单步可用的可学习薛定谔桥：把训练与推理的起点对齐再做语音增强

英文题目：Learnable Schrödinger Bridge and Activations for Efficient Diffusion-based Speech Enhancement

会议身份：conference:interspeech:2026:conference-paper-id:fu26b_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#扩散模型 #高效推理 #语音 #语音增强

评分：6.7/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 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

• Yihui Fu：机构信息未能从会议 PDF 纯文本可靠映射
• Wouter Tirry：机构信息未能从会议 PDF 纯文本可靠映射
• Tim Fingscheidt：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音增强需从加性噪声、混响、削波退化中恢复目标语音的复谱细节，生成式扩散方法质量高但依赖多步逆过程而成本高昂，且训练与推理初值失配易致幻觉。本文提出混合判别生成模型EffDiffSE+，先由条件网络输出预增强语音与多尺度条件，再由辅助网络自适应估计桥初值的均值权重与标准差，最后由桥网络结合Snake激活与交互模块单步生成增强复谱。相对香草薛定谔桥（Schrödinger Bridge，SB）以干净语音训练而以带噪语音启动推理的做法，新机制以高斯分布初始化统一训练与推理初值来源并优选小时间索引失配。在Dval验证集下，EffDiffSE的PESQ为2.21，高于Noisy的PESQ 1.28。论文在URGENT 2024非盲测试集1000条语音上报告PESQ达到2.58，超越次优基线EffDiffSE的2.45，主观平均意见分（Mean Opinion Score，MOS）达到3.95，仅比干净语音低0.01。其结论限于16 kHz英语为主的加噪、加噪加混响、加噪加削波场景，未采用带限失真，未验证多语言与真实录音外推。单步推理复杂度为3.84 GMAC/s，参数量为9.40 M，为所比方法中最低一档。上述适用边界尚未验证多语言与真实录音外推，而单步计算量与训练成本及推理开销已由原文披露的模型规模与硬件配置界定。

🔗 开源与复现资源

• 第三方资源：https://github.com/ludlows/PESQ — 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，本文要解决哪个效率矛盾？

本文输入是带噪语音，目标是从中恢复干净语音。研究对象限定在短时傅里叶变换域的复数谱，记带噪为 Y，干净为 X，噪声为 N，满足 Y 等于 X 加 N 的关系。输出是增强语音的估计值，记为 X 帽。评价围绕语音质量、可懂度、音素保真度和主观听感展开，兼顾计算量。本文要解决的矛盾很具体：生成式扩散语音增强质量好，但反向过程通常需要几十次迭代调用神经网络，推理计算量大。

薛定谔桥把问题重述为带噪分布到干净分布之间的数据到数据传输，起点可以直接是观测到的带噪语音，省去了从纯噪声出发的长链条，但原文指出求解原生桥仍需多步模拟随机过程。作者的前作 EffDiffSE 已经用判别加生成的混合结构把迭代压到单步，本文 EffDiffSE+ 要进一步回答：在单步预算下，如何让训练与推理的桥起点完全对齐，并通过可学习的起点与拓扑改进稳定提升质量。

本文默认读者已知道扩散模型有前向加噪与反向去噪两条过程，本文只聚焦反向起点与单步映射的设计，不重新讨论分数匹配的全部理论。本文的输出承诺是明确的：给出可在单次前向内运行的混合增强系统，并在大规模多样化数据上与开源时频域扩散基线对比。本文不承诺解决带宽受限、削波以外的所有失真，也不承诺在未评测语种上同样有效。

初学者如何用一句话复述方法而不丢失条件？

为便于核对，这里用可复述的方式重讲一遍：输入带噪谱 Y，条件网络先给出预增强 X 帽 cond，辅助网络再给出逐点权重与方差，三者与高斯噪声混合成桥起点，桥网络 1 次前向输出增强 X 帽。必须保留的信息条件是训练与推理都用预增强做锚、时刻都取 0.3、只做单步、损失含心理声学与时域 L1。漏掉任一条件都会改变结论：若训练用干净锚而推理用预增强锚，结果会回落到原生桥水平；若时刻取 1.0，PESQ 与 DNSMOS 会低于 0.3 的配置；若改回多步，在该结构下未见收益反而增加计算。

