先定语义再补声音：DelayGSE 用延迟文本与码本加权压住幻觉

英文题目：DelayGSE: A Generative Speech Enhancement Framework with Delayed Text-Aware Conditioning

会议身份：conference:interspeech:2026:conference-paper-id:yuan26b_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：#自回归模型 #向量量化 #音频超分辨 #去混响 #语音增强

评分：6.8/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 1.1/1.5 | 开源 0.2/1.5 | 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

• Xin Yuan：机构信息未能从会议 PDF 纯文本可靠映射
• Junling Lv：机构信息未能从会议 PDF 纯文本可靠映射
• Zezhou Xu：机构信息未能从会议 PDF 纯文本可靠映射
• Xingjun Tan：机构信息未能从会议 PDF 纯文本可靠映射
• Liangliang Li：机构信息未能从会议 PDF 纯文本可靠映射
• Yanqiang Lei：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

生成式语音增强以退化语音为输入并重建清晰波形，在低信噪比与瞬态噪声下易产生流畅但语义错误的幻觉语音。DelayGSE先用短时傅里叶变换（Short-Time Fourier Transform，STFT）编码器提取声学特征并用冻结Whisper v3 large编码器提取语义特征，再由以Qwen 2.5 0.5B初始化的自回归Transformer先预测文本token并延迟5步生成多码本声学token，最后经44.1 kHz Descript Audio Codec（DAC）解码为波形。与并行码本预测及无文本约束的语言模型增强相比，该语义先行与码本延迟机制在保留生成灵活性的同时约束了声学采样空间。多数据集平均文本感知带来15.8%相对词错误率（Word Error Rate，WER）下降，真值文本推理作为上界可达33.1%相对下降，且感知质量未见明显损失。在内部会议实录评测设置下，DGSE-IW的MOS为4.043，高于GAN-based基线的MOS 3.639。该结论适用边界受限于中英文去噪去混响与超分仿真及258条内部会议实录，跨语言泛化与极低信噪比无文本条件下的鲁棒性尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 演示资源：https://delaygse.github.io/ — 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，要输出什么，哪些信息必须保留？

这篇解读的起点是论文实际研究的任务：输入是一段退化的语音波形，可能是加性噪声、混响或低采样率造成的模糊版本，目标是输出一段更清晰、更可懂、听感更自然的语音。论文把去噪、去混响和音频超分辨率放在同一个生成框架下处理，输入带噪语音按 16 kHz 采样，输出干净语音按 44.1 kHz 重建，因此模型既要补内容又要补高频细节。刚入门时容易把增强理解为把噪声减掉，论文强调的生成式路线不同，它是学习干净语音的分布，再以退化语音为条件采样出合理的干净版本。

这种选择带来一个必须保留的信息约束：输出不能只好听，还要说对内容。论文指出语言模型和扩散模型类的生成增强在感知质量上很强，但在低信噪比和瞬态噪声下容易产生听起来像人声但语义错误或不可懂的幻觉。也就是说，流利不等于正确。为了让初学者能复述方法，需要记住 3 条主线：用什么离散表示承载语音，用什么条件告诉模型输入说了什么，用什么训练权重平衡好听、说对和像本人。论文的演示页当前可用，地址为https://delaygse.github.io/，可用于对照听感，但本文所有事实判断仍以论文正文为准。

学习这篇论文建议按依赖顺序走：先分清判别式与生成式两条路线，再看整体如何从波形到符号再回到波形，然后拆开码本延迟、文本优先延迟和重要性加权 3 个组件，最后看仿真训练条件、评测协议和消融证据。这样在看到词错误率下降或 MOS 变化时，能回指到具体是哪个机制在起作用，而不是笼统归因于模型变大。

两类生成增强路线各自解决了什么，又留下了什么？

论文把已有生成增强分为两类。第一类在连续声学特征空间工作，例如短时傅里叶变换 (STFT) 谱，代表是结合判别预测器与扩散细化的 StoRM，以及用条件流匹配学习从噪声到干净连续变换路径的 FlowSE。白话说，这类方法把带噪语音看作被污染的观察，学习一条反向生成过程把它拉回干净分布，优点是与信号处理联系紧密，FlowSE 还可以用较少采样步数兼顾低延迟场景。第二类是离散符号建模，做法是先用神经音频编解码器把波形压成离散符号，再把增强看作条件序列建模，代表包括文中对比的 LLaSE-G1 等大语言模型式方法。

