英文题目：SEMamba++: A General Speech Restoration Framework Leveraging Global, Local, and Periodic Spectral Patterns
会议身份：
conference:interspeech:2026:conference-paper-id:lee26f_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。
标签：#生成对抗网络 #状态空间模型 #时频分析 #语音 #语音增强
评分：6.7/10 | 创新 1.4/2 | 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 1.0/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Yongjoon Lee：机构信息未能从会议 PDF 纯文本可靠映射
- Jung-Woo Choi：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
通用语音恢复（General Speech Restoration，GSR）需从含噪声、混响、限带与削波的退化波形中同时去干扰并生成缺失的高频与大幅值语音片段，难点在于时频异质性与多类型退化对局部细节和全局谐波的不同需求。该方法先经短时傅里叶变换（Short-Time Fourier Transform，STFT）与扩张DenseNet编码得到压缩谱特征，再以多分辨率并行时频双路径（Time-Frequency Dual-Path，TFDP）块在三种频率尺度独立建模，最后经幅度与相位双解码器及可学习Softplus映射重建波形。其中频率全局局部周期（Global Local Periodic，GLP）模块以并行门控融合傅里叶分析网络全局周期分支与卷积局部分支并做通道选择。与串行Conformer或Mamba频率建模不同，并行选择与频率轴直接傅里叶展开显式适配缺带与强噪声下的局部全局权重切换。在VCTK-GSR测试集噪声条件下，SEMamba++的UTMOS为2.90，高于SEMamba的UTMOS 2.06。该结论限于16 kHz合成与半实测英语主导评测，未验证采样率无关部署、高采样率音乐与强编解码失真下的稳定性。模型参数量为2.7M且单步推理实时因子为0.021，适合资源受限推理。
🔗 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，输出又要交出什么？
这篇论文处理的是通用语音修复。用白话说，输入是一段已经变坏的语音，坏的方式不止一种，可能同时混入环境噪声、房间混响、高频被切掉的限带，以及大音量被削平的削波。目标是交出一段听起来自然的高质量语音。关键在于这不是单纯的减法，噪声与混响是要去掉的部分，而限带丢失的高频与削波丢失的峰值是原本就没有记录下来的部分，模型必须把缺掉的碎片合理地生成出来。
初学者容易把这个任务等同于去噪，论文明确区分了两者，去噪是预测干净语音中保留下来的成分，通用修复还要生成缺失成分，所以既考保真度也考自然度。输入在论文中统一为 16 kHz 采样的波形，输出也是同采样率的波形，中间经过短时傅里叶变换得到幅度谱与相位谱。必须保留的信息是退化类型覆盖噪声、混响、限带与削波，训练与测试都围绕这 4 类展开，评价同时看感知质量与信号保真。
读懂后文所有模块选择，都要回到这个双重目标，凡是只利于去噪而不利于生成的设计，在这里都会受到质疑。
生成路线与判别路线各自解决了什么？
论文把已有方法分成两大路线。生成路线包括基于分数的扩散模型、掩蔽生成模型与语言模型，代表有扩散修复框架、掩蔽生成增强模型、掩蔽语言模型与大语言模型增强系统。它们的共同优点是生成缺失碎片的能力强，听感自然， versatility 高，缺点是需要大量训练数据、多步采样或大参数量。判别路线包括卷积增强网络、幅度相位并行解码网络与状态空间模型增强网络，代表有基于一致性度量的生成对抗网络、并行幅度相位网络与曼巴结构。
