这项由英伟达（NVIDIA）与台湾中央研究院（Academia Sinica）联合研发的英伟研院音净前沿技术，以arXiv预印本形式于2026年6月正式发表，达中打造的万论文编号为 arXiv:2606.25621。联手感兴趣的化引技术人员可通过该编号在arXiv平台获取完整论文，模型权重已同步开源至英伟达Hugging Face主页，英伟研院音净供全球开发者免费下载与应用。达中打造的万

通话背后的联手隐形挑战：如何在毫秒间实现极致纯净？

在日常语音通话中，背景噪音（如街道喧嚣、化引空调轰鸣）及信号不稳定导致的英伟研院音净卡顿，始终是达中打造的万用户体验的痛点。现有的联手“语音增强”技术旨在充当实时“声音魔法师”，在通话过程中动态过滤杂音，化引确保传输声音的英伟研院音净清晰纯净。

然而，达中打造的万这一技术面临着一道棘手的联手工程难题：延迟与场景的矛盾。
* 实时通话场景：要求系统响应极快，延迟需控制在 50-150毫秒以内。
* 语音识别（ASR）场景：对延迟容忍度稍高，允许 100-200毫秒的处理时间。

对于追求极致体验的工程师而言，每一毫秒的优化都至关重要。此外，同一套算法在不同硬件（如高性能服务器 vs. 普通笔记本）上的运行效率差异巨大。传统解决方案往往是“一场景一模型”，即针对不同延迟需求和硬件平台分别训练独立模型。这不仅导致研发成本高昂，更使得系统维护变得异常复杂。

英伟达与中研院团队旨在打破这一局限，研发出一个具备“自适应能力”的万能模型——它无需重新训练，即可根据实时场景需求，动态调整工作模式。

一、 深度解析：延迟的两大来源

在探讨解决方案前，必须厘清语音增强系统中“延迟”的物理构成。研究团队将总延迟拆解为两个独立维度，类比快递流程中的“打包”与“运输”：

1. 算法延迟（Algorithmic Latency）

这是模型启动前的“数据积累期”。由于语音增强模型需将音频切分为窗口进行分析，它必须等待足够的数据帧才能开始处理。
* 构成公式：算法延迟 = 音频窗口长度（固定40ms） + 向前看帧数 × 帧时长（20ms/帧）
* 核心逻辑：“向前看”（Look-ahead）指模型在处理当前帧时，利用后续未发生的音频帧作为上下文信息。向前看越多，上下文越丰富，音质越好，但等待时间越长。

2. 计算延迟（Computational Latency）

这是模型处理数据所需的“运算时间”。它取决于模型架构的复杂度及硬件算力。
* 硬件差异：即便算法延迟相同，在A100顶级显卡与普通消费级显卡上的计算耗时可能相差数倍。

关键约束：实时率（Real-time Factor, RTF）
系统处理单帧音频（20ms）的时间必须 小于20ms，即 RTF < 1。否则，处理速度将跟不上音频输入速度，导致延迟累积甚至系统崩溃。研究团队特别指出，学术界常用的“整段录音并行计算”测速方式会严重低估真实流式处理下的延迟，因此本研究采用更严谨的逐帧测速标准。

二、 核心创新：三把钥匙解锁30种工作模式

为实现“万能”适配，研究团队设计了三种核心机制，分别控制“向前看深度”、“计算深度”及“多模式协同”。

1. 控制算法延迟：可调节的“向前看”帧数

模型基于短时傅里叶变换（STFT）频谱图进行处理。通过调整卷积层的“左右填充”比例，可控制向前看的帧数（0帧、1帧或2帧），对应算法延迟分别为40ms、60ms和80ms。