教学例子可帮助记忆：把预增强看作草稿，桥权重看作对草稿与原稿的信任分配，标准差看作允许修改的幅度，辅助网络就是根据纸面脏污程度逐字决定信任与修改幅度的批改者，桥网络则是执笔改出终稿的人。这个比喻对应到真实信号就是逐时频点的线性混合与非线性映射，不把比喻当证明。掌握这段复述后，再去看消融表与主结果表，就能理解为什么每处改动都围绕起点对齐展开。

同任务同阶段有哪些路线，它们的起点与迭代数有何不同？

按同输入同目标来划分，相关工作都是以带噪语音为输入、以干净语音为目标的生成式增强。按同运行阶段划分，关键区别在推理起点与迭代次数。第一类是经典分数扩散，例如 SGMSE+ 与 BBED，它们的前向把干净分布变为已知高斯先验，反向从先验出发采样，需要多步迭代，论文表格中这两者均为 30 次迭代。第二类是薛定谔桥，例如 SB 与 Jukic 等的工作，目标是直接在带噪与干净之间建桥，反向可从带噪语音出发，但仍常用多步常微分或随机微分求解器，论文中 SB 基线为 30 次迭代。

第三类是混合判别加生成，例如 StoRM 与 Universe++，先用判别网络得到预增强，再以此为条件或起点辅助生成，迭代数可降到 8 次或 50 次，但仍不是单步。第 4 类是少步与单步蒸馏，例如 CRP，用 2 阶段训练把多步压缩到 1 步，但仍依赖先训练好的多步教师。EffDiffSE 属于第五类：噪声一致朗之万动力学下的混合结构，已实现单步。本文 EffDiffSE+ 继承该单步混合路线，新增的是可学习桥与激活。

这样的对照说明类别差异不能直接当胜负：30 步模型与 1 步模型计算量差 3 个数量级，比较时必须同时看质量指标与每秒乘加运算量。本文的公平性做法是把所有基线在同一 Dtrain 上训练 1M 步，并按各自论文最佳步数推理，CRP 则按 950K 加 50K 的 2 阶段比例训练，这为后文结果的可比性打下基础。

与少步蒸馏和一致性轨迹相比，可学习桥的差异在哪里？

同输入同目标下，少步蒸馏与一致性轨迹也是为降迭代而生，但监督与运行阶段不同。CRP 类少步扩散需要先训练多步教师再蒸馏到少步学生，训练分 2 个阶段，推理为少步，代价是训练流程长且依赖教师质量。一致性轨迹类通过约束轨迹自洽实现少步，训练目标更复杂，推理仍需处理轨迹误差。本文可学习桥不依赖教师，直接在混合结构下把训练起点改为预增强锚，并用辅助网络学习起点参数，训练为单阶段 1M 步，推理为单步，简化了流程。

原文引用了少步对抗桥与桥一致性轨迹作为同期桥工作，但未在同一数据上对比它们，因此不能断言可学习桥一定优于这些路线，只能说在本文的八基线范围内单步桥取得顶排名。选择时应看已有资产：若已有高质量多步教师，蒸馏可能是捷径；若从零训练且预算有限，可学习桥更直接。无论哪条路线，比较时都应固定数据、采样率、STFT 配置与指标实现，否则差异可能来自实现而非方法。

为什么训练用干净语音而推理没有会导致失配？

用一个样本走一遍可以帮助理解失配。假设有一句带噪语音 Y，它由干净 X 与噪声混合得到。原生桥在训练时构造中间态 Xt 的均值时，用到了真实的 X0 等于 X 与 Y 的加权组合，再加方差项乘以高斯噪声 Z。这意味着训练时桥网络看到的起点分布是以真值 X 为锚的。到了推理，真值 X 不可用，若仍按原生方式从 Y 出发做多步反向，起点分布与训练不一致，网络相当于在没见过的起点附近工作。