它们直接学习从退化谱到干净谱的映射，训练目标更贴近逐点误差，推理通常一步完成。论文指出一个反直觉的现象，在通用修复挑战赛中判别方法反而取得很高成绩，原因归于结构改进与训练技术进步，例如更好的损失函数与度量判别器。教学上可以这样记，同样的输入与同样的修复目标下，生成路线先学语音长什么样再补，判别路线直接学怎么从坏变好。本文选择在判别路线上继续加语音先验，而不是转向大语言模型，理由是保持小参数与单步推理。
需要提醒的是，大语言模型基线在原文中只用了降噪模式，可能低估了它在通用修复上的潜力，这属于比较条件不一致的地方。
为什么时间与频率不能用同一套模块？
语音谱图的横轴是时间，纵轴是频率，这与图像的高宽不同。图像的高宽在不同位置代表同类特征，而时间格描述先后关系，频率格描述音高与音色结构，物理含义不同。过去的做法虽然把时间与频率分开处理，称为时频双路径处理，但两边常复用同一种结构，例如同样的卷积增强注意力或同样的状态空间模型。论文认为频率侧需要专门设计，因为它同时存在 3 类模式。第一是全局模式，例如限带切掉很宽的一段高频，需要从很远的低频搬信息过去。
第二是局部模式，例如共振峰附近相邻频点的连续变化。第三是周期模式，例如声带激励带来的近谐波结构，在频率轴上近似等间隔出现。已有串行连接的全局与局部模块有两个不足，一是缺少按退化选路的能力，限带时应更信全局，轻度噪声时可更信局部，串行结构难以动态取舍，二是缺少对周期性的显式建模。此外，单分辨率处理为了保细节而不做激进下采样，导致时频格数很多，加深加宽都贵，且错过多尺度机会。
举例说，限带信号在降频后更容易把低频信息传到高频。这些观察直接引出后文的频率全局局部周期模块与多分辨率并行块。
跟着一个样本走完从坏语音到好语音
先沿一个样本走全程。输入是一段退化的波形，经过短时傅里叶变换得到幅度谱与相位谱，幅度谱做功率压缩以缩小动态范围。压缩后的谱进入膨胀密集网络构成的编码器，通道数扩展到设定值，频率格数减半。接着进入重复多次的瓶颈块，每个瓶颈块内做时频双路径处理，时间侧用时间曼巴跟踪帧间依赖，频率侧用本文提出的频率全局局部周期模块整理频谱。
瓶颈处理在 3 个频率分辨率上并行进行，低分辨率支路由步幅卷积下采样得到，高分辨率结果最后由转置卷积上采样并拼接融合。融合后的特征进入两个并行的解码器，分别估计干净语音的幅度与相位，幅度经功率解压缩后与相位结合做逆短时傅里叶变换，得到干净波形。下面这张总体结构图把上述主路径与频率模块细节放在一起，是理解分工的最佳入口。
看图路径： 1. 先从左侧退化语音经短时傅里叶变换与编码器进入虚线框，再看三条不同频率分辨率支路如何分叉与汇合；2. 再看右侧频率 GLP 框内上方全局周期模块与下方局部分支如何并联后经拼接与逐点卷积融合；3. 最后确认解码器同时输出幅度与相位并经逆变换回到波形的主路径
论文图 2。原论文 Figure 2：“Overall architecture of SEMamba++ (a) and Frequency GLP (b).”。
左半部分显示了从退化语音到干净语音的主路径，虚线框内 3 条支路分别对应原分辨率、二分之一与 1/4 频率分辨率，每条支路都由时间曼巴加频率全局局部周期模块组成，下采样用 2 维卷积、上采样用转置卷积，且只动频率轴不动时间轴。右半部分放大了频率全局局部周期模块，可见上方全局周期模块由傅里叶分析网络与全连接门控组成，下方局部分支由 1 维卷积重复 3 次组成，二者拼接后再过通道前馈网络。读图时不要把颜色当性能含义，颜色只区分模块类型，箭头才表示数据流向。
频率全局局部周期模块如何分工？
频率全局局部周期模块是全文核心。先说白话，全局指看整个频带，局部指看邻居频点，周期指谐波那样的重复间隔。英文名是 Global, Local, and Periodic，缩写为 GLP。模块输入先做层归一化，然后分两路。上一路是全局周期模块，直接把频率维作为线性层输入，维度从有效频点数扩展到 2 倍，再保持 2 倍维度做第二层傅里叶分析网络，最后用线性门控学习傅里叶系数。
