把语音增强视为逐点压噪，已经不足以描述近期的方法。谐波周期、房间响应、目标身份和次级声学路径都在决定“该留下什么”。真正值得比较的不是模型名称，而是这些结构究竟以什么方式进入模型，又是否接受了与其承诺相称的验证。
谐波先验不能只靠模型自己碰巧学到
HAMMER 在 Attention 与 Mamba 并行的时频建模之外，引入语音自适应自相关前馈模块，显式编码浊音的局部周期结构；其感知优化以可微 PESQ 与对数似然比组合，避免额外度量判别器。论文报告 VoiceBank+DEMAND 上 PESQ 3.69、COVL 4.41，模型约 2.39M 参数，并提供推理期感知对比调节。数字值得关注，但更重要的是方法假设：谐波保持、音乐性干扰与低基频语音不应完全交给通用序列层隐式处理。
这种归纳偏置的有效范围仍需经过不同语言、非平稳干扰和真实设备验证。尤其是推理期再调节可能改变客观分数与听感的关系，不能只依据一个感知代理宣布改进。结构越贴近声学解释，越应报告它在哪些条件下失效。
房间表征可以成为条件，而不是只能被抹去
Room Impulse Response Embeddings for Speech Enhancement in Noisy Reverberant Environments 从单通道带噪混响语音学习 RIR 表征，采用混响预训练、含噪混响训练与教师—学生蒸馏三阶段，使学生从含噪输入复现教师的房间嵌入。随后将该嵌入作为判别式增强网络的条件，在混响和含噪混响条件下同时检查增强分数与下游 WER。
这类方法并不是要重建一份完美房间冲激响应，而是尝试把房间差异从不可解释的域偏移，转成模型可利用的条件。关键审计点在于嵌入是否真的反映可泛化声学因素，还是只记住了训练房间与数据集的捷径；未见设备、真实移动和复杂声源条件才是必要的压力测试。
目标身份与视觉证据应当共同约束输出
AV-PVQE 面向低延迟音视频目标说话人提取，在个性化语音增强的说话人条件中加入嘴部视觉特征。文中报告双人混叠时目标混淆率从 46% 降至 1.6%，在零未来帧、20 ms 算法延迟下，真实会议语料的主观总体质量也优于在线自回归视听提取器。它尤其强调目标缺席时不应输出错误说话人、无干扰时不应损伤目标，这两类“拒绝”和“保留”测试比单一分离增益更接近真实交互。
视觉并不会自动解决遮挡、不同步和隐私限制，却能提供和音色不同的身份证据。更稳妥的系统不应把两种模态简单平均，而应在任一证据变弱时明确降低置信度或退回保守路径。
主动降噪的路径模型也会老化
CoMeta-AF-ANC 将元自适应滤波用于时变声学路径。其 Meta-Gated Joint Path Identifier 直接从可用 ANC 信号联合跟踪主、次路径，再把更新后的次级路径回馈给控制器特征，避免依赖额外辅助噪声。论文以头枕实测声学路径和未见头动条件验证稳定性。与其说它证明学习优化器替代一切规则，不如说它揭示：只要物理路径在变，假设固定路径的控制器就必须说明自己的失配处理方式。
谐波、房间、身份和路径看似来自不同子领域，却都指向同一件事：语音处理的有效信息并不只在当前一帧幅度里。把结构纳入模型是开始；把结构、失配和失败边界完整报告，才是让系统可信的下一步。