论文引用的结论是，训练与推理起点完全匹配对扩散性能有显著好处。举一个教学例子而非论文数据：若训练总以清晰照片为锚学习去模糊，测试却只能以模糊照片为锚，模型需要外推，效果自然打折。本文的解法是引入条件网络输出的预增强 X 帽 cond 替代 X，训练与推理都用它构造起点。进一步地，单步还需选中间时刻 T prime。若 T prime 等于 1，起点仍接近带噪端。

若 T prime 过小，起点接近预增强端，随机性不足。论文在验证集上扫描后选择 0.3 作为平衡点，使 PESQ 与 DNSMOS 同时较好。这就是问题定义的核心：不是要不要桥，而是桥的锚与时刻在训练推理两端是否一致，以及单步下如何自适应地定权重。

EffDiffSE+ 让一个样本走完输入到输出经历了什么？

先沿一个样本走完主路径。输入带噪复数谱 Y 进入两个分支。左侧条件分支是判别式条件网络，包含编码器、两层门控循环单元与解码器，输出预增强谱 X 帽 cond 与 4 层语音条件 SC。右侧桥分支是生成式桥网络，结构类似，也有编码器、循环单元与解码器，但额外接收噪声条件 NC 与噪声水平嵌入。底部是起点构造模块，有灰色高斯初始化与黄色辅助网络二选一。

起点 Xt 的通用形式是权重乘预增强加权重乘带噪加标准差乘高斯噪声。桥网络以该起点、带噪 Y 与噪声水平为输入，直接输出最终增强 X 帽，记为 S 函数。训练时条件网络受心理声学损失约束，桥网络受辅助损失约束，辅助损失包含条件损失与时域波形 L1 损失。推理时只做 1 次桥网络前向，不做多步递推。

判别式条件网络 × 生成式桥网络： 判别式条件网络负责从带噪语音直接回归一个预增强结果和多层语音条件，分工是提供稳定但可能过平滑的初值；生成式桥网络负责以该初值、带噪语音和高斯噪声的加权混合为起点做单步生成，分工是补细节和压残留噪声；二者搭配的原因是纯生成桥在训练用干净语音而推理无干净语音，起点失配，而用条件网络输出替代干净语音可让训练与推理同构，组合意义是把多步随机微分采样压缩为 1 次前向映射。

以下导读帮助阅读整体架构图，重点是区分绿色条件分支、蓝色桥分支与底部起点模块三者的输入输出，以及它们在单步推理中如何只交汇 1 次。图中顶部标注了起点的加权公式变体，左侧标注了 Y 等于 X 加 N 的混合关系，右侧标注了噪声嵌入，中部橙色交互模块连接了两个编码器的瓶颈。

看图路径： 1. 沿左上带噪语音输入分别走向条件编码器与底部高斯初始化，确认两条路径汇合点；2. 观察绿色条件分支输出的多层语音条件如何横向送入蓝色桥解码器；3. 查看底部灰色与黄色二选一模块如何决定桥起点的计算方式；4. 核对右侧噪声嵌入与桥编码器解码器的连接以及最终增强输出与损失的位置

论文图 1。原论文 Figure 1：“Architecture of the proposed EffDiffSE+ and training strategy. Details are in Fig. 2.”。

该图显示条件编码器输出的条件瓶颈与桥编码器输出的桥瓶颈先进入交互模块再继续向下，条件解码器输出的多层条件横向送入桥解码器，底部起点模块同时接收带噪、预增强与高斯噪声并输出权重与方差，桥解码器最终输出增强语音并与干净真值计算损失。噪声嵌入模块接收噪声水平并向桥编码器解码器广播噪声条件。这种布局把可学习起点、条件引导与单步生成放在一张图里，复现时应先实现条件网络与桥网络的四下四上结构，再实现底部起点二选一，最后接入交互与噪声嵌入，避免把条件直接拼接到输入端。