傅里叶分析网络本身是把输入经同一矩阵映射后分别过余弦与正弦激活，再拼接一路普通激活，输出中既有周期基也有通用特征，之后必须再接线性层才能把系数真正学出来。下一路是局部分支，沿频率轴做核长为三的 1 维卷积加高斯误差线性单元激活，重复多次，捕捉子带内关系。两路输出拼接后经逐点卷积做选择融合，再送入通道前馈网络，该网络结构与全局周期模块同形，只是把输入转置为通道维。
并联的意义在于按退化动态取舍，限带高频邻居无信息时更依赖全局，轻噪时更依赖局部。
时频双路径处理 × 频率 GLP： 时频双路径处理负责把时间和频率两个维度分开建模，时间分支跟踪帧间连续性，频率分支整理频谱结构；频率 GLP 就是频率分支内部的具体实现，它用全局周期模块看全频带谐波、用局部分支看子带细节，再用选择融合决定听哪一边，组合意义在于让双路径的频率侧同时具备远距离外推与近邻精修能力。
3 种处理形态的差异需要单独辨清。单分辨率只有一条直通路径，多分辨率串行把 3 个不同分辨率模块连成链，前一个的输出影响后一个，多分辨率并行让 3 个分支各自独立处理同一信号的不同尺度。
看图路径： 1. 对比单分辨率只有一条直通时频双路径的画法；2. 观察多分辨率串行中下采样与上采样箭头如何把三个模块连成一条链；3. 观察多分辨率并行中三个分支如何从同一输入分出又各自回到输出
论文图 1。原论文 Figure 1：“Various TFDP processing methods. ds and us denote downsampling and upsampling, respectively.”。
图中上中下三行分别对应单分辨率、多分辨率串行与多分辨率并行，ds 表示下采样，us 表示上采样。串行行的箭头依次穿过 3 个时频双路径模块，说明尺度间相互影响，并行行的 3 个模块从同一输入分出又各自回到输出，说明尺度间互不干扰，这正是论文主张并行能学到互补特征的依据。
全局周期模块 × 局部分支： 全局周期模块分工是直接对频率维做傅里叶分析网络，用正弦与余弦基拟合谐波等周期结构，适合缺失整段高频或强噪声盖住全频的情形；局部分支分工是用 1 维卷积看相邻频点，适合保留共振峰过渡等局部形状；二者并联而非串联的搭配理由是避免一种表示被另一种改写，组合后由逐点卷积按退化类型动态加权。
可学习映射部分放在训练节细讲，这里先记结论，掩蔽法在高频能量为零处乘不出新幅度，必须用映射直接生成。
傅里叶分析网络 × 通道前馈网络： 傅里叶分析网络分工是把输入先经共享矩阵映射再分别过余弦与正弦激活，显式给出周期基，通道前馈网络分工是在通道维做同样的非线性扩展以增强表达力；搭配理由是论文发现对隐特征同样施加周期建模有帮助，组合意义是频率轴与通道轴都保留周期与通用特征的配比，只是输入维度不同。
下采样只压频率轴的设计还带来效率收益，傅里叶分析网络的计算量随有效频率维 2 次下降，降频后开销明显减小。
看图路径： 1. 先找到黑色虚线代表的线性整流函数作为参照；2. 再沿横轴输入从负到正看不同颜色曲线的抬升位置；3. 最后对照右侧色条确认低频曲线更平缓、高频曲线更贴近折线
论文图 5。原论文 Figure 5：“Softplus functions with the learnable β for each fre- quency band. The black dotted line denotes the ReLU function.”。
该图横轴是映射输入，纵轴是输出，黑色虚线是线性整流函数，多条彩色曲线是不同频点的可学习柔性正函数，右侧色条标出频率从低到高。可以看到低频曲线在负输入处抬得更高、整体更平缓，高频曲线更贴近折线，标注的斜率参数在低频较小、高频可达三十以上，说明模型给低频更大响应以匹配语音能量分布。
多分辨率并行处理 × 频率下采样： 多分辨率并行处理分工是让同一段语音在原分辨率、二分之一与 1/4 频率分辨率上各自独立走一套时频双路径，学到互补模式；频率下采样分工是只压缩频率轴而保持时间帧数，用步幅卷积实现降维、用转置卷积恢复；搭配理由是降频后低频信息更容易传向高频且傅里叶分析网络的计算量随频率维 2 次下降，组合后兼顾效率与多尺度表达。
多分辨率并行为何只压频率轴？
