MossFormer2 与 TIGER-speech：多人语音分离和 48 kHz 修复不是同一任务

4. 分离、增强、超分对应三种观测方程

多人分离观察到的是若干说话人波形叠加，目标是恢复每一位说话人；语音增强面对目标语音与噪声、混响的组合；带宽扩展只观察到低通或低采样率信号，需要推断缺失高频。三者都能让声音更清楚，却分别处理加性混合、环境退化和频谱缺失。

数学上可写成 y=Σ_s x_s+n，再按任务决定哪些项是目标。分离要估计全部 x_s，增强通常保留一个目标并压制 n，超分辨率则面对 y=D(h*x)，其中高频经滤波 h 与降采样 D 后已经消失。目标不同，训练对、损失与输出声道都随之改变。

MossFormer2 如何在长语音里追踪说话人

语音分离需要同时看短时谐波与长时说话人特征。只看局部帧容易在相近音色之间交换输出，只做全局注意力又会让长录音的计算迅速增长。MossFormer 系列用门控和分块序列建模在两种尺度之间折中，让局部声学线索与较长的说话人连续性共同决定掩码。

训练常采用排列不变目标：对于两个输出，损失在所有目标排列中选择较小者。PIT 解决了“第一路必须对应谁”的标签任意性，却没有保证整段始终不换人。窗口切分、长停顿和第三人短暂插话仍可能造成跨块身份交换，因此需要沿时间观察同一路输出的连续性。

TIGER 的频带压缩针对的是计算冗余

语音频谱在低频有密集谐波，高频更多表现为摩擦音和噪声，均匀地给每个频点同样计算量并不经济。TIGER 一类高效模型通过频带表示与局部、全局序列模块，把容量集中到更有结构的区域，再重建复数频谱或时域波形。效率来自表示压缩，并非跳过高频输出。

模型规模和实时因子应与采样率、片段长度、说话人数和设备一起报告。16 kHz 的双人分离与 48 kHz 的全带增强处理的频点数不同；把前者的速度直接贴到后者，会把输入条件差异误写成架构优势。

带宽恢复生成的是相容高频

电话语音被低通后，擦音与气声的原始相位和细节已经不可逆地丢失。超分辨率模型可以根据低频谐波、音素和训练先验生成听起来合理的高频，但无法证明这些高频就是录音现场曾经存在的波形。感知改善与证据恢复属于不同概念。

前端串联还会传播误差。先做分离再做带宽扩展，分离产生的金属声可能被扩展模型放大成高频纹理；先增强再分离，降噪又可能削弱说话人线索。实验记录应注明顺序和每段输入输出，三种模型不能合并成一个笼统的“音质升级”。

前端模型的训练目标决定了它会牺牲什么

时域损失鼓励波形接近参考，频谱损失更关注不同时间—频率尺度的能量，SI-SDR 强调整体目标与误差比，感知损失则借助预训练表示衡量听觉内容。增强模型若过分追逐噪声抑制，会削掉辅音和房间尾音；分离模型若只优化平均 SDR，可能容忍短暂换人；带宽扩展若强调听感锐度，又可能生成过亮的摩擦音。

多目标训练常写成 L=λ_timeL_time+λ_specL_spec+λ_sepL_sep。系数不是附属参数，它定义了模型更愿意接受哪类失真。不同仓库即使使用相同骨干，只要损失权重、片段长度和混合增广不同，就会形成不同的听感与指标分布。

重叠推理通过窗口函数把相邻输出加权相加，主要减少切片接缝。窗口太短会频繁重置说话人状态，重叠太小容易产生断裂，重叠太大则增加计算并可能把两次不同的身份分配混在一起。推理配置属于结果的一部分，不应从模型名中省略。

语音前端的输出最终还要进入识别、通话或后期制作。ASR 可能偏好强降噪，即使人耳觉得声音发干；制作场景更在意残响自然和声像稳定。模型优劣要回到下游用途，无法由一个“清晰度”标签概括。