语音系统越来越擅长为自己生成一个漂亮分数：增强器优化预测 MOS，定位器选择质量最高的波束，模型压缩后仍宣称任务表现稳定。真正困难的是让这些分数回到恰当的位置——作为带有误差边界的反馈，而不是替代人和任务做最终决定。
空间质量可以帮助找方向，却不能独自定义方向
Multi-agent Auditory Scene Analysis 以多波束输出的语音质量反馈修正声源定位。相比仅在一个候选方位上估计质量，同时比较一组候选波束使优化器获得更平滑的搜索线索；论文报告更短优化时间、更高精度以及对较大初始误差的更好稳定性。这是很自然的闭环：如果定位目标是获得可用的目标语音，最终语音品质当然可以反过来约束定位。
但闭环的可靠性取决于质量估计器本身。质量预测可能偏爱某类频谱、特定说话人或某种抑制方式，反馈环便会把这种偏好误当成方向证据。稳妥的设计应将质量曲线和几何可行性、跨帧轨迹连续性、目标身份置信度一起使用，并在它们冲突时保留不确定状态。
无标签蒸馏能扩大评测覆盖，但不能制造人工偏好
ProxyMOS 将多个公开 MOS 预测器构成教师池，以自适应路由挑选对不同输入更有信息的教师组合，再对 80.7 万条无标注语音生成伪标签训练学生模型。论文中，只有逐句自适应路由在增加较弱教师时没有退化；模型、ONNX 与 mos260 数据集均开放。这使无标签条件下的大规模质量建模更可行，也便于将评测器接入实际流水线。
它并没有消除代理指标的原则性限制。若教师在某个真实域上共同失明，学生只会更高效地继承这个盲点。训练增强器时，应避免以同一套教师或学生既提供优化奖励又负责最终验收；独立听测、不同机制的预测器和面向任务的错误统计仍不可省略。
资源复用应从任务指标走到设备指标
Toward Elastic Speech Inference 展示了从预训练 ASR 骨干无梯度派生唤醒词检测的可能性，并以结构化 PCA 剪枝将编码器通道缩减约一半。模型在 Parakeet 与 Moonshine 上的唤醒表现保持相对稳定，说明预训练表征的确可被重新利用。可穿戴端的下一步却不是马上部署，而是检查误唤醒、漏唤醒、功耗、缓存占用与连续运行温度；这些量才会决定“无需再训练”是否真的节省系统成本。
同样，Teaching LLMs to Hear Who Spoke What 的 encoder-free Speech-LLM 通过说话人、情感等元数据监督，让梅尔谱经轻量嵌入直接进入语言模型。它证明声学能力可以在不同结构里被重新分配，却不意味着编码器问题被删除了：声学归纳偏置、长序列成本和跨域身份一致性，仍需以独立实验回答。
质量分数、预训练表示和轻量化结构都是宝贵的工具。它们最好的用途是扩大候选方案、暴露系统状态并帮助回退，而不是把复杂的听觉与交互判断压缩成一个自动获胜的数字。