线框架，DAC 用均衡采样保证每批都含三域数据，避免训练偏向某一域。另一些工作加领域专用码本、语义先验或掩码自编码表示来增强，但都增加了域专用机制。
另一条线是频带切分。它在经典信号处理中有正交镜像滤波与多相滤波器组、改进离散余弦变换等子带分解传统，也是 MP3 与 AAC 等感知编码的基础。在深度学习中，音乐分离的频带切分循环网络把语谱图按频带划分后用专用循环网络处理再重建，语音合成的多带生成器为不同频带设独立分支。这些工作的共同点是承认低频管谐波与基频、中频管共振峰与音色、高频管瞬态与质感，分开处理更贴合音频自然结构。
BSCodec 的定位很明确：架构与训练尽量贴近 DAC，不引入复杂域专用机制，只用频带分解这一简单改动去换多域泛化。理解这一定位很重要，后文比较是否公平就看训练数据与配置是否相同。
为什么残差层级不够？要验证什么问题？
论文指出残差量化层级缺乏显式声学结构，每层量化的是残差，不对应可解释的声学属性。当三域混合训练时，信号源熵明显变大，需要更高比特率；同时编码器要学到纠缠的多域表示，用统一残差编码去覆盖所有域。有限标量量化与分组量化沿维度切分，但切分依据也不是音频物理属性。举例来说，同样是增加一层残差码本，它无法指明补的是低频谐波还是高频擦音，解码器只能靠数据去猜。
因此论文把问题定义为如何在统一模型下解耦域相关的谱结构。验证思路分 2 个阶段。第一阶段先在音乐上验证切带是否可行，因为音乐基频分布更宽，学习相对不那么困难，顺带探索切带数量与边界。第二阶段扩展到语音音乐声音三域混合，检验切带在多样声学特性下是否依然有效，并针对语音做粗粒度优化。2 阶段共用同一套重建指标方向：语音看失真越低越好、感知分越高越好，音乐声音看感知分越高越好、谱距离越低越好。记住这个分阶段逻辑，后文看到 5 带在音乐好但语音感知差时就不会误判为模型失效，而是粒度与域特性的错配。
BSCodec 让一个样本走完哪条流水线？
拿一段 24 千赫采样的 1 秒波形为例。输入先做短时傅里叶变换得到时频谱，按预设频率边界用二值掩码取出各带子谱，再经逆短时傅里叶变换变回多路带限波形。每路波形送入自己独立的编码器得到连续隐变量，再经本带的单层量化器变为离散码字，解码器把量化表示上采样回本带波形，最后把各带波形相加得到全频重建。训练时生成器侧同时算全带与分带重建损失，判别器侧同时看原始输入与最终输出。推理时同样切带、编码查表、解码相加，不需要跨带共享参数。
下图是整体架构，左侧是变换与切分，中间虚框是并行生成器，下方是判别器。先沿主路径看 1 次，再看监督从哪里回流，这样后文每个组件都有位置可挂。
看图路径： 1. 从左侧输入波形沿箭头走到频带切分与逆变换环节；2. 数出并行分支中编码器到量化器再到解码器的三级结构；3. 找到各分支重建相加为一路输出的汇合点；4. 确认下方判别器同时看到原始输入与最终相加输出
论文图 2。原论文 Figure 2：“BSCodec architecture with band split, multi-band parallel generators and discriminators.”。
从像素看，左侧波形进入纵向的变换加切分块，中间出现多张子谱示意，再经逆变换变为多路波形。每路波形对应编码器到量化器再到解码器的横向链，多路解码波形汇入加法圆圈后输出最终波形。图上方每条分支还引出一条回路指向重建损失框，说明分带监督确实作用在每带。下方长条判别器同时接收最左原始波形与最右重建波形，构成对抗分支。这种画法把物理切分与并行编解码绑定在一起：切分解决分布解耦，并行解决容量专用，相加解决波形还原。
切带、编码解码与量化各负责什么？
切带模块的输入是离散时间信号，经加窗分帧傅里叶变换得到谱系数，再按采样率与变换点数把频率点映射到赫兹边界。每个频带用 0 或 1 掩码保留带内、置零带外，逐点相乘得到带谱，最后按加窗重叠相加做逆变换。每带输出仍是时域波形，只是带外已被抑制。编码器对每带独立设参，结构采用 SEANet，下采样步幅为 2、4、5、8 共 4 级，初始通道 32 逐级翻倍，输出 512 维、帧率 75 赫兹的隐特征，每个卷积块含 3 个残差单元加步幅卷积。解码器镜像对称，上采样步幅为 8、5、4、2，把 512 维量化表示还原为 24 千赫波形。关键是各带编码器不共享参数，允许各自特化本频段结构。
