不改模型也能治啸叫：用啸叫与降噪混合数据微调语音增强网络

英文题目：ACOUSTIC HOWLING SUPPRESSION ENHANCEMENT BY FINE-TUNING DEEP SPEECH ENHANCEMENT NETWORKS

会议身份：conference:eusipco:2026:conference-paper-id:0000211

✅ 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 #SFT #实时处理 #语音 #语音增强

评分：5.8/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 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

• Ashur, Avichay：机构信息未能从会议 PDF 纯文本可靠映射
• Cohen, Israel：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

面向助听器与扩声系统的声啸叫抑制（Acoustic Howling Suppression, AHS）需同时处理环境噪声和麦克风-扬声器耦合形成的递归反馈，输入为含噪含反馈的麦克风信号，输出为保留语音的干净信号，难点是高增益下窄带 tonal 伪影被反复放大且易损伤语音。该工作以实时降噪网络 Denoiser 为起点，先用镜像法合成房间脉冲响应并叠加硬削波扬声器非线性离线生成啸叫样本，再将其与 Valentini-Botinhao 噪声抑制数据按比例混合微调，使啸叫样本教会抑制反馈音调而噪声数据锚住原有降噪能力，最后将模型直接放入在线反馈环做流式推理。与专用 AHS 架构或递归训练不同，该策略不改结构、不增加延迟、不做闭环展开，仅靠数据配比实现联合优化。在线评测中 60-40 模型在增益为 3 时感知语音质量（Perceptual Evaluation of Speech Quality, PESQ）达到 2.53，信号失真比（Signal-to-Distortion Ratio, SDR）为 1.97 dB，随增益从 1.5 升至 3 仅下降约 0.05，而降噪 PESQ 基本维持在 2.556 附近。该结论限于合成房间与离线固定增益训练条件，对强非线性、移动声源和噪声混响反馈并发场景尚未验证。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，目标是什么，这篇解读要交付什么？

本文解读对象是题为 ACOUSTIC HOWLING SUPPRESSION ENHANCEMENT BY FINE-TUNING DEEP SPEECH ENHANCEMENT NETWORKS 的论文，面向刚进入语音、音乐、音频领域的研究生。输入是论文正文证据与本次收到的官方原图像素情况，本次没有收到任何 Figure 像素，因此所有关于图的讨论只能依据图注与正文文字，不描述坐标轴、颜色或曲线形状。目标是让你能复述方法与实验条件，理解为什么要在保留降噪能力的前提下做啸叫抑制，以及混合训练比例如何影响结果。

必须保留的信息包括任务定义、基线模型来源、离线啸叫构造条件、联合微调的数据配比、在线与离线两套评测、以及关键数字与代价。输出按学习依赖展开，先讲啸叫从哪里来，再讲相关路线缺了什么，然后走完一个样本从输入到输出，最后讲训练、实验条件、结果、反证与复现。

声反馈啸叫，英文为 acoustic howling，是本文的核心研究对象。白话说就是扬声器放出的声音又被麦克风收进去，再放大再放出，形成越转越强的刺耳单频声。语音增强，英文为 speech enhancement，白话说就是从带噪声的麦克风信号中恢复出干净可懂的人声。本文的矛盾在于很多深度啸叫抑制模型只管把啸叫压住，却没有明确保证降噪与音质还在，而实际助听器、公共广播和乐器功放两件事都要做。

声反馈啸叫 × 语音增强： 声反馈啸叫分工是描述麦克风到扬声器闭环被反复放大后产生的窄带高频 tonal 伪影，语音增强分工是压制背景噪声并保留可懂度，二者搭配的原因是助听和扩声等实际系统同时面临噪声与反馈，组合意义在于用一个统一网络同时处理两类失真而不是做两个割裂的专用系统。

为避免误解，先界定本文只研究什么任务。本文研究的是单通道放大系统中的啸叫抑制与降噪联合问题，不研究多麦克风波束形成，不研究回声消除本身，也不提出新网络结构。教学中举的例子会明确标为例子，例如把啸叫想象成话筒靠近音箱时的尖叫只是帮助理解，真正的机制以后续公式文字描述的反馈卷积与增益为准。

