只净化参考信号、不碰控制滤波器：因果留声有源降噪的参考增强路线

英文题目：A Causal Reference-Enhanced Keep-Speech Active Noise Control Method

会议身份：conference:interspeech:2026:conference-paper-id:rao26_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：#自适应滤波 #严格因果 #语音 #主动降噪

评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.6/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：方法研究

👥 作者与机构

• Li Rao：机构信息未能从会议 PDF 纯文本可靠映射
• Xiaobin Rong：机构信息未能从会议 PDF 纯文本可靠映射
• Yu Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Yiming He：机构信息未能从会议 PDF 纯文本可靠映射
• Kai Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Haishan Zou：机构信息未能从会议 PDF 纯文本可靠映射
• Jing Lu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

保持语音主动降噪输入是混有环境噪声与通话语音的参考信号\(xv(n)=x(n)+vr(n)\)和耳内误差信号\(e(n)=d(n)+ve(n)+y(n)\)，输出是保留语音并抑制噪声的耳内信号，难点是参考端语音泄漏会使抗噪声携带语音成分并抵消目标语音，且耳机不允许帧级未来视。第一步由误差重构负责去除控制声贡献，用误差信号减去估计次级通路卷积控制信号得到含噪语音估计\(\hat{dv}(n)=e(n)-\hat{s}u(n)\)，为增强提供耳端上下文。第二步由因果WaveNet负责参考增强，以原始参考\(xv\)与估计\(\hat{dv}\)为条件输出保留噪声并抑制语音的增强参考\(\hat{x}=g_{\phi}(xv,\hat{dv})\)，第三步由传统FIR滤波器负责抵消，将增强参考滤波为\(u(n)=w\hat{x}(n)\)并经次级通路\(s\)辐射，RLS自适应更新\(w\)。与直接替换控制滤波器的DeepANC不同，该链路保留传统滤波器且步长为1加因果填充故无附加算法延迟，误差域损失\(Lenh\)将优化对准联合降噪保语音目标。在带限噪声测试集下，RSE-based KSANC（Lenh）的STOI为88.67%，高于未处理的STOI 86.89%。结论限于 8 kHz 采样右耳单通道实测耳机脉冲响应、讲者集中正面附近、混响时间约 0.25 s，未做双耳、多讲者、强混响与盲听主观评价。原文承认 WaveNet 参数量大，需优化压缩才能部署于资源受限耳机。

🔗 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？目标为何不是直接降噪？

本文输入是耳机在真实房间中测得的声学条件下的双麦克风信号，目标是在嘈杂通话场景中压制噪声的同时保留语音。论文开场交代了必须保留的信息：参考麦克风同时拾取环境噪声与讲话人语音，误差麦克风处的信号是初级噪声、语音与反噪声的叠加，耳机壳体的被动衰减本身也会损伤通话质量。输出是误差麦克风处的误差信号，评价围绕该信号的语音可懂度与语音质量展开。

常规有源降噪把原始参考直接送入控制滤波器生成反噪声，当参考中混有语音时反噪声也会含有语音成分，于是在误差端把语音一起抵消掉。直通信号补偿或波束形成后再注入的思路会把噪声也透明地放进来，或在语音与噪声同方向时失效。留声有源噪声控制因此被明确为独立任务：只用噪声成分做抵消，语音成分要留在误差信号中。

有源噪声控制 × 留声： 有源噪声控制负责用参考麦克风拾取外界声音并发出反相声波抵消传到误差麦克风的噪声，留声则在此基础上增加一个约束：只抵消噪声成分而保留语音成分，二者搭配的原因是常规控制不区分语音与噪声，组合意义在于把参考信号先净化为纯噪声再做抵消，从而在降噪的同时维持通话可懂度。

对刚入门的读者可以这样沿样本走一遍：某时刻参考端收到噪声与语音的混合，误差端同时存在经房间传来的噪声与语音，系统需要先从混合参考中去掉语音得到干净噪声，再用该干净噪声生成恰好抵消误差端噪声的反噪声，最终误差端剩下的是被保留的语音。教学例子仅用于理解信号流向，不代表论文报告了该单时刻的具体数值。