两类方法有一个共同的遗留问题：感知质量上去了，但语义准确性可能下来。论文引用已有研究指出，无论具体生成策略或语音表示如何变化，生成方法的词错误率往往高于原始带噪语音。扩散类在混响下表现不稳定，大语言模型类在部分基准上感知分数很高但词错误率明显偏高，说明自然不等于保真。判别式基线如文中自训的类 CMGAN 的 GAN 模型，在噪声和混响下相对稳定，但细粒度建模能力有限，感知质量落后于大语言模型类方法。

判别式增强 × 生成式增强： 判别式增强分工是直接估计时频掩蔽或映射以压制噪声，搭配理由是目标明确且词错误率稳定，生成式增强分工是建模干净语音分布再采样出自然波形，组合意义在于 DelayGSE 保留生成式的感知优势，同时用文本约束补上判别式擅长的语义保真。

理解这个矛盾是读懂 DelayGSE 的前提。DelayGSE 没有否定生成式的感知优势，而是认为缺的是语义约束和码本间的不平衡处理。后续的延迟文本监督就是为了在生成前先把内容计划定下来，重要性加权则是为了让训练损失更尊重不同码本对可懂度与音质的不同贡献。

低信噪比下的幻觉问题具体指什么？

论文要解决的核心现象是语音幻觉：输入信噪比很低或存在突发瞬态噪声时，模型输出听起来流畅、像人声，但与真实文本不一致，甚至不可懂。对于研究生而言，关键是把这个现象与评测指标对应起来。感知质量用 DNSMOS P.808 评价，数值越高越好；可懂度用 FireRedASR 识别后的词错误率评价，数值越低越好；说话人相似度用增强音频与注册干净参考的嵌入余弦相似度评价，数值越高越好。幻觉的典型表现就是 MOS 不低但词错误率偏高。

举一个教学用的例子帮助理解，不代表论文报告过该数值：假设输入是一句被敲门声盖住的短句，模型可能补出另一句同样流畅的短句，听感没有断裂和噪声残留，但字全错了。这正是论文认为需要文本先行的原因。如果声学证据本身已经模糊，纯靠声学自回归一步步向外扩展，很容易沿着语言先验漂走。论文因此提出语义在前、声学在后的生成顺序，让文本符号先给出内容骨架，再让声学符号在骨架约束下填充细节。

这个问题还与多码本结构有关。残差向量量化把语音信息分层存放，低层更关键，高层更多影响音质音色。如果训练时对所有码本一视同仁，模型可能把容量花在好听的细节上，而牺牲了决定内容对错的低层。这种不平衡也是幻觉和词错误率偏高的来源之一，需要在损失权重上显式处理。

跟着一个样本走完输入到输出的主路径

先沿一个带噪样本走完全流程。输入是一段 16 kHz 带噪语音，一路经短时傅里叶变换 (STFT) 与 4 层 Conformer 组成的声学编码器得到声学特征，另一路经冻结的 Whisper v3 large 编码器得到语义隐状态。目标端的干净语音先经 44.1 kHz 的 Descript Audio Codec 量化为多码本离散符号序列，Transformer 解码器以双路条件为依据自回归地预测这些符号，最后由编解码器解码器把符号还原为 44.1 kHz 波形。声学条件以拼接方式与符号嵌入结合，语义条件以交叉注意力方式注入，这是论文明确给出的注入位置区分。

下面这张框架图把上述双条件与延迟预测画在了一起，读图时重点看文本行与语音行的先后关系，以及码本行之间的错位关系。

看图路径： 1. 先从左侧 16 kHz 带噪语音出发，分别向上看 STFT 编码器、向下看 Whisper 编码器的两条条件通路；2. 再看中间自回归块底部文本行先出现 T1 到 T6，上面四行语音符号逐行向右错开一位；3. 对照顶部图例区分文本符号、语音符号、起始结束与各类填充符号的颜色含义；4. 最后沿右侧箭头看 RVQ 解码器如何把离散符号还原为 44.1 kHz 干净语音

论文图 1。原论文 Figure 1：“DelayGSE framework. An STFT acoustic encoder and a pretrained Whisper semantic encoder condition an autoregressive Transformer that predicts RVQ tokens.”。