可学习桥、辅助网络与拓扑改进各自改了哪处计算？

本节按计算顺序拆开 4 个改动。第一是高斯分布初始化。训练时不再用干净 X 构造边际分布，而是用预增强 X 帽 cond 构造以其为均值锚的复高斯分布。推理时在 T prime 时刻用同样形式构造起点，时刻取 0.3，总时刻 T 取 1.0。最终增强用单步映射得到，系数取为 a 为 0、b 为 1、c 为 0，相当于直接信任桥网络输出，不再做多步加权递推。

第二是辅助网络。它把预增强幅度、带噪 Y 与高斯 Z 沿频率轴交错拼接，先做核为 3 步长为 3 的频率卷积，再经全连接线性层、层归一化与 Sigmoid 输出逐时频点的权重与标准差，进而按加权公式算出起点。这替代了固定解析公式，使起点随输入自适应。

薛定谔桥 × 高斯分布初始化： 薛定谔桥负责描述带噪分布到干净分布之间的数据到数据传输路径，分工是给出中间态均值与方差的解析结构；高斯分布初始化负责在选定的中间时刻构造反向过程的起点，分工是把预增强语音、带噪语音与高斯噪声按权重混合；搭配原因是原生桥在时刻 T 直接从带噪语音出发仍需多步求解，而在 T prime 小于 1 的中间时刻做高斯初始化可单步完成，组合意义是训练与推理都用同一类高斯起点，消除起点失配。

第三是拓扑改进，包含四项。子像素卷积替代反卷积，通过通道到频率的重排做可学习上采样，目标是减轻棋盘伪影。蛇形激活替代全部 PReLU，标准蛇形引入可学习 alpha 同时控制幅度与频率，蛇形 Beta 再引入 beta 解耦频率与幅度建模，目标是拟合周期特征。交互模块放在两编码器瓶颈之间，把两路瓶颈拼接后经卷积、层归一化与 Sigmoid 估计掩膜，再过滤条件瓶颈后与桥瓶颈相加，目标是让判别分支向生成分支提供退化线索。子带卷积与反卷积块把特征按 1 比 3 切为低高频带，高频用大步长卷积，低频用步长 1 卷积，整体实现 2 倍上下采样，用于条件与桥编码器的前两下采样块与后两上采样块，目标是提取带感知特征。

辅助网络 × 桥权重与标准差： 辅助网络负责从预增强幅度、带噪语音与高斯噪声的拼接特征中预测每个时频点的自适应系数，分工是逐点估计可学习的桥权重与标准差；桥权重与标准差负责控制三者在线性混合中的比例与随机性强度，分工是决定起点更信预增强还是更信观测；搭配原因是固定解析公式的权重不能适应不同信噪比与频带，组合意义是让起点估计随输入变化，从而在单步条件下仍保持稳定增益。

第四是噪声条件与损失。噪声嵌入向桥编码器解码器提供 4 层噪声条件，条件解码器向桥解码器提供 4 层语音条件。条件网络用心理声学损失，桥网络用辅助损失即条件损失加时域 L1 损失。原文未报告各损失权重是否冻结、梯度是否截断到条件网络、辅助网络与桥网络是否联合更新的具体时机，因此复现时应以原文公式与文字为准，不从模型名推定梯度路径。

子带卷积 × 蛇形周期激活： 子带卷积负责把特征按低高频带切分后用不同步长分别处理，分工是提取带相关的下采样与上采样表示并减少棋盘伪影；蛇形周期激活负责在非线性中引入可学习的周期项，分工是更好地拟合语音的周期与谐波结构；搭配原因是桥网络同时需要频带分辨力与周期建模能力，组合意义是在不增加迭代次数的前提下提升感知质量与可懂度。

以下导读帮助阅读细节图，图中分三排分别对应辅助网络、交互模块与子带块，每排标注了张量维度与卷积核步长，需要对照正文核对频率维度的压缩与恢复逻辑。

看图路径： 1. 在子图 a 中沿拼接卷积重排全连接层归一化激活切分链路核对输出三组系数；2. 在子图 b 中观察条件瓶颈与桥瓶颈拼接后经卷积门控再与原桥特征相加的残差结构；3. 在子图 c 中对比高频大带宽与低频小带宽两条支路的卷积步长与通道处理差异；4. 确认子图 c 左右两侧频带切分与频带合并如何保持输入输出维度一致