同输入同目标的已有路线差在哪里？

论文把相关工作按相同输入、相同目标与相同运行阶段做了对照。第一条路线是关闭降噪或做高通加增益补偿的声学透明耳机，其输入同样是外部麦克风信号，目标是补偿被动衰减，但它不区分噪声与语音，因此噪声也被透明放大。第二条路线是 Patel 等人的多参考前馈加超指向波束形成定向直通，其输入也是阵列参考与误差信号，目标是空间选择性聆听，但当语音与噪声同方向时波束形成质量决定上限，论文指出该条件下方法失效。

第三条路线是 DeepANC，它与本文同属留声降噪，同样希望误差信号可懂度与质量提升。区别在于 DeepANC 用卷积循环网络直接替代控制滤波器，网络工作在帧级并引入处理延迟，难以满足耳机等严格因果约束。本文则保留常规有限冲激响应控制滤波器，只用网络增强参考信号，并采用步长为 1 与因果填充的时域卷积实现零附加算法延迟。

这种对照不是同条件胜负排名，而是运行约束不同的设计取舍：直接替换控制滤波器自由度大但因果裕量小，先净化参考再用常规滤波器则把学习放在不破坏因果的一侧。论文后续用实测脉冲响应与递归最小二乘自适应控制滤波器验证了后者在因果受限耳机中的可行性。

要解决的矛盾如何形式化为信号？

论文用离散时间信号把矛盾写清楚。参考端原始信号是噪声分量与语音分量之和，记为 xv(n) 等于 x(n) 加 vr(n)。误差信号是误差端噪声 d(n)、误差端语音 ve(n) 与反噪声 y(n) 之和。控制信号 u(n) 由控制滤波器 w 对增强参考滤波得到，反噪声是控制信号再经次级通路 s 传播的结果。

若直接用含语音的原始参考生成控制信号，反噪声必然携带语音成分，误差端语音被部分抵消。理想留声控制是把纯噪声 x(n) 作为参考，此时可达到理论性能上界，但实际中纯噪声不可获得。问题于是转化为如何从可观测的原始参考与估计的误差端含噪语音中恢复出接近纯噪声的增强参考。

网络输入因此有两个：原始参考 xv 与估计的误差端含噪语音 dv 的估计值，后者由误差信号减去次级通路估计与控制信号的卷积得到。网络输出是增强参考，记为 x 的估计值。该设计把不可观测的纯噪声作为隐目标，把可观测的误差端残留作为联合优化的落点，为后文两种损失函数的对比埋下伏笔。

整体系统如何走完从混合到留声？

从系统全景看，本文方法可分为 3 段。第一段是观测：参考麦克风得到噪声与语音混合，误差麦克风得到待评价的叠加信号。第二段是参考增强：神经网络同时观察原始参考与由误差信号反推的含噪语音估计，输出增强参考。第 3 段是常规抵消：增强参考经自适应控制滤波器生成控制信号，再经真实次级通路变为反噪声，与初级噪声在误差端叠加。

下图是理解该闭环的关键，它同时给出了声学侧的耳机示意与信号侧的方框图，初学者应先分清声波传播与数字信号流两层箭头。

看图路径： 1. 先从左侧说话人与噪声源出发，区分蓝色语音波与黑色噪声波进入参考麦克风的路径；2. 再看参考信号进入橙色有源降噪处理块后如何分出增强参考与控制信号两条支路；3. 接着核对下方信号流图中误差信号由反噪声、误差端语音与误差端噪声三者相加的汇合点；4. 最后确认由误差信号减去次级通路估计输出得到估计含噪语音并回送给神经网络的闭环

论文图 2。原论文 Figure 1：“2”。

从像素可见，上半部分用蓝色语音波与黑色噪声波标示两者共同进入参考麦克风，红色反噪声箭头指向耳内误差麦克风，右侧误差端波形示意三者叠加。下半部分信号流显示原始参考先与语音相加形成 xv，再经神经网络得到增强参考，经 w 与 s 后与误差端语音和噪声汇合为误差信号，误差信号又经次级通路估计回路得到估计含噪语音并送回网络。这种把学习放在参考侧、把抵消仍交给常规滤波器的分工，是全文因果裕量论证的结构基础。