频带切分 × 残差向量量化： 频带切分负责按频率边界把信号解耦为多个带限波形，让每个分支只处理一段谱；残差向量量化负责在同一全频隐变量上逐层量化残差。两者搭配的理由是残差层不对应可解释声学属性，多域混合时熵更高且表征纠缠，而按频带切分提供物理接地，组合后每本码书只承担本频带的分布，新增作用是域关键信息被分带保留而非挤在残差层级里。
短时傅里叶变换 × 逆短时傅里叶变换： 短时傅里叶变换负责把时域波形变为时频谱以便按频点加掩码切带；逆短时傅里叶变换负责把每个掩码后的子谱变回时域带限波形。搭配理由是掩码只能在频域定义，而编码器要求时域输入，组合后形成时域到频域再回时域的闭环，新增作用是各频带获得可独立送入编码器的波形并最终可相加还原。
量化采用每带单层 SimVQ。先说白话：普通向量量化是给编码输出找最近码字，SimVQ 给码本嵌入再乘一个可学习变换矩阵，查表距离在变换后空间计算，前向把变换后码字送给解码器，反向用直通估计把梯度直接传给编码输出。码本学习用双向承诺损失约束两者靠近，其中第二项系数为 0.25。每带码本大小为 131072，这是大码本，必须配 SimVQ 才能稳定优化。公式先讲符号：编码输出、码本集合、变换矩阵、停止梯度算子，再讲目标：前向用码字、反向通梯度、损失拉近两端。原文明确的实现只有这些，未报告码本重置或指数滑动平均细节，不从名称推定。
\[Lcommit = ∥sg[z]−qW∥2 +λ∥z −sg[qW]∥2 (6)\]上式是承诺损失的完整形态，第一项让量化码靠近编码输出，第二项让编码向码本适配，系数控制后者强度。下一式是前向量化表示的写法，直通估计是理解梯度路径的关键。
\[zq = z + sg[qW −z]\]重建损失用多尺度梅尔谱平均绝对误差，梅尔窗长从 2 的 6 次方到 2 的 11 次方、80 个梅尔滤波器组，除全带损失外还对每带单独算带内损失再平均。对抗沿用 DAC 的多周期波形判别器与多带多尺度频域判别器，用合页损失加特征匹配。权重按原文为梅尔 45.0、特征匹配 2.0、对抗 1.0、重建 1.0、码本承诺 1.0。
SimVQ × 承诺损失： SimVQ 负责在码本嵌入上加可学习线性变换矩阵以优化大码本的学习动力学；承诺损失负责双向约束编码输出与量化码字互相靠近。搭配理由是每带码本大到 131072 时直接学码本困难，组合后变换矩阵提供重参数化而承诺损失固定锚点，新增作用是在保持直通估计梯度流通的同时让大码本可用且不坍缩。
训练如何组织？收敛过程看到什么？
模型实现基于 ESPnet 中的编解码部分。训练把音频切为 1 秒块，采样率 24 千赫，全局批量 72，用 AdamW 优化器，初始学习率 2.0 乘 10 的负 4 次方，动量系数 0.5 与 0.9，学习率按每轮 0.999875 指数衰减，每轮处理 2000 个样本约 1200 步，共训练 340,000 步。比较用的 DAC 基线设 8 层码本，用相同训练配置与数据集，并用码本丢弃得到更低比特变体。损失权重与承诺系数见上节，训练分音乐验证与三域扩展 2 个阶段，评估每 10 轮跟踪 1 次梅尔距离。
多尺度梅尔损失 × 对抗损失： 多尺度梅尔损失负责在频域多分辨率下约束重建与真值的平均绝对误差，并对每个频带单独算带内损失再平均；对抗损失负责用多周期判别器和多带多尺度频域判别器判断波形真假并做特征匹配。搭配理由是仅有梅尔损失易平均化细节而仅有对抗易不稳定，组合后前者给稳定频域监督、后者补波形级真实感，新增作用是全带与分带监督同时保留整体音质与带内保真。
收敛对比的阅读方法是先分清 3 个子图的时间范围与对象：上中下分别为语音、音频、音乐，横轴都是轮数，纵轴都是梅尔距离，越低越好，3 条线分别为 DAC 与 5 带 3 带 BSCodec。导读时不要把某轮起伏当最终结论，要看 40 到 60 轮后是否进入平稳段。