论文图 2。原论文 Figure 2：“Details of the proposed EffDiffSE+.”。

该图上排显示辅助网络输入为 K 乘 L 的 3 路特征，经拼接变为 3K 乘 L 乘 1，再经卷积变为 K 乘 L 乘 3，重排为 3K 乘 L 后经全连接与归一化激活切分为 3 组 K 乘 L 输出，分别对应两个权重与标准差。中排显示交互模块先拼接再经卷积归一化激活得门控，与条件瓶颈相乘后与桥瓶颈相加。下排显示子带块先切分再分两路卷积或反卷积最后合并，左右虚线分隔下采样与上采样，红蓝框区分高低频带。复现时应严格按图标注的核尺寸与步长实现，避免把频率步长误用到时间轴。

训练与单步推理的输入、监督与更新如何组织？

训练数据组织在实验节详述，这里只讲计算流程。训练时条件网络输入带噪 Y，输出预增强与语音条件，监督来自干净 X 的心理声学损失。桥网络输入是起点 Xt 或 XSBt、带噪 Y 与噪声水平，起点由灰色固定公式或黄色辅助网络二选一构造，监督来自干净 X 的辅助损失。原文明确桥网络直接估计增强语音，得益于桥的数据到数据性质，不做噪声预测。

训练超参数报告为 16 kHz 采样，正平方根汉恩窗，离散傅里叶长度 512，帧移 25%，条件与桥网络各含一下采样卷积加四下采样块、两层门控循环单元、四上采样块加一上采样卷积，批量 16，在单张 RTX 3080 Ti 上训练 1M 步。消融阶段为 300K 步。原文未明确辅助网络与桥网络是联合端到端更新还是分阶段冻结，也未给出优化器类型与学习率曲线，因此不能推定参数冻结关系。

单步反向过程 × 常微分方程采样器： 单步反向过程负责只调用 1 次桥网络就从中间态直接估计干净语音，分工是限定计算预算；常微分方程采样器负责给出从起点到终点的确定性递推系数，分工是在该单步下退化为系数为零一零的直接映射；搭配原因是随机微分采样需要多步模拟随机过程而常微分采样在语音增强中更稳定，组合意义是用确定性单步替代多步随机迭代，大幅降低每秒乘加运算量。

推理时先用条件网络得到预增强，再用辅助网络或固定公式构造 T prime 等于 0.3 的起点，最后调用 1 次桥网络得到增强。常微分采样器在多步时按解析系数递推，在单步时退化为直接映射。原文报告推理用常微分而非随机微分，因其在该任务上更好。需要区分的是，单步不是确定性求解的同义词：起点仍含高斯噪声 Z，输出随采样变化，但计算图只有 1 次网络前向。复现时应固定随机种子以便对比，并记录条件网络与桥网络各自的前向耗时，避免把总耗时误记为桥网络耗时。

数据、基线、指标与成本如何配置才可比？

数据采用大规模多样化 URGENT 2024 挑战划分，但训练与验证排除了 CommonVoice 11.0 英文部分，原因是偶发背景噪声。训练与验证采用加性噪声、无混响与有混响、加性噪声加削波 3 种失真，不用带宽受限失真。信噪比范围负 5 到 20 分贝，混合前采用负 36 到负 16 分贝的有源语音电平，所有波形降采样到 16 kHz。训练集 634.5 小时，验证集 32.7 小时，测试集采用官方非盲测试集 1000 条并降采样到 16 kHz。