参考信号增强 × 控制滤波器： 参考信号增强负责把混有语音的原始参考变换为接近纯噪声的增强参考，控制滤波器负责把增强参考变换为控制信号再经次级通路生成反噪声，二者搭配的原因是把语义判别放在参考端而把严格因果的声学抵消仍交给常规滤波器，组合意义在于不引入额外算法延迟并增大因果裕量。

因果网络内部做了哪些适配？

网络主体沿用 WaveNet 的因果全卷积时域框架，动机是步长为 1 加因果填充时不引入额外算法延迟。论文做了两处适配：跳跃连接后的 1×1 卷积改为因果卷积，激活函数由线性整流改为双曲正切。作者报告以误差域损失为例，改进结构把验证损失从 6.9 × 10−5 降至 5.9 × 10−5，显示修改对该任务有效。

下图展示了该网络的层级组织，阅读时不要把它当作通用 WaveNet 复述，而要对应到参考增强的输入输出。

看图路径： 1. 先沿顶部输入经因果卷积进入多层扩张卷积堆叠的主路径观察残差与跳跃连接分叉；2. 再看每层内正切与门控分支相乘后经 1×1 卷积分别送往残差相加与跳跃汇合的走向；3. 最后观察底部多层因果卷积输出头如何把汇合特征压缩为单通道波形输出

论文图 1。原论文 Figure 2：“The neural network architecture.”。

从像素可见，顶部输入先经因果卷积进入虚线框内的多层扩张卷积堆叠，每层内扩张卷积后分出正切与门控两支相乘，再经 1×1 卷积分别送往残差相加与下方跳跃汇合，底部输出头由多层因果卷积与正切激活把汇合特征压缩为单通道波形。原文给出的规模是初始因果卷积核尺寸 32、通道数 128，其后 4 个堆叠各含 12 层、通道数 128、核尺寸 5，输出头为 128 到 64 到 32 到 1 的 3 层因果卷积，核尺寸分别为 5、5 与 256。

因果卷积 × 次级通路： 因果卷积负责保证网络输出只依赖当前与过去采样从而引入零附加算法延迟，次级通路负责描述从耳机扬声器到误差麦克风的声电传递，二者搭配的原因是抵消声必须早于或同步于经空气到达的初级噪声，组合意义在于网络可以在不破坏因果约束的前提下提供更干净的噪声参考。

该组件的计算代价在原文中有明确交代，改进模型约含 9.53 M 参数，处理 1 秒参考信号约需 38.12 G 乘加运算。论文在讨论部分承认该参数量对耳机等资源受限设备偏大，并把模型压缩列为未来工作，因此不能把当前规模直接理解为可部署成本。

两种损失各优化什么？参数如何更新？

训练比较了两种增强参考的损失。第一种是误差域损失，它把控制滤波器的最优维纳解代入误差信号表达式后评价误差端残留，目标是联合实现噪声抑制与语音保留，优化对象是网络参数。第二种是参考端分离损失，它直接评价网络输出与参考端纯噪声分量之间的均方误差，优化对象同样是网络参数，但只看上游分离质量。

误差域损失 × 参考端分离损失： 误差域损失负责在误差麦克风处联合评价噪声残留与语音保留，参考端分离损失负责在参考麦克风处评价提取噪声波形的均方误差，二者搭配比较的原因是前者与下游抵消目标对齐而后者只与上游分离对齐，组合意义在于论文用对照说明只做好参考端分离不等于做好留声降噪。