• 技术难点：直接动态改变单个卷积层的填充方式会破坏卷积的“平移等变性”，导致模型内部特征偏移，如同强迫右撇子换左手写字，严重降低学习效率。
• 解决方案：借鉴混合专家（MoE）架构，部署 三个独立的卷积层，分别固定负责0帧、1帧和2帧的向前看设定。
• 训练时：随机选择其中一个卷积层参与计算。
• 部署时：用户根据延迟需求，直接调用对应的卷积层。
• 优势：各层在固定配置下独立学习，避免了配置切换带来的干扰，显著提升了模型收敛速度与语音质量评分（UTMOS）。

2. 控制计算延迟：早退机制（Early Exit）

模型主体由12层处理模块堆叠而成。层数越深，理解能力越强，但计算量与耗时也越大。
* 机制：在每一层设置输出接口，允许模型在任意层级“提前交卷”。
* 灵活性：
* 低配硬件：可在第3-6层退出，以较低延迟获得可用结果。
* 高配硬件：跑完全部12层，追求极致音质。
* 组合效应：3种向前看设定 × 10种退出层位 = 30种独特的延迟-性能配置。

3. 协同优化：解决中间层冲突

早退机制面临一个难题：中间层既要保证当前输出质量，又要为后续深层提供良好特征，两者目标常发生冲突。

• 失败尝试：为每层配备独立解码器。实验显示，这导致层间缺乏“共同语言”，整体性能下降。
• 成功策略：共享解码器强制所有层进入统一的“表示空间”，如同全班使用同一答题格式，虽限制个性，但保证了协调性。

三、 训练策略：两阶段“先统一，后分化”

为兼顾统一性与个性化，研究团队设计了精妙的两阶段训练流程：

第一阶段：共享解码器训练（统一语言）

• 操作：所有中间层共享同一个解码器，随机抽取退出层进行训练。
• 目的：直到模型收敛，确保所有中间层在同一套“语言体系”下建立稳健的特征表达能力。

第二阶段：多解码器微调（各自打磨）

• 操作：将共享解码器的权重复制，分配给每个退出层，使其拥有专属解码器。
• 约束：为防止破坏第一阶段建立的共同表示空间，编码器与序列建模模块仅以 1/10的学习率进行微调，而 解码器正常学习以优化本层输出。
• 效果：该策略使模型在验证集上的表现稳步超越早期基准，并逼近专用模型的性能上限。

四、 架构设计：为实时而生的USEMamba

基础架构选用 USEMamba，这是一种基于Mamba序列模型的通用语音增强框架。Mamba支持类似RNN的流式推理，逐帧输入输出，天然契合实时场景。

关键改造：
1. 因果卷积替换：将标准卷积改为因果卷积，通过左填充精确控制向前看帧数。
2. 单向时序Mamba：将双向模块改为单向，彻底杜绝“未来信息泄露”。
3. 层归一化优化：将实例归一化改为沿通道计算的层归一化，避免跨时间步的信息泄露。

模型规格与性能权衡：
* 参数量：约370万（轻量级）。
* 全层延迟：12层全跑完耗时约25ms，RTF=1.25，在A100上无法严格实时。
* 启示：这证明了早退机制的必要性——在普通硬件上，通过减少层数（如8层）退出，是保证RTF<1的务实选择。

采样频率无关STFT：
模型采用统一窗口（40ms）和帧移（20ms），仅调整FFT点数以适配8kHz-48kHz不同采样率。这确保了模型在不同采样率下看到的频谱图时间尺度一致，增强了泛化能力。

训练优化：
* 预训练：使用回归损失，使输出逼近干净语音。
* 微调：引入对抗损失（加入判别器），提升听感自然度。
* 优化器：AdamW，初始学习率0.0002，第二阶段前置模块学习率降至0.00002。

五、 实验结果：数据验证性能优势

研究团队在 URGENT 2025挑战赛测试集和 VoiceBank-DEMAND两个数据集上进行了全面评估，涵盖UTMOS（感知质量）、ASR准确率（下游任务）等指标。

1. URGENT 2025 挑战赛结果

对比对象包括：专用模型（性能上限）、普通早退、MoE早退、完整方案（MoE+多解码器）。

• 配置：8层退出，0帧向前看
• UTMOS：专用模型 2.36 > 完整方案 2.31 > 普通早退 2.32 > MoE早退 2.28
• ASR准确率：专用模型 83.71% > 完整方案 83.10% > MoE早退 82.72% > 普通早退 81.84%

