智能眼镜让麦克风、摄像头与用户视角天然共存，这为目标选择和语音增强增加了宝贵证据，也更容易诱发一个误区：只要看到了画面，声学问题就能自动解决。真正可用的前端需要知道视觉何时可靠、何时缺失，以及如何在两种证据冲突时保持保守。
RDSE 展示双麦商品设备上实时方向性增强的现实约束；LATTE 则尝试以音系结构帮助音频语言模型提取目标语音。两者都说明前端不是大模型之前可随意替换的一层：方向、身份和发音结构会决定后端究竟得到什么证据。
Efficient Audio-Visual Speech Enhancement via Reinforcement Learning-Based Neural Architecture Search 以强化学习式架构搜索在视听增强的质量、计算与延迟间寻找折中。架构搜索能扩大候选空间，但不会替代部署条件：视频帧率、不同步、弱光、遮挡和隐私禁用都应进入评测。Lightweight Systems for Spatial Semantic Segmentation of Sound Scenes 进一步将目标从单人语音扩展到空间声景语义，提醒系统既要知道“谁在说”，也要理解周围哪些声音仍与用户任务相关。
Oído 在极低成本微控制器上探索开放词汇识别，反过来强调一个事实：前端能力必须与可用算力相配。智能眼镜的可信方案不应永远依赖视频或云端大模型，而应能在模态缺失、网络受限时明确退化。视觉是额外证据，不是免责条款；让系统说明它何时依赖视觉、何时仅凭声学工作，才是多模态交互可审计的基础。