原文明确了误差域训练的实现细节：按 Elliott 专著的方法计算控制滤波器的最优维纳解并代入损失，再最小化该损失以优化网络参数；参考端训练则直接最小化输出与噪声分量的均方误差。网络训练 100 个周期，采用 Adam 优化器，初始学习率为 5 × 10−5，每 10 个周期衰减为原来的 0.9 倍。实验阶段的控制滤波器则用遗忘因子 0.99999、初始协方差为 0.01 倍单位矩阵的递归最小二乘算法自适应更新。

需要指出具体缺项：原文未报告训练批尺寸、截断长度、梯度裁剪与验证早停等细节，也未说明维纳解计算中是否使用停止梯度或如何处理不可微环节，因此复现时只能按已报告的学习率 schedule 与优化器先搭建基线，不应从模型名称推定未报告的实现。下表把已报告的网络与优化配置整理为可核对条目，阅读时把第一行当作结构，把第二行当作开销与训练条件。

上表数值均来自正文连续原句，表后需要强调的是误差域损失与参考端损失共享同一网络结构，对照差异完全来自监督信号位置不同，这为后文可懂度与质量差异提供了公平的解释起点。

数据、房间与评价条件如何搭建？

实验采用实测耳机脉冲响应而非纯仿真房间。测量在混响时间约 0.25 秒的房间中进行，0 度为正前方、90 度为右侧，扬声器按 45 度间隔布置在距头部中心 0.6 米与 1.0 米两圈，0.6 米圈模拟讲话人播放语音，1.0 米圈模拟噪声源播放噪声。左右耳可视为独立通道，论文只取右耳，参考与误差麦克风的脉冲响应长度为 256 抽头、采样率 8 kHz，次级通路因尾部系数较小截断为 128 抽头。

下图有助于建立方位与距离的空间感，初学者应先分清内外两圈再理解训练与测试的方向划分。

看图路径： 1. 先确认中心人头左右耳位置与 0 度前方和 90 度右侧的方位定义；2. 再区分外圈蓝色 1.0 米噪声源与内圈黄色 0.6 米讲话人两套扬声器环；3. 最后核对测试时新增的 315 度与 45 度等未训练方位用于检验方向泛化

论文图 4。原论文 Figure 3：“Measurement diagram.”。

从像素可见，中心为人头示意，外圈蓝色扬声器标有 0 度、45 度、90 度、135 度、180 度、225 度、270 度与 315 度，内圈黄色扬声器为近场讲话人位置，右下图例明确黄色为 0.6 米、蓝色为 1.0 米。训练与验证时讲话人方向从 270 度、0 度与 90 度中随机选择，噪声方向从 0 度、90 度、180 度与 270 度中随机选择；测试时讲话人方向扩展为 270 度、315 度、0 度、45 度与 90 度，噪声方向从全部 8 个方向随机选择，从而检验对未见方向的泛化。

噪声数据按子带划分构造带限噪声，训练集用 4000、2000、1000、500 与 250 Hz 带宽得到 31 个频带，验证与测试各用 7 个互不重叠且与训练不同的频带，每频带生成 100 段 10 秒噪声。真实噪声另用 DCASE 的风扇、发动机、轴承与齿轮箱录音，每类随机取 700 段 10 秒信号。语音来自 LibriTTS，训练、验证与测试分别随机选 200、50 与 50 名不重叠且性别均衡的说话人，并截取为 10 秒语句以匹配噪声数量。信噪比定义在参考麦克风处，训练与验证随机取负 5、5 与 15 dB，测试覆盖负 5、0、5、10 与 15 dB。评价取系统进入稳态后最后 3 秒误差信号，分别用短时客观可懂度与非侵入式 DNSMOS 总体分评价可懂度与感知质量。下表把采样、抽头、信噪比与自适应条件集中为可复现清单。

表后应明确公平条件：所有方法共享同一实测脉冲响应、同一信噪比定义与同一稳态后评价窗口，控制滤波器均为递归最小二乘自适应更新，区别仅在于参考是否增强以及增强网络的损失函数，这使得可懂度与质量差异可归因于参考处理而非评价口径变化。