从像素可见，图左侧是带噪语音的波形示意，向上连到 STFT 编码器并标注与符号嵌入拼接，向下连到 Whisper 编码器并标注隐状态经交叉注意力进入解码器。中间蓝色大块是自回归 Transformer，横轴是序列步，纵轴是码本层数，示例画了 4 个码本。最下一行是文本行，以起始符开头，接着出现 T1 到 T6，随后是填充与结束填充；上面四行是语音行，每向上或向下相邻两行之间向右错开 1 位，空位用填充符号补齐，行首尾分别有起始与结束符号。右侧是 RVQ 编解码器与干净语音波形。

这种画法同时表达了两种延迟：码本之间的逐层错位，以及文本整体先于语音出现。训练时采用教师强制，对离散符号计算交叉熵损失，Whisper 编码器冻结，STFT 编码器与自回归模型联合训练。

离散表示与双条件编码各自负责什么？

离散表示是方法的基础。白话说，神经音频编解码器是一个端到端卷积自编码器加残差向量量化，它把连续波形压缩并量化为离散码本索引，英文是 neural audio codec with residual vector quantization，简称 RVQ。论文选用 44.1 kHz 的 Descript Audio Codec，仿真管线中干净语音采样率在 24 kHz 以上且相当一部分是 44.1 kHz，这样做的好处是高码率离散空间天然保留高频细节，使同一个模型既能做增强又能做超分辨率。建模目标是估计给定退化输入下干净符号序列的条件概率，符号按时间步与码本层展开。

条件编码分成两路。声学编码器处理短时傅里叶变换 (STFT) 特征，负责保留与输入时间对齐的细节；语义编码器是预训练的 Whisper 编码器，负责提供对噪声更鲁棒的内容表示。论文明确写出声学条件经拼接注入、语义条件经交叉注意力注入，这种分工不是随意搭配：拼接更适合保持帧级对齐，交叉注意力更适合让解码器在每一步按需查询语义记忆。

残差向量量化 × 码本级延迟： 残差向量量化分工是把 44.1 kHz 波形逐层量化为多个离散码本序列，码本级延迟分工是让高层码本错开一步去条件于低层已生成的符号，搭配原因是低层承载更多可懂度而高层影响音质音色，组合意义是在单级自回归解码器内显式建模跨码本依赖。

Whisper 语义条件 × STFT 声学条件： STFT 声学条件分工是经 4 层 Conformer 编码提供与输入对齐的细粒度声学特征并与词嵌入拼接，Whisper 语义条件分工是经冻结的 Whisper v3 large 编码器提供鲁棒语义表示并经交叉注意力注入，搭配原因是噪声下声学细节不可靠时仍需语义锚点，组合意义是双路条件分别管对齐细节与管内容方向。

对初学者而言，记住一个可复述的顺序：波形先变成符号，带噪波形同时变成两类条件，解码器看着条件逐个预测符号，最后符号变回波形。后面所有延迟与加权都是在这个主路径上对预测顺序和损失比重做调整，没有改变双条件的基本格局。

两种延迟如何改变预测顺序？

第一种是码本级延迟，思路来自 MusicGen。白话解释是，同一时间步的多个码本不并行独立预测，而是让高层码本的预测能看到同一步低层码本的结果，做法是在时间轴上给码本加上步长为 1 的固定偏移。这样高层在决策时已经知道低层选了什么，既保留一定并行性，又建模了跨码本依赖。论文沿用了这种单级自回归解码器内的延迟机制，并被 Parler-TTS 和 VoiceCraft 等语音生成模型采用过。

第二种是文本优先的多任务延迟，灵感来自 Moshi 的内部独白。白话解释是，把端到端对话中的先预测时间对齐文本再发声的想法搬到增强中，文本符号先生成，语音符号整体延迟 k 步，论文取 k 等于 5，从而强制语义在前、声学在后的生成顺序。形式上联合分布先写成文本给定输入的概率乘以语音给定输入和文本的概率，语音的每一步还可以看到未来 k 步内的文本前缀。在实现上，文本损失是对真值文本序列的交叉熵，语音损失是对每个码本真值符号在历史语音、当前步低层符号、文本前缀与双条件下的交叉熵，再按码本权重加权求和，另加文本损失权重。

