部署后的录音条件很少与训练集一致。噪声类型、房间响应、设备频响都会变，而重新标注一批干净参考往往不现实。测试时自适应因此很有吸引力，但它也最容易变成不可控的“边跑边改”。9 月的几篇工作给出了三种截然不同的边界感。
HAMMER 以谐波结构和并行上下文建模处理语音增强，同时尝试在不依赖判别器的条件下优化感知质量。它强调的是先把语音中可解释的结构放入模型，而不是只把更大的上下文堆给网络。对于谐波稀疏、非平稳噪声或带宽受限的输入，这类归纳偏置往往比单纯扩大模型更可预测。
BLINC 则将问题推进到无训练的盲校准：面对未知失配，能否在推理阶段调整系统而不把它训练到某个错误方向？这类方法的关键不在“能自适应”，而在校准信号是否独立于模型想要讨好的输出。若自监督目标和真实质量脱节，适应过程会非常稳定地走向坏结果。
另一篇关于在线 ILRMA 与秩约束空间协方差估计的研究提醒我们，经典统计方法仍有位置。在线估计能够把变化写进明确的空间统计量，优点是失败时较易诊断；神经模块可以承担难以建模的部分，但不必吞掉所有可解释结构。
好的测试时自适应应当能回答三个问题：它改了什么参数，依据是什么证据，何时会回退。若没有回退条件和旁路评估，它更像临场调参，而不是可靠的部署能力。
HAMMER：把可解释的声学结构放回增强网络
HAMMER 认为 Attention 与 Mamba 的序列混合并不会自动利用浊音的周期性，因此在时频建模中加入语音自适应自相关前馈模块，和双轴注意力、双向 Mamba 并行构成 TF-HAM；感知优化则以度量显式感知精修取代额外训练的判别器。这个动机是合理的：谐波保持、音乐性干扰和低基频说话人的失真都不宜完全寄望于通用序列模块。但论文摘要没有给出完整实验细节，且版本中存在未编译宏；因此它应被看作有待全文验证的结构假设，而非已经完成的性能结论。
BLINC：只校准输出，不改模型权重
BLINC 采取更克制的测试时适应。它不做反向传播，不永久更新模型，而是用测试录音的盲特征参数化双峰目标分布，再通过直方图匹配重映射时频掩码。论文在两个增强模型上称几乎所有目标条件的整体质量均改善，且以极小开销匹配或超过损失驱动 TTA。其吸引力在于可作为外挂层部署；其风险也同样明确：双峰掩码假设、强混响和非平稳噪声下的行为、以及基模型本身的错误上限都不能被校准掩盖。
传统在线空间估计、全双工可控性与端侧理解
在线 ILRMA 与秩约束空间协方差矩阵估计工作，将块级批处理改为由最大加权似然推导的逐帧更新，目标是降低声源移动时“一个块内平稳”的假设失效。它面向语音识别前端和助听设备，实验细节在摘要中不足，因此值得跟踪而不宜夸大。SteerDuplex 则将全双工系统的问题从能否打断延伸到能否在对话中途改变语气、风格、语速与人设；它以 Moshi 微调、两阶段强化学习和 SteerBench 来同时考察时序与语义的可引导性。两者都说明，实时系统的状态不只包含声学参数，也包含交互意图。
Samsone 是这组文章中最具可复现实用价值的开放路线：99M、134M、356M 的小型音频语言模型，公开训练代码、权重、移动端 checkpoint 和 Android 演示。论文所称同尺寸级性能仍需按具体基准复核，强噪和远场鲁棒性也不应被默认；但开放的端侧产物使“能否在设备上运行”终于可被独立验证，而非只停留在参数量叙述。
这些论文共同描绘了出厂后语音系统的三种选择：以结构先验减少错误、以输出校准适应变化、以可解释统计持续更新。无论选择哪一条，都应同时报告它在何种输入条件下改善、何时回退、增加多少延迟，以及是否在独立任务指标和听测中得到同向验证。