所谓通用语音增强，不应被理解为一套网络对所有声音做同样的强力清洗。不同频段、说话人、环境与交互目标都需要不同取舍；更可靠的方向是让这些取舍显式、可调整，并在困难条件下能被独立验证。
损失函数决定模型愿意牺牲什么
Towards Balanced Spectral Reconstruction 提出频谱自适应损失用于流式增强，针对常见训练目标偏向高能量区域、导致弱语音或高频细节被牺牲的问题。损失函数并不是实现细节：它规定模型在误差不可同时消除时优先保护什么。若目标是可懂度、自然感与识别稳定性的组合，频带权重应被视为可检验假设，而非隐藏在代码中的常数。
这也解释了为什么统一训练目标在跨设备时常常失效。麦克风频响、编解码器和环境噪声会改变不同频段的可靠性；一个在训练域恰好合理的惩罚项，可能在另一设备上把重要线索压得太低。报告时需要同时给出频谱、内容与主观层面的结果，才能判断“平衡”是否真的发生。
高效分离需要保持混合约束
SEAL 以 mixture-closed 加性重建和面向精修的专家路由处理高效语音分离。混合闭合约束要求各输出在适当意义下仍能解释输入混合，避免模型为单个源制造互不相容的能量；专家路由则将额外计算分配给需要精修的片段。二者分别约束“输出是否自洽”与“计算花在何处”。
专家机制的风险不止是参数量，还包括路由错误和负载失衡。若系统只报告平均 MAC 而不报告困难样本的最坏路径、专家利用率和输出一致性，很难确认它是否在真正节省资源，还是将成本藏在少数关键片段中。
视听证据让助听系统有更多选择，也有更多失配
Audiovisual Joint Learning for End-to-End Hearing Aids 把视觉线索引入端到端助听处理，为目标语音选择提供与声学不同的证据。它适合在面对面交流中帮助区分竞争说话人，却同样必须面对嘴部遮挡、摄像头视野、唇音不同步与隐私限制。一个可信的视听助听器需要在视频不可用时优雅退化，并说明视觉证据究竟改善了何种困难条件，而不是只在视频完美的合成场景中报告平均增益。
通用性的核心不是让一条路径无条件接管全部输入，而是让频谱、混合结构、额外模态和算力预算都保留明确的控制接口。可控取舍比万能承诺更容易被复现，也更容易被信任。