术语与符号速查：读后续章节前先对齐什么？

为降低阅读负担，这里集中对齐术语。啸叫抑制，英文为 acoustic howling suppression，缩写为 AHS，指压制闭环反馈产生的 tonal 伪影。自适应反馈消除，英文为 adaptive feedback cancellation，缩写为 AFC，指估计并减去反馈路径。房间脉冲响应，英文为 room impulse response，缩写为 RIR，指从扬声器到麦克风的房间卷积核。感知语音质量评估，英文为 perceptual evaluation of speech quality，缩写为 PESQ，分数越高越好。信号失真比，英文为 signal-to-distortion ratio，缩写为 SDR，单位为分贝，越高越好。

符号方面，s(t) 是目标语音，n(t) 是背景噪声，x(t) 是扬声器放大信号，d(t) 是经房间与非线性后被麦克风收到的回放成分，y(t) 是麦克风总信号，h(t) 是房间脉冲响应，NL(·) 是扬声器非线性，星号是线性卷积，Δt 是系统延迟，G 是放大器增益。模型标记如 60-40 表示 60% 啸叫数据加 40% 降噪数据，0-100 表示只用降噪数据微调。后续章节会直接使用这些简称，不再重复展开英文。

已有路线解决了什么，还缺了什么？

传统啸叫抑制分为被动与主动两类。被动方法是调麦克风位置或降低扬声器增益，操作上在动态或用户驱动场景不实用。主动方法处理麦克风信号，包括自动增益控制、自适应陷波滤波和自适应反馈消除。自动增益控制在反馈快速变化时吃力，陷波滤波会衰减窄带啸叫成分但可能损伤语音并引入可闻伪影，自适应反馈消除用自适应滤波器估计反馈路径，但原文指出其对参数整定敏感且在扬声器非线性存在时性能下降。

深度学习进入后，语音增强与降噪取得明显进步，于是被借用到啸叫抑制。原文梳理了几条路线。一是 Deep AHS，用合成啸叫信号与教师强制学习避免显式递归建模。二是把啸叫与回声消除联合建模，或做成语音分离问题，或用自适应滤波加深度残差抑制。三是用自适应卡尔曼滤波结合深度学习，同时用离线与在线啸叫数据。四是 DeepMFC 及相关扩展，用离线生成的声反馈信号训练数据驱动模型，证明了可行性，但后续被混合信号处理结构、递归训练或语音与反馈联合建模的方法在抑制性能上超过。

自适应反馈消除 × 深度啸叫抑制： 自适应反馈消除分工是用自适应滤波器估计并减去反馈路径，深度啸叫抑制分工是用神经网络直接映射含啸叫输入到干净目标，搭配原因是前者对参数与扬声器非线性敏感而后者泛化更强，组合意义是构成混合系统，但原文指出混合常以损伤语音质量为代价，留下联合保留增强能力的缺口。

本文与上述工作的差别是明确的。不同于只用合成啸叫数据训练专用抑制模型，本文把离线啸叫样本当作补充训练成分，与原始降噪数据一起微调已有的预训练语音增强网络。不同于 DeepMFC 把离线数据单独使用，本文保留原始带噪语音样本，目的是在学会压制反馈 tonal 伪影的同时维持降噪与可懂度。混合系统虽能提升抑制但常损伤音质，这正是本文要填的统一框架缺口。

同输入同目标的对照：相关工作在什么条件下可比？

做有源对照时要按同输入、同目标、同监督与同运行阶段来比。输入上，本文在线评测输入是闭环麦克风信号，离线评测输入是带噪语音，相关工作的离线文件增强结果不能直接当成在线闭环胜负。目标上，本文目标是联合保持降噪与抑制啸叫，只管压住啸叫而不报降噪的方法不能直接比全面性。监督上，本文用离线合成啸叫加真实带噪对的监督，教师强制、卡尔曼加深度残差、递归训练等监督与优化路径不同，比较时要说明路径差异而不是只比数字。运行阶段上，实时 Denoiser 的延迟与算力约束与非实时大模型不同，跨延迟等级的比较要注明条件。

按此标准，DeepMFC 是离线合成反馈训练可行性的参照，DeepAHS 是教师强制避免递归的参照，HybridAHS、Neural-KG、NKal-AHS 与 Hybrid-NN 是混合与递归路线的参照。原文表二把它们放在同一在线增益网格下比较，这比跨论文拼数字更公平。但仍要注意房间集合、语音源与选模规则可能不同，均值标准差较大时单点领先不等于稳定领先。教学例子明确标为例子，例如把不同方法比作不同治堵方案只是比喻，真正的差别要回到反馈建模、监督来源与是否保留降噪数据这三件事上。