• 结论：完整方案已非常接近专用模型水平。

• 配置：8层退出，1帧向前看

• UTMOS：专用模型 2.42 > 完整方案 2.37 > MoE早退 2.34
• ASR准确率：专用模型 84.93% > 完整方案 84.62% > MoE早退 84.06%
• 注意：普通早退不支持调整向前看，故标记为N/A。
• 洞察：ASR准确率对向前看帧数敏感（0->1提升显著，1->2收益微弱）。若目标是提升识别率，增加1帧向前看性价比最高，无需为第2帧牺牲额外20ms延迟。

2. VoiceBank-DEMAND 经典测试集

与 Diffusion Buffer、DEMUCS、DeepFilterNet3、Stream.FM 等主流模型对比。该数据集未参与训练，旨在检验泛化能力。

• 配置：8层退出，0帧向前看
• 指标优势：在PESQ、ESTOI、SI-SDR三项核心指标上，本研究模型均优于所有对比模型。
• 效率优势：参数量仅 290万，远低于DEMUCS（3350万）和Stream.FM（5250万）。
• 灵活性验证：将向前看设为1帧后，三项指标进一步提升，证实了框架的灵活收益。

六、 部署指南：从实验室到终端设备

研究团队提供了清晰的部署逻辑，确保技术落地：

1. 配置选择：用户下载完整模型后，在目标硬件上测试不同“退出层+向前看”组合的实际延迟与性能。
2. 模型裁剪：确定最优配置后，裁剪掉多余的层和卷积分支。最终模型大小与专用模型一致，无参数冗余。
3. 决策原则：
4. 计算延迟：必须满足 RTF < 1且符合总延迟预算。
5. 算法延迟：仅需符合总延迟预算。
6. 建议：在算力受限硬件上，优先通过增加向前看帧数（牺牲少量算法延迟）来提升音质，而非盲目增加模型深度。

未来展望：
* 模型压缩：结合剪枝与量化技术，进一步降低计算量。
* 知识蒸馏：借鉴LLM压缩技术，让浅层退出性能进一步逼近深层退出。

总结

这项研究的核心价值在于：用一个模型，替代了过去需要数十个专用模型才能覆盖的场景。

它并非单一指标的突破，而是在“灵活性”与“性能”之间找到了务实的平衡。对于需要在多设备、多场景下部署语音增强功能的工程师而言，这是一套真正可落地的集成化解决方案。

为何小参数模型能击败大参数对手？
答案隐藏在 两阶段训练策略与 并行卷积层（MoE）设计的协同效应中。这证明，在AI领域，巧妙的训练范式往往比单纯的模型规模更能决定最终的成败。

Q&A 常见问题解答

Q1：语音增强模型中的“算法延迟”和“计算延迟”有什么区别？
A：
* 算法延迟：模型启动前积累数据所需的等待时间，由音频窗口长度和向前看帧数决定，与硬件无关。
* 计算延迟：模型处理数据所需的运算时间，取决于模型复杂度和硬件算力。
* 总延迟= 算法延迟 + 计算延迟。

Q2：早退机制为什么能控制计算延迟，直接用小模型不行吗？
A：
* 早退机制优势：一个模型覆盖多种计算深度，无需为每种硬件单独训练。部署时只需选择退出层，浅层低延迟，深层高质量。
* 小模型劣势：需为每种场景分别训练和维护，工程效率低，灵活性差。

Q3：并行卷积层（MoE）方案和直接切换单个卷积层的填充方式有什么本质差别？
A：
* 直接切换填充：破坏卷积平移等变性，导致特征偏移，干扰学习，训练不稳定。
* 并行卷积层（MoE）：每个卷积层固定一种填充配置，独立学习，互不干扰。训练更稳定，最终性能更优。