这种组合的教学要点是区分两种延迟的不同对象：码本延迟管的是语音内部层与层之间的依赖，文本延迟管的是内容与声音之间的先后。论文没有报告把 k 换成其他值会怎样，也没有给出文本长度与语音长度的对齐细节，复述时应如实说明 k 等于 5 是论文实际采用的设置，而不是普适最优值。

重要性加权如何算出每个码本的权重？

重要性加权的动机是残差向量量化中低层码本对可懂度更重要，高层更多影响感知质量与音色。论文提出增量贡献策略：随机采样 100,000 段音频并编码为多个 RVQ 层，先把所有码本层随机化后解码得到基线分数，然后从第一层开始逐层保留真值码、随机化其余层并计算重建分数，每一层的增量分数提升就是该码本的重要性，最后在采样集上平均并归一化为训练权重。这种做法把感知质量、说话人相似度和可懂度都纳入重要性估计，图注中记为 p。

下面这张图把上述保留与随机化的阶梯实验画成了可执行的操作，读图时注意黄色与灰色的含义以及增量差值的方向。

看图路径： 1. 先从底部 RVQ 编码量化器向上看，黄色为保留真值层、灰色 P 为随机化层的阶梯式保留格局；2. 再看每列经 RVQ 解码器重建波形后送入顶部度量条得到分数 p 的纵向评估路径；3. 对照左侧 Weights 分支上 p1-pr 到 p4-p3 四段增量差值如何对应 CB1 到 CB4 的权重

论文图 2。原论文 Figure 2：“Illustration of estimating the importance of each RVQ codebook layer using perceptual quality, intelligibility, and speaker similarity metrics (denoted as p), which are then used…”。

从像素可见，图底部是 RVQ 编码器与量化器，向上是五行符号格，最下一行仅首格为灰色 P 其余为黄色，越向上灰色 P 越多，最上一行仅末格为黄色，形成从下到上逐层减少保留的阶梯。中间是 RVQ 解码器，每列向上重建出一段波形再送入顶部度量条，度量条标注 STOI、Sim 和 MOS 并向上输出分数。左侧 Weights 竖条引出 4 条连线，分别标注 p1-pr 对应 CB1、p2-p1 对应 CB2、p3-p2 对应 CB3、p4-p3 对应 CB4，虚线框标出码本编号。解释是，黄色表示保留真值，灰色 P 表示随机化，左右相邻两列的分数差就是新增保留层的贡献，论文用这些增量归一化后作为大语言模型训练损失的码本权重。

文本优先延迟 × 声学码本预测： 文本优先延迟分工是先生成文本符号序列再延迟 k 步生成语音符号，声学码本预测分工是在已见文本前缀约束下逐层生成语音离散符号，搭配原因是语义先行可以缩小声学采样的内容搜索空间，组合意义是以语义在前、声学在后的顺序抑制低信噪比下的流利但错误的幻觉。

论文报告的实际训练配置是：自回归模型从 Qwen 2.5 0.5B 初始化，Whisper 编码器冻结，优化器用 Adam，学习率、预热、衰减与批量都有明确设置，文本损失权重为 0.3，码本权重为归一化后的 9 个数。这些数字见后文实验条件表，复现时应整体照搬而不是只抄权重。

数据、评测集和指标方向如何保证可比？

论文的训练数据完全来自仿真。干净数据超过 30,000 小时，噪声数据约 589 小时，另有 700,000 条通过模拟大中小会议室生成的混响样本。干净来源包括外购中文、HiFi-TTS 英文、LibriTTS-R 英文和大规模清洗后的中文，噪声来源包括 WHAM、FSD50K 和会议室实录噪声。评测集包括公开的 DNS Challenge、VCTK-DEMAND、URGENT 2025 中英文子集，以及 258 条内部会议室录音，覆盖近讲、3 米、5 米、8 米与安静、稳态、瞬态噪声条件。公开集与内部集的结合使结论同时接受标准基准与真实会议室的检验。