啸叫的闭环问题如何形式化？

论文用放大系统图说明问题。目标语音记为 s(t)，扬声器放大信号记为 x(t)，它经过房间脉冲响应 h(t) 与扬声器非线性 NL(·) 后被麦克风收为 d(t)。原文给出第一个关系为 d(t) 等于 NL[x(t)] 与 h(t) 的线性卷积，其中星号表示线性卷积，h(t) 表示从扬声器到麦克风的房间脉冲响应，NL(·) 表示扬声器引入的非线性失真。麦克风信号进一步写为 y(t) 等于 s(t) 加背景噪声 n(t)，再加 NL[y(t 减去系统延迟) 乘以增益 G] 与 h(t) 的卷积。延迟记为 Δt，表示从麦克风到扬声器的系统延迟，G 表示放大器增益。

关键在于 y(t) 与延迟后的 y(t 减 Δt) 之间存在递归连接。播放信号被反复放大，形成闭环，产生高频刺耳声。增益越大，反馈不稳定性越严重，后文实验用不同增益来加压测试。背景噪声 n(t) 与反馈失真同时存在，这解释了为什么评测必须同时看降噪与啸叫抑制，而不是只看一端。理解这个闭环，才能理解为什么在线评测要把模型放进回路，而不是只做离线文件增强。

方法全景：一个样本走完输入到输出需要哪几步？

先沿一个样本走完全程。输入是麦克风时域波形，包含目标语音、背景噪声，以及在有反馈时由历史输出经放大、延迟、房间卷积和扬声器非线性回灌的成分。表示阶段是波形直接进入 Denoiser 编码器的堆叠卷积，逐步下采样并捕捉谱与时域特征，中间经长短期记忆模块建模长时依赖，再经解码器与跳跃连接重构波形。组件是预训练好的实时 Denoiser，不改结构。目标是在训练时把带噪或含啸叫的输入映射到干净语音目标，推理时输出增强后的波形，再在在线场景被送回放大回路接受下一轮反馈考验。

离线生成啸叫样本 × 在线啸叫抑制： 离线生成啸叫样本分工是在训练时用仿真房间脉冲响应、增益和非线性构造开环训练对，在线啸叫抑制分工是把增强模型放进真实闭环回路做流式推理评测，搭配原因是离线构造可控且避免递归训练的不稳定，组合意义是离线学到的 tonal 抑制能力被期望迁移到在线闭环的严重反馈条件下。

方法全景可以概括为三句话。第一，用已在大规模带噪语音上预训练好的 Denoiser 做起点，保留其降噪能力。第二，用离线合成的啸叫样本作为补充数据，与原始降噪数据按比例混合后微调，不做结构修改，不引入额外推理延迟，不做递归或闭环训练。第三，用在线闭环评测检验真实反馈下的抑制，用离线降噪测试集检验增强是否还在。原文强调该策略实现简单，适合实时音频系统。需要指出的缺项是原文未报告微调时哪些层冻结、优化器与学习率、梯度是否截断等细节，复现时不能从模型名称推定这些实现。

基线网络的组件分工是什么？

基线是文献中提出的实时 Denoiser 网络，派生自 DEMUCS 架构。DEMUCS，英文为 Deep Extractor for Music Sources，白话说是一个为波形域音乐源分离设计的编码器解码器网络，靠堆叠卷积下采样输入并保留谱与时间特征。Denoiser 沿用编码器解码器加跳跃连接，卷积层与跳跃连接负责有效重构干净语音，激活与归一化层改善训练稳定与泛化，瓶颈处的长短期记忆层，英文为 long short-term memory，负责建模长程时间依赖。

Denoiser × DEMUCS： DEMUCS 分工是提供编码器解码器加跳跃连接的波形域源分离骨干并用卷积下采样捕捉谱时特征，Denoiser 分工是在此基础上为实时语音增强优化延迟与计算并在瓶颈加入长短期记忆建模长时依赖，搭配原因是保留重构干净语音的能力，组合意义是直接复用已在大规模带噪语音上预训练好的降噪起点再做啸叫适配。

训练起点是先在大规模带噪语音数据集上用时域损失把带噪输入映射到干净目标，推理时压制背景噪声并维持可懂度。原文提到的数据集包括 Valentini-Botinhao。选择该基线的安排理由是它已具备较好的降噪与实时性，适配啸叫时不需要重新设计网络。原文未给出该预训练的具体损失函数形式与超参数，因此本节只讲组件分工与数据流向，不猜损失权重或训练步数。