多分辨率并行时频双路径块的具体做法是，在一个瓶颈块内同时维护 3 种频率分辨率，原分辨率记为有效频点数，另两种分别下采样为二分之一与 1/4，时间格数全程不变。下采样与上采样用核大小为 3 乘 4、步幅为 1 乘 2 的 2 维卷积与转置卷积实现，维度顺序为时间乘频率，后接实例归一化与参数化线性整流。
每个分辨率独立做时间曼巴加频率全局局部周期处理，低分辨率结果先与中分辨率拼接融合，再与高分辨率融合，融合方式都是通道拼接加逐点卷积。只压频率轴的理由有两条，一是保时间保真，避免时间上采样伪影，二是让低频信息在压缩后更容易传播到高频，有助限带修复。论文还对比了时间下采样与双轴下采样，发现只压时间最差，说明频率伪影相对可忽略。效率上，低分辨率分支序列更短，高容量扩展不再像单分辨率那样昂贵。
需要指出，原文没有报告各分支的逐分支参数量与显存占用，只给了整体参数量与实时率，因此不能把效率结论推广到每一步显存峰值。
生成器与判别器各自学什么？
训练目标是声码器风格的对抗训练加多项重构损失。生成器就是前述编码器加瓶颈加解码器的修复网络，判别器采用多尺度子带恒 Q 变换判别器与多分辨率判别器，前者设 3 个子判别器、倍频程数为八、每倍频程格数分别为十二、二十四与三十六，其余设置沿用已有大声码器做法。对抗部分用最小二乘生成对抗网络，生成器希望判别器输出接近一，判别器希望干净语音接近一、生成语音接近零。
与直接优化语音质量分数的度量生成对抗网络不同，最小二乘形式不拟合显式分数，而是学一种更一般的自然度概念，论文报告这在感知质量上更稳。幅度解码不用掩蔽而用映射，映射函数是可学习柔性正函数，每个频点学一个斜率参数，输入除以该参数后做柔性正变换，低频斜率小则响应大，高频斜率大则接近线性整流。
重构损失包括幅度谱 L1、抗包裹相位损失、一致性损失、复数谱损失、多尺度梅尔谱损失与特征匹配损失，生成器总损失是各项加权求和，判别器损失即对抗损失。原文给出了梅尔损失权重为 0.1、特征匹配权重为 1.0，幅度、相位、一致性与复数四项沿用前人超参数，但未列出对抗权重的具体数值，这是复现时需要核对的缺项。
可学习 softplus 映射 × 最小二乘生成对抗网络： 可学习 softplus 映射分工是为每个频点学一个斜率参数，决定幅度解码器输出随输入增长的快慢，以适应低频能量高、高频能量低的差异；最小二乘生成对抗网络分工是不直接回归感知分数，而是让判别器学一种更一般的自然度概念；搭配理由是掩蔽法在高频能量为零的限带处无法生成任意幅度，必须用映射生成，而对抗损失负责把生成结果推向自然语音。
训练优化器与调度在实验条件节给出，这里先记监督来源全部来自配对的干净与退化波形，没有无监督预训练。
数据、退化与评价条件如何组织？
数据方面，语音用视频文本语音库 0.92 版，除去两个有技术问题的说话人，噪声用城市录音与挑战赛噪声集，混响用房间脉冲响应库。采样率统一为 16 kHz，划分为通用修复训练集与测试集，噪声与脉冲源也做训练测试划分。退化仿真覆盖噪声、混响、限带与削波，训练时随机施加，信噪比从负 10 到 20 dB，限带截止频率在二到 7000 赫之间，用多种滤波器类型与阶数实现多样谱效应。
域外评价用挑战赛验证集与盲测集、真实噪声混响集与另一挑战赛盲测集，其中验证集约一成源录音重叠，但退化类型与语言分布不同，仍视为域外。评价指标分两类，感知质量用神经网络预测分数与平均意见分预测，信号保真用语音质量感知评价、对数谱距离与音素相似度，方向是前者越高越好、对数谱距离越低越好。硬件效率用单张显卡上处理 1 秒语音所需时间衡量。
下表把可逐字核对的训练配置集中呈现，阅读时先看分段长度与谱参数，再看模型宽度与优化设置。
| 来源证据 | 量化值一 | 量化值二 | 量化值三 | 量化值四 |
|---|---|---|---|---|
| 来源句一 | 24,000 samples | — | — | — |
| 来源句二 | 400 samples | — | — | — |
| 来源句三 | 26 | 4 | 48 | — |
| 来源句四 | 1 | 2 | 0.8 | 0.99 |
| 来源句五 | 8 | 100 epochs | — | — |