指标分 4 类：侵入式含 PESQ、ESTOI 与 SDR，非侵入式含 DNSMOS、NISQA 与 UTMOS，下游任务无关的音素保真度含 LPS 即 1 减 Levenshtein 音素距离，对说话人相似度与词准确率也有报告，主观 MOS 严格按 P.808 众包流程在 50 条子集上每条 8 名母语听众评测。总体排名按各指标平均排名计算。成本用参数量与每秒千兆乘加运算量报告，工具为 Yep 仓库。基线含 SGMSE+、BBED、SB、CRP、CDiffuSE、StoRM、Universe++ 与 EffDiffSE，均在同一 Dtrain 训练 1M 步并按各自最佳步数推理，CRP 按 950K 加 50K 2 阶段训练。PESQ 实现引用第三方库，资源状态显示该链接当前可用。

需要核对的是，数值相同不代表同一指标，百分点与相对百分比不同，不同指标差值不能混入模型列，自动指标不能当人评。

主结果在质量、可懂度与主观听感上是否一致领先？

本节回答主测试集上的比较问题：在同一训练数据与各自最佳推理步数下，单步 EffDiffSE+ 能否在侵入式与非侵入式指标上同时领先，且计算量是否最低。公平条件是所有基线同数据训练 1M 步，指标方向均为越高越好，成本越低越好，总体排名越小越好。需要关注未胜出项：SB 在 DNSMOS 上最佳，CRP 在词准确率上最佳，这说明单步模型并未包揽一切。

表后解释需要同时讲收益与代价。论文报告 EffDiffSE+ 在 PESQ、POLQA、NISQA、UTMOS、ESTOI、LPS 等多数客观指标与主观 MOS 上最高，总体排名 1.27，明显优于次优的 EffDiffSE 的 3.09。关键数字是 PESQ 从 2.45 升到 2.58，DNSMOS 从 3.10 升到 3.19，ESTOI 从 0.83 升到 0.84，主观 MOS 从 3.79 升到 3.95，仅比干净 ground truth 低 0.01。代价是参数量从 8.50M 增到 9.40M，增加了辅助网络与拓扑模块，但计算量从 3.90 降到 3.84 GMAC/s，仍是所有方法最低，约为 CDiffuSE 的七十五分之一，约为 SB 的近两千分之一。未胜出项需保留：SB 的 DNSMOS 为 3.22 高于本文的 3.19，CRP 的词准确率（%）为 78.55 高于本文的 78.41，说明在纯非侵入感知与词级准确率上多步或大模型仍有局部优势。

支持的判断是单步可学习桥在感知质量与音素保真度上达到顶排名，可能的待验证推测是这种优势能否推广到带宽受限与未见语种，因训练排除了部分数据与失真。

起点匹配与每个拓扑改动各自贡献了多少？

本节回答消融问题：在验证集与 300K 步训练下，从原生桥到条件桥再到辅助网络与拓扑改进，每一步是否带来可测增益，失败条件是什么。比较条件是同一训练时长与同一验证集，指标为 PESQ、DNSMOS、ESTOI 与 LPS，越高越好。反证是 4 步反向并不比 1 步好，说明多步在该混合结构下无益。

表后解释需给出机制与代价。论文报告原生桥用干净 X 训练而 ODE 从 T 等于 1.0 出发时 1 步 PESQ 仅 2.03，4 步更低为 1.85，显示失配与多步无益。换为条件桥并用高斯初始化 T prime 等于 0.3 后升到 2.24，训练推理起点匹配带来提升。辅助网络进一步升到 2.25 与 2.99，子像素卷积、蛇形与蛇形 Beta、交互模块、子带块各自在 PESQ 或 DNSMOS 上有 0.0 几的提升，其中子带块提升最大，全量达到 2.36 与 3.07。代价是模块增多带来实现复杂度，交互模块单项仅轻微提升 PESQ，存在性价比权衡。

限制是消融仅在验证集与 300K 步下完成，与主结果的 1M 步条件不同，不能把消融差值直接外推到测试集。原文未报告显著性检验与多次随机种子方差，因此小幅差异应表述为支持而非因果证明。