指标方向需要先记牢：MOS 越高越好，词错误率越低越好，说话人相似度越高越好。论文用 DNSMOS 评价感知质量，用 FireRedASR 评价词错误率，用增强音频与注册干净参考的嵌入余弦相似度评价说话人相似度，并明确不采用 PESQ，理由是侵入式波形对齐指标对生成模型可能不可靠。这个取舍对初学者很重要：生成模型允许波形细节与参考不逐点对齐，只要听感与内容对，PESQ 这类强对齐指标反而可能误判。

下表把训练规模与优化配置放在一起，目的是让复现者 1 次核对数据量、采样率、窗长、模型起点与损失权重，避免只看模型结构而忽略仿真条件。

表后需要说明代价与边界。该配置的训练批量按每批约 40 秒音频动态组批，共训练 300,000 步，对算力与数据管线要求不低。论文未报告所用硬件型号与总时长，也未报告推理延迟与实时率，因此不能从训练步数推断实际延迟。仿真数据虽大，但真实会议室只在评测端出现，训练与评测的 mismatch 仍需通过内部集结果来判断，下一节主结果表正是为此准备。

主结果在哪些条件下赢了，代价是什么？

比较的问题是：在相同评测集上，DelayGSE 的可运行变体相对扩散类、语言模型类与 GAN 基线，是否在保住感知质量的同时降低词错误率。公平条件是同一套公开集与内部集、同一套 MOS、词错误率与相似度指标。指标方向如前所述，MOS 与相似度越高越好，词错误率越低越好。下表选取内部集与 VCTK-DEMAND 等条件下的代表数字，重点看带噪输入、GAN 基线、重要性加权与文本监督版本之间的变化。

表后解释主要收益与具体代价。论文报告显示，重要性加权版本在多集上达到最好或接近最好的感知质量与音色相似度，同时保持有竞争力的词错误率；加入延迟文本监督后，词错误率相对下降 15.8%，而感知影响很小。以内部集为例，词错误率从 0.099 降到 0.063，MOS 从 4.043 微变为 4.040，说明内容变准了但好听程度没有明显损失。代价方面，GAN 基线在噪声与混响下稳定但感知落后，StoRM 与 FlowSE 在混响下退化，LLaSE-G1 在部分基准感知很高但词错误率明显更高，例如内部集词错误率达 0.411。未胜出项也要如实指出：DGSE-IW 加文本的相似度在内部集为 0.324，低于 DGSE-IW 的 0.344，说明文本约束在纠正内容时可能轻微改变音色保持。

重要性加权 × 等权重训练： 等权重训练分工是对所有码本一视同仁地计算交叉熵，重要性加权分工是按每层对感知质量、可懂度和说话人相似度的增量贡献分配权重，搭配原因是低层码本对可懂度更关键，组合意义是在训练中缓解梯度冲突，使感知质量与语义一致性同时得到照顾。

需要区分直接报告与有限解释。论文报告的是上述数字上的权衡，支持的判断是延迟文本与重要性加权共同带来更平衡的表现，但不能把单点 MOS 最高推广为所有条件下都最好，也不能把词错误率下降直接等同于幻觉率被精确测量，因为论文并未给出幻觉的独立计数口径。

拿掉加权或文本监督会发生什么，随机文本说明了什么？

消融要回答 3 个可操作问题。第一，等权重与重要性加权差多少。论文设置 DGSE-EW 为所有码本等权重，DGSE-IW 为重要性加权，报告显示重要性加权优于等权重，理由是不同 RVQ 层语义贡献不均，加权缓解了梯度冲突。第二，延迟文本监督带来多少。DGSE-IW 加文本相对 DGSE-IW 的词错误率相对下降 15.8%，论文将其归因于语义在前约束了后续声学预测，从而抑制幻觉，且感知代价很小。

第三，真值文本在推理时作为上限能到多少。DGSE-IW 加真值文本在内部集词错误率进一步降到 0.043，相对改善达 33.1%，代表严重退化下可懂度恢复的上界。

还有一个反证实验值得初学者学习：用随机文本做推理条件。论文报告模型在输入可靠时主要依赖声学线索，仅在高度失真时才选择性利用文本信息。这个设计避免了把文本当成万能答案，也说明文本分支不是在输入清晰时强行改写内容。复述时应强调这是 1 个条件性利用，而不是全程覆盖。

消融的限制也要讲清。论文没有给出逐码本权重的敏感性曲线，也没有报告 k 不等于 5 时的变化，因此不能断言当前权重与延迟步数是最优的。随机文本实验支持了鲁棒性解释，但未报告误用文本导致内容被带偏的错误率，实际部署若文本来源不可靠，仍需额外验证。