推理与部署：延迟与计算的真实说法是什么？

推理过程是流式波形增强。每 1 帧麦克风波形进入编码器卷积与下采样，经长短期记忆得到上下文表示，再经解码器与跳跃连接重构出增强波形并送往扬声器。由于未改结构，原文称不引入额外推理延迟且避免递归或闭环训练。但这句话的准确含义是结构层面没有新增延迟，而不是实测延迟为零。训练资源、推理开销、输出帧率与实际延迟在原文中没有给出具体数字，因此不能承诺这些量得到改善，也不能把参数冻结与否与输出是否确定混为一谈。

部署时还要注意平台相关延迟。原文说推理时实际系统延迟用 Denoiser 仓库实现按目标平台软硬件配置估计，这意味着同一模型换平台可能面临不同的有效延迟与反馈条件。在助听与扩声等低延迟场景，延迟估计误差本身会改变闭环稳定性，复现时应记录硬件、采样率、帧长与缓冲设置。总体趋势是中间比例更稳健，但这不等于每一步、每间房都成立，大标准差提醒我们要看分布而不是只看均值。

离线啸叫样本如何构造，混合微调如何操作？

离线啸叫训练样本的干净语音源是 AISHELL-2 个数据集。构造动作是把每条语音嵌入仿真放大环路。对每个样本，用镜像法生成房间脉冲响应，随机化房间尺寸与声源接收配置以模拟多样的声学环境。反馈路径是将扬声器信号与生成的房间脉冲响应卷积，再经过非线性扬声器模型。扬声器非线性建模为饱和型失真，用硬削波实现。离线生成时不加背景噪声，目的是让训练样本孤立出反馈引起的失真，使学习聚焦于压制啸叫。

混合比例 × 微调： 微调分工是不改结构、不增加推理延迟地继续更新预训练 Denoiser 参数，混合比例分工是控制每批训练中合成啸叫样本与 Valentini-Botinhao 降噪样本的相对占比，搭配原因是前者暴露反馈失真而后者锚住降噪能力，组合意义是通过系统改变比例来实测抑制鲁棒性与增强保持之间的权衡曲线。

两个关键操作条件需要原样记住。系统延迟 Δt 在离线数据生成时设为零，理由是随机房间脉冲响应经传播效应已引入一系列有效延迟。推理时的实际系统延迟用 Denoiser 仓库中的实现按目标平台软硬件配置估计。除非另有说明，训练时放大增益固定为 G 等于 2，模型微调 300 个轮次，使用离线啸叫样本与降噪数据。降噪数据是 Valentini-Botinhao 数据集，包含成对干净与带噪录音，覆盖多种噪声类型与信噪比，是常用的降噪基准。

微调时把啸叫与降噪样本合并为单一训练集，相对比例系统变化，例如 25-75 表示 25% 啸叫数据加 75% 降噪数据。保留原始带噪样本是为了鼓励模型在压制反馈 tonal 伪影的同时维持降噪与可懂度。该联合设置对应助听与扩声等同时存在反馈与环境噪声的部署场景。原文未报告采样器是否按比例分层抽样、每轮样本总数与类别平衡的具体实现，这些是复现时需要补记的缺项。

训练细节的缺项清单：哪些不能从模型名推定？

本节专门交代训练中已验证与未验证的部分，以防初学者从模型名称脑补实现。已验证的是数据源与配比操作。啸叫源是 AISHELL-2，降噪源是 Valentini-Botinhao，混合比例系统变化，训练增益固定为 2，微调 300 轮，离线生成用镜像法房间脉冲响应加硬削波，不加背景噪声，延迟设为零。监督来源是干净语音目标，时域映射是优化方向，但具体损失函数形式原文未展开。

未验证或缺项的是参数冻结与更新范围、优化器类型与学习率调度、批量大小与抽样策略、梯度路径是否截断、何时重置隐藏状态或选模、以及随机种子与重复次数。原文未给出这些，就不能从 Denoiser 或 DEMUCS 的名称推定实现，也不能补写拿掉某组件后必然怎样。无训练的说法也不适用于本文，因为本文确有 300 轮微调。对于只做推理的基线如无抑制条件，才适合说没有训练阶段。本文的诚实复述方式是讲清已做的计算过程，同时把缺项列成清单留给复现者补记。

实验条件：数据、协议与指标方向是什么？

评测分为互补的两套场景。语音增强评测在 Valentini-Botinhao 测试集上进行，指标是语音质量感知评估 PESQ 与信号失真比 SDR，都在增强输出与对应干净目标之间计算。PESQ 越高表示感知质量越好，SDR 越高表示噪声压制好且语音失真小。评测覆盖多种背景噪声与信噪比以考察泛化。