看图路径： 1. 分别查看语音音频音乐三个子面板的横轴轮数与纵轴梅尔距离；2. 对比 DAC 圆点线与两条 BSCodec 线在前 50 轮的下降速度；3. 注意 3 带三角线在 20 到 40 轮附近的起伏再下降形态；4. 确认 100 轮附近谁更低以及差距在哪个域更大
论文图 4。原论文 Figure 4：“Comparison of the decrease in MEL distance during training for different codecs”。
从像素看，5 带方形线在三域都下降更快，尤其 30 轮后已低于 DAC 圆形线；3 带三角线在 20 到 40 轮有明显起伏，50 轮后才追近 DAC 并在语音音频上反超。解释是切带把早期优化分解为多个更简单的子问题，因而前期斜率更陡，但大码本与粗粒度组合需要更多步数稳定。原文报告两带三带配置在约 40 到 60 轮进入稳定，DAC 曲线更平坦收敛更慢。注意这是梅尔距离趋势，不能直接等同于感知分或下游语义，末轮更低不代表每轮都更低。
数据、切分与指标条件是否对齐？
第一阶段音乐训练用 Jamendo、MUSDB18 与 MAESTRO，测试用人声的 MUSDB18 测试集与 100 段 MAESTRO 非人声。第二阶段三域混合约 2100 小时，每域约 700 小时以保平衡，语音用 LibriTTS、VCTK 与 CommonVoice 并在 LibriTTS 干净测试集评估，音乐用 Jamendo 与 MUSDB18 并在 MUSDB18 测试集评估，声音用 AudioSet 训练并在 AudioSet 测试集评估。细节分布见附录表，复现时必须保持同采样率与同切块，否则比特率与帧率换算会对不上。
编码器帧率 × 比特率： 编码器帧率负责决定每秒产生多少隐帧，论文为 75 赫兹；比特率负责决定每秒传输多少比特，由帧率乘每帧码字比特数决定。搭配理由是帧率固定后码本大小直接决定比特率，组合意义是 2 频带 2.55 千比特每秒与 3 频带 3.83 千比特每秒的差异可直接回溯到码本配置与频带数，而非采样率或分帧的改变。
切带配置是复现的核心。5 带边界为 0 到 0.5、0.5 到 2、2 到 4、4 到 8、8 到 12 千赫，3 带为 0 到 2、2 到 4、4 到 12 千赫，2 带为 0 到 2、2 到 12 千赫。划分灵感取自频带切分循环网络的密度分布，但只借密度不照搬 41 带。频带越少则每带码本需越大以维持容量，因此 2 带 3 带配 SimVQ 大码本。指标方向要记牢：语音用梅尔倒谱失真越低越好，宽带感知分、短时可懂度、说话人相似度与神经网络平均意见分越高越好。
音乐声音用感知分越高越好，梅尔距离与频谱距离越低越好。工具用 VERSA 默认配置，梅尔距离是多分辨率谱经 80 维梅尔滤波后的平均绝对误差，频谱距离用两种窗长跳长组合的多尺度谱误差。
下表整理切带边界与码本条件，阅读时把边界与后文比特率对应起来，5 带用普通向量量化而 2 带 3 带用 SimVQ 是理解消融的关键。
| 配置 | 低频带 | 中低带 | 中频带 | 高频带 | 每带码本 |
|---|---|---|---|---|---|
| 5 带 | 0 到 0.5 千赫 | 0.5 到 2 千赫 | 2 到 4 千赫 | 4 到 8 与 8 到 12 千赫 | 普通向量量化 |
| 3 带 | 0 到 2 千赫 | 2 到 4 千赫 | 4 到 12 千赫 | 共用高频段 | 131072 |
| 2 带 | 0 到 2 千赫 | 2 到 12 千赫 | 共用高频段 | 共用高频段 | 131072 |
上表把粗细粒度放在同一行内对比，代价一目了然：带数越多每带越窄但分支越多，带数越少每带越宽但码本越大。语音窄带谐波需要低频整体建模，过细切分会打碎相关结构，这是后文 3 带在语音上反超 5 带的伏笔。训练超参数与损失权重整理如下，复现时先对齐这张表再调切带。
| 批量 | 切块采样 | 总步数 | 优化器学习率 | 损失权重 |