该表把分段长度、窗长跳长、瓶颈数与通道数、学习率与优化器动量、批量与轮数放在同一视图，便于复现时逐项对照。表中分段为两万四千点对应 1.5 秒，窗长四百点、跳长一百点，瓶颈数为四、通道数为 48，学习率为万分之二，批量为八、轮数为一百。需要说明，指数衰减系数与判别器细节不在此表，须回正文核对，衰减系数为 0.99。
主结果在域内与域外各说明什么？
主结果要回答 3 个问题，测什么、和谁比、条件是否一致。域内用通用修复测试集，域外用挑战赛验证集、盲测真实集与真实噪声集。基线包括判别类的并行幅度相位网络与曼巴网络、回归与流匹配扩展、分数扩散多步采样、语言模型与掩蔽生成模型，以及 2 阶段修复系统。原文报告，在域内与域外的大多数感知指标上本文方法领先，尤其域外领先幅度大，而信号保真上曼巴基线在域内仍有最好语音质量分数与谱距离，本文方法在域外保真上具竞争力。
生成类基线感知尚可但音素相似度低，符合生成增强易出现音素替换的已知现象。效率上本文方法参数量较小、实时率较低，但大语言模型因编解码压缩序列反而实时率最低，不能只看参数量判断速度。下表集中对比域内域外可运行策略的代表数字，阅读时注意感知分数越高越好，谱距离越低越好。
| 来源证据 | 量化值一 | 量化值二 | 量化值三 | 量化值四 |
|---|---|---|---|---|
| 来源句一 | 1 | 3.27 | 3.55 | 3.14；1.77；1.25；0.45；2.67；2.82；3.20；1.51；1.49；0.61；2.49；2.61；3.13 |
| 来源句二 | 1 | 1.87 | 2.17 | 2.82；2.01；1.22；0.42；1.59；1.90；2.88；1.63；1.78；0.59；1.38；1.71；2.81 |
| 来源句三 | 1 | 1.89 | 2.34 | 2.88；2.13；1.19；0.45；1.66；2.06；2.92；1.67；1.83；0.60；1.51；1.88；2.84 |
| 来源句四 | 2.7 | 0.021 | 3.45 | 4.01；3.18；1.84 |
| 来源句五 | 2 | — | — | — |
表中可见本文方法在域内感知与域外感知上高于两个判别基线，同时参数量为 2.71000000 量级，推理耗时低于多数基线。代价是域内语音质量分数低于原曼巴，说明声码器风格训练提升自然度但牺牲了与干净信号的逐点相似。另一个未胜出项是限带截止为 1 kHz 的最极端情形，分数扩散长步数更好，说明极端缺失下生成模型的潜力仍大。比较时还需注意语言模型基线只用降噪模式、部分生成基线训练数据大数十倍，训练数据规模不一致，不能视为同条件胜负。
并行多分辨率真的学到不同东西吗？
消融围绕频率模块与分辨率结构展开。频率侧对比包括曼巴、注意力、卷积增强注意力、空间网络与本文全局局部周期模块，以及去掉全局周期、改串行、把傅里叶分析网络换成线性层的变体。原文报告全局局部周期模块在域内域外均最好，域外差距更大，去掉全局周期损失最大，串行不如并行，把周期建模换成线性也下降，支持周期性与选择融合的价值。
分辨率侧对比并行与串行、单分辨率加宽、无下采样、只压时间与双轴下采样，原文报告并行优于串行，单分辨率域内略降但域外大降，提示过拟合，只压时间最差。为证明不同分辨率关注不同模式，论文做了梯度归因分析，对各分辨率输出求对输入幅度谱的梯度，只保留正贡献并取前 10% 做掩膜，再与退化谱相乘得到梯度加权谱，并计算分辨率间交并比，越低表示关注区域越错开。
看图路径： 1. 先看左侧干净与退化语谱图在高频缺失与噪声上的差异；2. 再看右侧三行不同分辨率与三列梯度加权图的亮斑位置是否错开；3. 注意色条以分贝表示梯度加权幅度，只看相对亮暗不读绝对数值
论文图 3。原论文 Figure 3：“Gradient visualization of outputs from different branches in the proposed multi-branch method.”。