哪些边界未被评测，哪些结论不能推广？

论文直接报告的局限首先是数据边界：训练验证排除了 CommonVoice 英文部分与带宽受限失真，测试为官方非盲集降采样到 16 kHz，因此对带宽受限、强削波以外失真与未见采集设备的泛化待验证。其次是基线边界：所有基线按各自论文最佳步数推理，但未报告在统一计算预算下的曲线，不能回答若把 SB 也压到 1 步会差多少，只能回答在各自最佳配置下的排名。

第三是指标边界：总体排名为各指标平均排名，未加权，也未报告误判率、延迟与实时因子，训练资源仅报告单卡与步数，未报告时长与显存，因此不能把低 GMAC/s 直接等同于低延迟。第四是实现边界：辅助网络的频率拼接、子带切分比例 1 比 3、蛇形参数初始化等细节未完全公开，梯度路径与损失权重未明确，复现时需做缺项记录。缺失证据不是技术错误，但相关性不是因果：PESQ 与 MOS 同时高支持质量好，但不能证明幻觉率最低，除非结合 LPS 与 ESTOI 一起看。

本文在 LPS 与 ESTOI 上确实领先，这加强了保真度判断，但仍需注意 CRP 在词准确率上持平或略优，说明不同保真度指标口径不同。

要复现单步可学习桥，先做什么，需要哪些超参数？

复现应按学习依赖排序，先做数据与特征，再做网络，最后做起点与推理。第一步准备 URGENT 2024 划分并排除指定子集，按信噪比负 5 到 20 分贝、有源电平负 36 到负 16 分贝混合 3 种失真，统一降采样 16 kHz，STFT 用平方根汉恩窗、长度 512、帧移 25%。第二步实现条件网络与桥网络的四下四上加双层门控循环单元结构，条件解码器向桥解码器提供 4 层语音条件，噪声嵌入向桥编解码器提供 4 层噪声条件。

第三步实现起点二选一：固定高斯公式与辅助网络，辅助网络按拼接、核 3 步长 3 频率卷积、重排、全连接、层归一化、Sigmoid、切分流程输出逐点权重与方差，时刻取 T prime 等于 0.3。第四步实现拓扑四件套：子像素上采样、蛇形 Beta 激活、瓶颈交互模块、子带上下采样块，注意子带按 1 比 3 切分且整体 2 倍缩放。第五步按条件心理声学损失与桥辅助损失训练，批量 16，1M 步，消融可用 300K 步快速验证。验证时先检查起点匹配：训练用预增强锚，推理也用预增强锚，T prime 一致；再检查单步系数退化是否正确。

最后在验证集上复现 PESQ 从 2.21 到 2.36 的爬升趋势。代码开源方面，论文仅明确 PESQ 第三方库链接当前可用，未声明本模型代码与权重公开，因此应表述为本次未能确认模型可运行，不把可用链接误认为模型开源。

何时值得尝试单步桥，何时应保留多步方案？

综合全部证据，值得尝试 EffDiffSE+ 的场景是推理预算极紧但仍需生成式细节的实时或端侧增强，且已有较好的判别预增强可用。此时单步桥把计算量压到 3.84 GMAC/s，同时在 PESQ、ESTOI、LPS 与主观 MOS 上取得顶排名，性价比明确。应保留多步或大模型的场景是只看单一非侵入指标或词准确率，且计算预算充足：SB 在 DNSMOS 上更高，CRP 在词准确率上略优，说明多步大模型在特定口径下仍有优势。若预增强质量差，桥起点锚本身不可靠，单步映射可能放大误差，此时应先提升条件网络或回退到多步。

复现与选型时应保留的关键信息条件是 T prime 等于 0.3、16 kHz 与 512 点 STFT、4 层条件、辅助网络逐点预测，这些是起点对齐的核心。若要补验证，建议补三项：在统一 GMAC/s 预算下的质量曲线、多次种子的方差与显著性、带宽受限与未见噪声下的保真度。这样既能确认单步收益来自可学习起点与拓扑，而非数据划分或指标加权，也能明确其适用边界。

⚖️ 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 interspeech-2026 论文汇总