|---|---|---|---|---|
| 对齐基线 | 相同数据配置 | 8 层码本 DAC | 码本丢弃得低比特 | 承诺第二项系数 0.25 |
上表说明公平比较的条件是相同数据与相同训练配置，DAC 的低比特不是重训而是码本丢弃得到。比特率对照为 BSCodec 的 2.55 与 3.83 对 DAC 的 4.5 与 6，记住这组对应关系才能判断半比特率的说法是否成立。
| 对比组 | BSCodec 低比特 | BSCodec 高比特 | DAC 低比特 | DAC 高比特 |
|---|---|---|---|---|
| 相同训练下可比 | 2.55 千比特每秒 | 3.83 千比特每秒 | 4.5 千比特每秒 | 6 千比特每秒 |
| 码本层数 | 分带单层 | 分带单层 | 8 层残差 | 8 层残差 |
上表对应半比特率结论的公平比较前提，相同训练配置下分带单层对照 8 层残差结构，低比特变体由码本丢弃得到，复现时须先对齐该对应关系再讨论重建质量与下游表现。
主结果在什么条件下支持半比特率的说法？
比较问题是相同混合训练下，BSCodec 能否以约一半比特率达到 DAC 的整体重建水平。公平条件是同数据集同训练配置，DAC 为 8 层残差基线及其丢弃变体。指标方向如上节，语音重感知与说话人保持，音乐声音重全频保真。下表是三域重建的核心数字表，列选感知与关键失真指标，行保留高低比特基线与可运行的分带策略。
| EnCodec† RVQ | 6.00 | 2.715 | 4.240 | 4.410 |
|---|---|---|---|---|
| DAC RVQ | 6.00 | 2.915 | 4.085 | 4.201 |
| DAC RVQ | 4.50 | 2.726 | 4.055 | 4.171 |
| BSCodec 5# VQ | 3.75 | 1.961 | 4.245 | 4.326 |
| BSCodec 3# SimVQ | 3.83 | 2.544 | 4.234 | 4.298 |
| BSCodec 2# SimVQ | 2.55 | 2.429 | 4.137 | 4.166 |
上表需结合行列一起读。3 带 SimVQ 在 3.83 千比特每秒下语音感知与说话人相似度明显高于同级 DAC，声音与音乐感知分也高于 DAC 的 6 千比特与 4.5 千比特，而梅尔与频谱距离更低。5 带在 3.75 千比特每秒下声音音乐很好但语音感知偏低，说明细粒度切分利于宽频域但打碎语音低频相关。2 带在 2.55 千比特每秒下仍保持可用，语音略降而音视频差距拉大，说明去掉高频 17 比特码本后域关键信息受损更大。未胜出项必须指出：语音的某些失真项并非全面最优，5 带的语音感知就是反例；音乐子项中增加到 5 带后并非单调变好，粒度最优因域而异。
码本利用率提供机制解释。上方面板比较每层熵与理论上限，下方面板给出 DAC 相邻层联合利用率。导读时先看理论虚线是上限而非目标，再看实际柱高。
看图路径： 1. 先看上方面板各层熵柱与 17 比特和 10 比特理论虚线的距离；2. 对比 DAC 八层与 BSCodec 两三带在 L0 到 L2 上的柱高差异；3. 再看下面板 DAC 相邻层联合利用率从 0-1 到 6-7 的递增数值；4. 思考高联合利用率与重建贡献不匹配意味着什么
论文图 3。原论文 Figure 3：“Codebook utilization analysis. Top: Per-layer entropy comparison across different models. Bottom: Joint utilization of adjacent layers in DAC.”。