主结果在宽信噪比下是否一致变好？

论文要回答的问题是增强参考能否在保持因果的同时同时压噪声与保语音，与谁比、条件是否一致需要先说清。比较对象包括未处理、理想留声、常规有源降噪、DeepANC 与两种损失训练的本文方法，其中理想留声使用纯噪声作参考，仅作为理论上界而非可部署策略。指标方向是短时客观可懂度越高越好，DNSMOS 总体分越高感知质量越好，相干性用于辅助说明增强参考与目标噪声的相关程度。

下图用单样本同时给出时域与时频证据，阅读时先看波形包络是否被整体压平，再看时频谐波是否保留。

看图路径： 1. 先在左侧时域波形中自上而下比较原始语音、未处理、理想留声、常规降噪、深度降噪与本文方法的包络保留程度；2. 再在右侧时频图中对比常规降噪整体压暗与本文方法保留语音谐波纹理的差异；3. 最后注意深度降噪残留噪声底较亮而本文方法更接近理想留声的分布

论文图 6。原论文 Figure 6：“(a) Time-domain waveforms and (b) time–frequency representations of a fan-noise sample at NSR = 5 dB.”。

从像素可见，左侧 6 行波形自上而下为原始语音、未处理、理想留声、常规降噪、深度降噪与本文方法，常规降噪一行几乎被压为直线，本文方法则保留了与原始语音相似的起伏。右侧 6 块时频图中常规降噪整体偏暗而语音纹理丢失，本文方法右下块的低频谐波与时间结构更接近理想留声，深度降噪左下块残留的横向噪声线更亮。原文对该风扇噪声示例的文字说明是该方法有效衰减噪声同时保留语音，从而带来更高的可懂度与质量分。

论文报告显示，以误差域损失训练的本文方法在宽信噪比范围内取得最佳总体可懂度与质量，持续优于未处理、常规降噪、深度降噪与以参考端损失训练的本文方法。深度降噪表现较差的主要原因是处理延迟较大而违反因果约束。以参考端损失训练的模型虽然增强参考与目标噪声的相干更高，但并未转化为可懂度或质量提升，原因是其优化与下游联合衰减噪声并保留语音的目标对齐不足。

误差域损失在负 5 dB 时相干略低于常规降噪，论文解释差异主要在 2 kHz 以上，而有源降噪主要在低频有效，因此感知影响可忽略。常规降噪相对未处理仅在负 5 dB 有微弱质量提升，在更高信噪比无一致可懂度收益，原因是所用平稳带限白噪声本身对可懂度影响小，而常规降噪会压制语音成分。真实噪声下高信噪比时常规降噪差于未处理，低信噪比时因主导噪声被衰减而好于未处理，而本文方法在同时压噪声与保语音上持续优于全部基线。

下表把原文对主结果的定性判断与适用条件整理为可核对陈述，数字细节以原文表格为准，此处不另造逐格数值。

表后需要给出代价与反例：优胜者的代价是参考增强网络的规模与运算量，未胜出项中参考端训练提供了反证，即上游分离指标好不等于下游留声任务好；常规降噪在高信噪比压制语音的负结果说明不区分语音与噪声的抵消在通话场景中存在明确边界，未评测的边界包括强混响、多说话人与非平稳突发噪声下的行为。

换掉损失函数会发生什么？

论文的消融本质是监督位置对照：同一网络结构分别用误差域损失与参考端分离损失训练，其他声学条件与自适应控制保持一致。测的是增强参考与目标噪声的平均相干，以及误差信号的可懂度与质量。公平条件是同一实测脉冲响应、同一信噪比网格与同一稳态后评价窗口。

结果支持明确判断：参考端训练的相干更高，但可懂度与质量不如误差域训练。论文的有限解释是误差域损失直接面向误差端的噪声残留与语音保留，而参考端损失只面向参考端的波形均方误差，前者与下游目标更对齐。这是一个有教学价值的反直觉点：上游分离越像纯噪声，不等于下游抵消后语音保留越好，因为控制滤波器与次级通路的联合作用只在误差域损失中被考虑。