左图干净与退化谱显示高频缺失与噪声混响削波并存，右图三行对应高、中、低分辨率，三列对应不同归因视角，亮斑位置明显错开，低分辨率对噪声更敏感，高分辨率对谐波响应更大，中分辨率更贴语音主体。交并比上并行显著低于串行，统计检验给出显著性，支持并行带来互补建模。但需注意梯度归因只说明输出对输入的敏感位置，不等于因果证明分支必然分工，掩膜阈值取前 10% 也影响稀疏程度。
退化越重时模型更信全局还是局部？
另一组特有分析是全局与局部的贡献比。做法是对顶层分辨率下两模块输出求对预测语音的梯度，逐层取 L2 范数均值，记比值为全局除以局部，大于一表示更信全局。噪声从负 10 到 20 dB 扫描，限带截止从两千到 7000 赫扫描。原文报告，高噪声时比值大于一、低噪声时偏向局部，限带时始终偏向全局且截止越高比值越接近一。解释是噪声铺满全频带时需全局看整体，干净时局部精修更有效，限带高频邻居无信息时局部失效故依赖全局。
这组曲线不能读成每一步都单调，噪声在 5 dB 处还有峰值，说明趋势是总体而非逐点成立。强度 wise 的另一证据是不同噪声与限带强度下的平均意见分预测，本文方法在 -15 dB 等极端噪声下仍最好，限带除 1 kHz 外均最好，1 kHz 处分数扩散更好，再次说明极端生成仍是短板。
从曼巴到本文方法的组件分析还显示，可学习映射主要改善域外，声码器训练提升感知但降低语音质量分数，瓶颈换成并行结构后域内域外全面提升，且同等参数量的加宽曼巴仍不如本文结构，支持结构改进而非单纯加参。
哪些边界本文没有测或不能推广？
论文在局限节与实验字里行间交代了 3 类边界。第一，频率全局局部周期模块直接对频率维做线性操作，维度与采样率绑定，不能直接用于采样率无关处理，换采样率需重设或重训。第二，训练目标偏向感知自然度，在域内信号保真指标上未同时最优，原文承认兼顾感知与保真的更先进目标仍待探索。
第三，比较条件并不完全公平，大生成基线训练数据大一个数量级，语言模型基线只开降噪模式，官方权重与自训模型的训练轮数与数据划分也不尽相同，因此优势应表述为在给定小数据与单步推理预算下的结果，而非无条件最强。此外，缺失证据不是技术错误，但复现时要意识到未报告项，包括对抗损失权重、判别器更新频率与重置时机、梯度是否截断、显存峰值与长语音分段拼接策略。
实时率只在单种显卡上测得，换硬件或换批量会变化，不能把实时率当成延迟承诺。
要复现应先固定什么再调什么？
复现先固定信息条件。采样率固定 16 kHz，分段 1.5 秒，窗长四百点、跳长一百点，编码后频率减半，瓶颈数为四、通道数为 48。退化仿真先按信噪比负 10 到 20 dB、截止二到 7000 赫实现，再加混响与削波，划分上保证噪声与脉冲源的训练测试不泄漏。模型先实现单分辨率基线跑通幅度相位双解码，再加入频率全局局部周期模块，确认傅里叶分析网络后接线性门控、局部分支核长为三、融合用逐点卷积，最后再加三分辨率并行与频率下采样。
损失先用幅度、相位、一致性、复数四项调稳，再加梅尔权重 0.1 与特征匹配权重 1.0，最后接入最小二乘对抗与两种判别器。优化用批量八、轮数一百、学习率万分之二、动量 0.8 与 0.99、指数衰减 0.99。资源状态方面，本次收到的证据中没有完成超链接可达验证的开源资源，不得声称代码模型数据已公开，复现应以论文文字与上述超参数为准，缺失的对抗权重与判别器调度需做小网格搜索并记录。
评价时域内域外分开报告，感知与保真同时给出，避免只看单一分数。
何时值得尝试这个方案？
当任务同时包含去除与生成、且推理预算只允许小参数单步运行时，这个方案值得尝试。它的可取之处在于把语音先验写进结构，全局周期管谐波与大段缺失，局部管邻频细节，并行多分辨率管尺度互补，可学习映射管频点能量差异，声码器判别管自然度。每一步都有可核对的消融与归因支持，而非只靠加参。适用条件是固定采样率、配对数据充足、评价同时看感知与保真。
若场景要求任意采样率、极端限带到 1 kHz、或必须最大化逐点保真，则需补验证，前者要重设频率线性层，后者可考虑生成多步采样，后者可回调度量优化目标。初学者复述时记住一句话，时间分支保连续，频率分支用全局看远处、用局部看邻处、用周期看重复，用并行看多尺度，用映射生成零能量处，最后用对抗把结果推向自然。
⚖️ 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