哪些边界没有测，不能承诺什么？

首先是延迟与成本缺项。论文聚焦感知质量、可懂度与说话人相似度，没有测量推理延迟、实时率与模型参数量带来的部署开销，也没有报告训练硬件与总耗时。自回归多码本生成通常比单步判别模型更重，但原文未给出可比数字，因此不能承诺该方法改善了延迟，只能说 FlowSE 等少步流匹配在低延迟场景有吸引力，而 DelayGSE 的延迟特性未被量化。

其次是文本条件的可用性边界。推理时可选的文本引导在极低信噪比下有帮助，真值文本给出的是上界，实际中往往没有真值文本。如果用识别结果作为文本条件，错误会级联，论文没有系统报告这种闭环下的表现，随机文本实验只说明模型会选择性利用文本，不等于错误文本无害。

最后是语言与场景边界。训练包含中英文大规模数据，评测的 URGENT 子集仅含中英文，内部集是会议室场景，论文未来工作明确提到多语言扩展，说明当前结论不宜直接推广到未评测语种。超分辨率能力来自 44.1 kHz 离散空间的统一建模，但论文主表仍以增强指标为主，超分没有独立的带宽与高频重建评测，复述时应把超分表述为框架支持，而不是已充分验证的独立结论。

要复现先做什么，需要哪些信息条件？

复现的第一步是重建数据管线，而不是先调模型。需要按论文准备超过 30,000 小时干净语音、约 600 小时噪声与 700,000 条会议室混响仿真，输入统一为 16 kHz，目标按 44.1 kHz 经 Descript Audio Codec 量化。STFT 用 Hann 窗、512 点、256 跳长，后接 4 层 Conformer 声学编码器；语义编码器用 Whisper v3 large 并冻结。自回归模型从 Qwen 2.5 0.5B 初始化，STFT 编码器与自回归模型联合训练，优化器用 Adam，学习率 5 乘 10 的负 4 次方，5000 步预热，余弦衰减，每批约 40 秒音频，训练 300,000 步。

第二步是先算码本权重再训大模型。按 2.5 节的阶梯保留流程，在 100,000 段音频上估计每层增量贡献并归一化，论文给出的 9 个权重与 0.3 的文本权重应作为起点直接使用。训练只用交叉熵损失，文本延迟 k 取 5。评测时固定三件套：DNSMOS 看感知，FireRedASR 看词错误率，注册干净参考的嵌入余弦看说话人相似度，不建议用 PESQ 作为生成模型的主指标。

关于开源状态，只能以资源状态为准。论文正文给出演示页且本次资源状态显示可用，因此可以写演示音频当前可用，但论文未在所给正文中给出代码与权重下载地址，不能写代码已开源或权重可下载。复现前还需补的验证是推理延迟、显存占用与流式改造，因为原文没有这些数字，实际会议系统选型时必须自己测量。

何时值得尝试这个思路，还需补哪项验证？

当任务同时要求好听与说对，且输入包含低信噪比或瞬态噪声时，DelayGSE 的思路值得尝试。它的可复述要点是：用高采样率离散符号统一增强与超分，用声学拼接加语义交叉注意提供双条件，用码本错位建模层间依赖，用文本先行约束内容方向，用增量贡献加权平衡训练。这种组合不是简单堆大模型，而是针对幻觉与码本不平衡两个具体矛盾的针对性修改。

选择时也要看代价。如果部署环境算力紧张或要求极低延迟，论文没有给出延迟证据，需要先实测自回归多码本生成的实时率，再与 GAN 或少步流匹配方案对比。如果没有可靠文本来源，不应指望推理文本引导带来上界收益，论文 33.1% 的数字是真值文本条件下的上界，可部署的收益应看 DGSE-IW 加文本相对 DGSE-IW 的 15.8% 相对下降。

还需补的验证包括：错误文本条件下的鲁棒性、更多语种与非会议室场景的泛化、超分辨率的独立高频评测，以及训练与推理成本的完整记录。补齐这些后，才能把当前在 MOS 与词错误率上观察到的平衡，转化为可在产品中依赖的选型结论。

⚖️ 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