在线啸叫抑制评测是流式推理，把增强模型接入声反馈环路并实时评测。每个测试样本施加不同的房间脉冲响应以模拟广泛声学环境。PESQ 与 SDR 在处理后的麦克风信号与反馈前的原始干净语音之间计算，反映闭环下啸叫抑制与语音保留的综合效果。为分析数据构成影响，用不同啸叫与降噪混合比例训练多个模型，标记如 25-75，所有模型在相同的语音增强与在线啸叫抑制条件下评测。

比较对象包括无抑制、DeepMFC、DeepAHS、HybridAHS、Neural-KG、NKal-AHS 与 Hybrid-NN。原文在不同增益下报告均值与标准差，增益是反馈严重程度的控制变量。需要核对的是数据集、模型、实验阶段、指标、单位与聚合对象要一一对应，数值相同不代表同一指标，百分点与相对百分比也不同。资源状态方面，本次未发现来源绑定且完成 HTTPS 验证的资源，因此不得声称代码、模型或数据已公开，只能按论文文字复述数据集名称与构造方法。

主结果：混合比例带来什么收益，代价在哪里？

先看谱图层面的定性描述。无抑制条件下，强窄带高频成分主导信号，直观显示啸叫效应。0-100 模型即不含啸叫数据微调的模型，对这些反馈成分抑制不完全且谱清晰度下降。60-40 模型即 60% 啸叫加 40% 降噪的模型，有效压制反馈 tonal 伪影，同时保留低频与高频语音成分。由于本次没有收到 Figure 像素，以上只能转述原文对谱图的文字说明，不对颜色、坐标或模块位置做判断。

定量上原文报告在增益 2、5、7.5 下随啸叫比例增加抑制性能总体改善，尤其在高增益反馈更严重时。60-40 模型被报告为最佳权衡，在线抑制强而语音增强退化很小。降噪端在混合比 up 到 60% 时 PESQ 基本稳定在 2.56 附近，SDR 变化至多约 2%，表明中等啸叫数据对降噪影响小。但比例继续增大到 75-25 时退化明显，原文解释为模型偏向压制窄带反馈而牺牲宽带语音重构。

下面第一张表整理降噪保持与退化的关键数字，比较问题是中间比例是否真能保住降噪，公平条件是同一 Valentini-Botinhao 测试集与同一 PESQ、SDR 定义，指标方向为越高越好。

表后解释需要同时讲收益与代价。收益是 60-40 在原文中取得最佳权衡，PESQ 仅从 2.564 降到 2.556，支持中间比例能保住降噪的判断。代价是 75-25 时 PESQ 降到 2.47，SDR 从 17.62 降到 16.79，说明过度强调啸叫数据会偏置模型。未胜出项是 0-100 模型在线抑制不完全，这反证了不加啸叫数据只靠降噪预训练不足以应对闭环反馈。

与已有方法相比，稳健性差异出现在高增益段吗？

第二组比较把 60-40 模型与代表性啸叫抑制方法放在同一在线协议下对比，关注高增益段的感知质量与失真。原文报告在较高放大增益下，60-40 模型在所有评测方法中取得最高的 PESQ 分数，唯一的例外是在增益 1.5 处 Hybrid-NN 略高。这表明所提微调策略在挑战性反馈下尤其有利于保持感知语音质量。SDR 方面 Hybrid-NN 在所有增益上更高，提示显式优化反馈消除的方法可能更能最小化总体信号失真，而本文方法优先感知质量与闭环鲁棒性，残余失真还有改进空间。

关键的稳健性证据是随增益增大时的下降斜率。原文指出 Hybrid-AHS 与 NKal-AHS 在增益从 1.5 到 3 之间 PESQ 下降约 0.5 到 0.6，而本文模型仅下降约 0.05，说明联合训练策略在反馈变严重时更能维持语音质量。下面第二张表整理这一高增益稳健性对照，比较问题是谁随增益更稳定，公平条件是同一在线闭环与同一 PESQ 定义，指标方向为越高越好且下降越小越好。