从像素看，DAC 每层接近 10 比特上限，BSCodec 单层接近 17 比特上限但利用率略低，论文报告 DAC 约 98.63% 而 3 带约 92.84%。下面板 DAC 相邻层联合利用率从 0-1 的 93.6% 逐步升到 6-7 的 98.9%，前两层强相关使两层联合只相当于 BSCodec 单层。解释是 DAC 后两层虽联合利用率很高、合计 20 比特，但对重建提升很小，而 BSCodec 去掉高频大码本后音视频差距明显，说明分带码本承载了域关键信息。相关性不等于因果，未测量延迟与算力时不承诺效率改善，多编码器分支的参数与计算代价仍在。
增益来自切带还是来自 SimVQ 大码本？
反证问题是 SimVQ 本身是否就是增益来源。论文做两组替换：一是把 DAC 的残差向量量化换成残差 SimVQ，二是把 5 带 BSCodec 的普通向量量化换成 SimVQ，其他条件不变，只看语音平均意见分与音视频感知分方向。结果显示两组替换都没有带来显著提升，SimVQ 利用率也与 DAC 可比。因此论文的判断是 SimVQ 只是支撑大码本的量化工具，不是决定性因素，增益应归于频带分解与量化分配的设计。
这组消融的边界要讲清。它只排除量化器替换的解释，没有证明任意大码本都无用，也没有测试去掉分带监督或改判别器会怎样。教学上容易误把大码本当万能，正确复述是带数与边界决定分布解耦程度，码本大小决定每带容量上限，两者缺一不可。5 带在语音上的失败正好说明容量够但切错位置同样不行，3 带把低频统一为 0 到 2 千赫并保留高频切分，才在语音与多域间取得平衡。
哪些验证还没做？不能承诺什么？
论文明确的局限是评估集中在重建与小规模理解型下游任务，缺少大规模基于编解码的音频生成任务，例如语言模型式语音合成。这意味着当前证据支持重建保真与编码表示的语义丰富度，但未验证作为生成模型词表时的稳定性与可控性。下游用 Codec-SUPERB 的情感、说话人验证、语音识别与音频事件分类，以及 ARCH 的多域线性探测，3 带在说话人验证与音频事件上优势明显，5 带在部分语音任务上偏低，都与重建结论一致，但都是冻结编码器加浅层分类的轻量协议。
不能承诺的是延迟、实时率与训练成本。论文给了批量、步数与帧率，但未报告推理耗时与参数量对比，总体趋势不等于每组都成立。引用代码时只能写仓库当前可用，不写权重可下载或开箱可运行，除非原文明确给出。相关性同样不是因果，感知分高不代表误判率低，自动指标不能当人评。
复现先对齐什么？第一步跑通什么？
复现顺序按依赖排。先固定采样率 24 千赫与 1 秒切块，按三域各约 700 小时配平数据，音乐、语音、声音的训练测试划分与上文一致。再实现切带：按边界生成二值掩码，先变换再掩码再逆变换，检查各带相加能否还原输入，这是独立于神经网络的正确性门。接着搭每带独立的 SEANet 编码解码，核对下采样 2、4、5、8 与上采样 8、5、4、2、通道 32 起翻倍、隐维 512、帧率 75 赫兹。量化先用小码本跑通单层流程，再放大到 131072 并打开承诺损失第二项系数 0.25。损失按梅尔 45.0、特征匹配 2.0、对抗与重建各 1.0、承诺 1.0 的权重相加，并加上分带梅尔平均项。
第一步跑通的目标是音乐 2 带或 3 带在低比特下重建可用，再扩展到三域。基线必须用相同数据与配置训练 8 层 DAC，并用码本丢弃得到低比特对照，否则半比特率的说法无从谈起。评估用 VERSA 默认配置记录方向性指标，不要跨指标做差值，也不要把自动分当人评。代码状态按本次收到的资源证据写为当前可用，链接为官方仓库的分支，具体文件与权重以实际可达为准。
何时值得尝试 BSCodec？一句话收束
当任务同时含语音音乐声音且比特预算紧张时，值得尝试按频带独立压缩这条线，因为它用物理接地替代域专用机制，在相同训练下以约一半比特达到可比整体质量。选择粒度时记住域特性：宽频音乐声音可偏细，窄带集中的语音需把低频统一，3 带是论文验证的平衡点，2 带是带宽受限的备选。复述方法时沿样本走完变换切带、独立编码量化解码、相加还原与双路监督，再补消融排除 SimVQ 主因、局限指向大规模生成的缺项。这样既讲清增益从哪里来，也讲清代价与边界在哪里。
⚖️ 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