该对照的限制也要说清：论文只比较了这两种损失，未报告混合加权、课程学习或多任务正则等变体，也未测量不同权重下相干与感知的权衡曲线。因此能支持的是误差域监督优于纯参考端监督，不能推广为任何误差域加权都最优，待验证的是最优权衡与跨房间的稳定性。

哪些边界尚未被验证？

首先是资源边界。论文明确报告网络规模与运算量，并指出未来工作是模型优化与参数缩减以适配耳机等资源受限设备，因此当前结果不能直接承诺低功耗实时可部署，训练资源、推理开销与实际延迟需要分别讨论。其次是评价边界。论文用客观可懂度与非侵入式感知质量评价误差信号，未报告主观听音测试的误判率、语音失真细节与延迟测量，自动指标不能当作人评，总体趋势也不等于每组每步都成立。

再次是场景边界。实验覆盖了未见说话人、未见频带、未见信噪比、未见方向与 4 类真实噪声，支持对这些维度的泛化判断，但仍局限于单通道右耳、前馈结构、无偏次级通路估计假设与约 0.25 秒混响的房间，未验证多说话人重叠、强混响、突发非平稳噪声与次级通路失配时的鲁棒性。理想留声作为事后最优上界不能代替可部署收益，比较时应将其与可运行策略分开标注。最后是可获得性边界。本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开，听音示例链接在原文中给出但本次未能确认可达，复现应以论文文字与实测条件为准。

复现应先固定哪些信息条件？

复现的第一步是固定声学信息条件：采样率 8 kHz、初级脉冲响应 256 抽头、次级通路截断为 128 抽头、只取右耳单通道、房间混响约 0.25 秒、0.6 米为语音圈而 1.0 米为噪声圈，并按论文的方向划分构造训练与测试集。第二步是固定数据与信噪比口径：带限噪声按互不重叠频带划分，真实噪声用 4 类机械录音，语音用无重叠说话人，信噪比在参考麦克风处定义，训练与验证取负 5、5 与 15 dB，测试覆盖负 5、0、5、10 与 15 dB。

第三步是固定计算流程：参考增强网络按初始核尺寸 32、通道数 128、4 堆叠各 12 层、核尺寸 5 与输出头通道变化搭建，跳跃后用因果卷积并用双曲正切激活，训练用 Adam、初始学习率 5 × 10−5、每 10 周期乘 0.9、共 100 周期；误差域训练需先按最优维纳解求出控制滤波器再代入损失，评价阶段控制滤波器用遗忘因子 0.99999、初始协方差 0.01 倍单位矩阵的递归最小二乘自适应更新，并取稳态后最后 3 秒计算可懂度与质量。缺失的批尺寸、截断长度与正则细节需在复现报告中明确记录为自行选择，不应视为原文已报告。

何时值得尝试该路线很明确：当应用必须满足严格因果且参考不可避免混入语音时，优先尝试先净化参考再用常规滤波器的结构；当延迟预算宽松或已有高质量波束形成且语音与噪声方向可分时，则需另行比较定向直通路线。还需补的验证至少包括次级通路估计误差敏感性、不同混响与多人通话下的稳定性，以及压缩后小模型的性能保持率。

应带走的核心判断是什么？

带走的核心判断是把判别与抵消解耦：在因果受限的耳机留声降噪中，学习应放在参考端做语音去除，抵消仍交给常规滤波器保证因果裕量。支持该判断的最强证据是误差域监督在宽信噪比与真实噪声下同时提升可懂度与感知质量，而参考端监督虽相干更高却未带来感知收益，这一反证比单纯的最优值更有说服力。

同时要带走两个约束：一是当前网络规模与运算量尚未证明可在耳机端直接部署，二是理想留声只是理论上界，实际收益必须以可运行的常规降噪与深度降噪为基线来衡量。对研究生而言，可复述的方法是沿混合参考与估计含噪语音到增强参考再到控制与反噪声的闭环叙述，可核对的细节是采样率、抽头长度、方向划分、信噪比网格、优化 schedule 与稳态后评价窗口，缺失的训练细节与主观评价则是下一步必须补齐的验证。

⚖️ 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