表后解释要指出未胜出项与边界。未胜出项是 SDR 上 Hybrid-NN 持续领先，以及在增益 1.5 处 PESQ 被 Hybrid-NN 略超，不能只讲本文 PESQ 领先就宣称全面最优。限制是原文表二中无抑制基线的 PESQ 用横线表示缺失，且标准差较大，例如本文模型 SDR 标准差约 4.8，说明不同样本与房间差异大，总体趋势不等于每组都成立。待验证的是残余失真能否通过进一步降低抑制引入的畸变来改善。

哪些结论有边界，哪些量没有被测量？

首先是数据与条件的边界。离线训练增益除非另有说明固定为 2，离线生成不加背景噪声，延迟设为零而依赖随机房间脉冲响应引入有效延迟。这些简化使学习聚焦啸叫，但与同时存在噪声、反馈与混响的复杂场景仍有距离，原文未来工作也提出要扩展到这类场景。其次是比例的外推边界。60% 以内降噪基本稳定，75% 时明显退化，但原文未报告更细的 65%、70% 网格，也未报告多次随机种子的方差，因此最佳比例应理解为在 tested 网格中的最优，而不是全局最优。

其次是未测量的量。原文未报告训练资源、推理开销、输出帧率与实际延迟的具体数字，只说明无结构修改且不引入额外推理延迟，因此不能承诺延迟或成本得到改善。原文也未报告误判率、主观听感评测或统计显著性检验，自动指标不能当成人评。相关性不等于因果，例如啸叫比例与抑制提升相关，但不能据此断言拿掉降噪数据必然在所有房间都更好，原文 75-25 的退化恰好是反例。缺失证据不是技术错误，但在复述时要用报告显示表达直接结果，用支持表达有限解释，用可能或待验证表达推测。

要复现这篇工作，先做什么、按什么顺序做？

复现的第一步是准备基线与数据。获取实时 Denoiser 预训练起点与 Valentini-Botinhao 降噪数据，准备 AISHELL-2 干净语音用于合成啸叫。由于本次资源状态为没有可用绑定，不得声称代码、模型或数据当前可用或已公开，只能按论文文字去原仓库与数据集主页核对版本与许可。第二步是实现离线啸叫合成。用镜像法生成随机房间尺寸与收发配置的房间脉冲响应，对扬声器信号卷积后加硬削波饱和非线性，不加背景噪声，训练增益固定为 2，延迟设为零，微调 300 轮。第三步是按 0-100、10-90、25-75、50-50、60-40、75-25 等比例混合两类数据并分别微调，记录每种比例的采样总数与抽样方式。

第四步是两套评测。降噪评测在 Valentini-Botinhao 测试集上算 PESQ 与 SDR，在线评测把模型接入反馈环路，每个样本换不同房间脉冲响应，在增益 2、5、7.5 以及 1.5 到 3 等原文报告的增益点上算 PESQ 与 SDR。复现时要保留关键超参数与信息条件，包括房间随机范围、硬削波阈值、平台延迟估计方法与 300 轮的早停或选模规则，原文未给出的优化器、学习率与冻结层要如实记为缺项而不是猜默认值。还需补的验证是多次种子下的均值标准差、同时加噪加反馈的压力测试，以及推理延迟与算力的实测，这样才能判断中间比例的权衡是否稳定。

何时值得尝试这种微调，何时要换路线？

当你已经有一个可用的实时语音增强模型，且部署中同时遇到环境噪声与啸叫，例如助听、扩声或乐器放大，这种不改结构、只加离线啸叫数据做补充微调的路线值得先尝试。它的实用点在于实现简单、无递归训练、无额外推理延迟，且原文显示中间混合比能在保住降噪的同时明显改善在线抑制，尤其在高增益段 PESQ 下降仅约 0.05 而对照方法下降 0.5 到 0.6。当你没有预训练起点，或反馈路径非线性极强、房间变化极快，仍需考虑混合卡尔曼或递归训练等更重的方法，因为本文 SDR 仍落后于 Hybrid-NN，说明残余失真并未完全解决。

回到中心矛盾。专用抑制模型与通用增强模型各管一端，而实际系统两端都要。本文的判断是用数据配比搭桥，而不是用新结构搭桥。记住两个数字锚点。60-40 是原文网格中的最佳权衡，PESQ 从 2.564 到 2.556 几乎持平。

75-25 是过犹不及的警示，PESQ 到 2.47 且 SDR 从 17.62 到 16.79。复述方法时按输入、表示、组件、目标、输出的顺序讲，比较结果时同时给出数据集、基线、阶段、指标与聚合对象，就能把这篇工作讲清楚且可核对。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

另有 1 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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

← 返回 eusipco-2026 论文汇总