一款语音增强模型是否适合端侧，参数量通常只是最先被看到、却最不足以解释成败的数字。算子能否被 NPU 执行、量化后信号范围是否稳定、状态怎样跨帧保存，以及质量提升是否真正服务下游任务，决定了模型能否从论文图表走进设备。
部署约束应当成为网络结构的一部分
Beyond Model Size: Redesigning LiSenNet for Embedded Speech Enhancement 选择从受限硬件反推模型设计。面向 STM32N6570-DK 的 Neural-ART 加速器，作者将子带双路径网络中的循环瓶颈改为卷积式频率/时间混合器，将不受支持的运算重写为静态 int8 图能够承载的原语，并用有界解码器激活约束量化误差。结果并不是简单地把一个模型缩小：在 VoiceBank-DEMAND 上，NPU 兼容版本的 FP32 PESQ 为 3.08、int8 为 3.01；设备上每 16 ms 帧耗时 4.83 ms，实时率约为 0.30。
数字之外最值得注意的是状态。若为了兼容部署而在每帧重算感受野，模型虽然“无状态”，实际延迟会恶化一个数量级；如果保留明确、可控的流式状态，才有机会把计算开销稳定地摊到连续语音中。端侧设计因此不能只问 MAC 或参数，还应列出实际图切分、状态存储、内存移动、量化范围和最坏帧耗时。缺少其中任一项，所谓实时都只是离线测得的平均值。
动态深度不一定比静态模型更划算
Does per-frame early exit pay? 对一个很流行的直觉作了计算匹配的检验：困难帧走深层、简单帧早退，是否自然优于固定深度网络？作者为因果模型的每个中间深度都施加监督，并微调输出头，使较深输出不劣于较浅输出。由此得到的一族静态子模型在同算力下比从头训练的对应网络更接近质量—算力帕累托前沿：等预算下 PESQ 最高增加 0.11，或用约 70% 的计算达到最优质量。
在 STM32N6 上，策略本身运行在 Cortex-M55 的开销约为每帧 26 μs；但动态深度需要在多个静态 NPU 图之间调度，这部分额外成本仍不可忽略。论文的结论不是“早退无用”，而是更成熟：动态选择若没有优于同预算静态模型的净收益，就不能因为它看上去聪明而被默认采用。对于只支持固定 int8 图的硬件，先训练出可裁剪且每一深度都可用的模型族，往往才是更可靠的基础。
带宽也可以成为运行时控制量
Configurable-Bandwidth Time-Frequency Modeling for Efficient Full-Band Speech Enhancement Across Sampling Rates 提供了另一种弹性。TF-Refiner 把深层编码限制在可配置截止频率以下，同时让浅层解码器以高频查询结合原始带噪 STFT，预测局部复数滤波器。模型可在 16 kHz 与 48 kHz 上共同训练，并在未见采样率下推理；随机截止频率训练使运行时可选择不同的算力—质量点。
这一结构避免了“全带宽就必须全深度处理”的默认绑定。低频通常承载较多语音能量和可懂度线索，但高频瞬态、擦音与带宽感知仍不能被简单丢弃；将重计算集中于低频、将高频保留给轻量条件解码器，是一种可被实验检验的折中，而不是把音频先粗暴降采样。其边界也需要真实设备与多语言条件进一步验证：统一参数能跨采样率，不等于它已经覆盖所有传感器频响和编解码失真。
没有干净参考时，奖励必须有明确含义
Transcript-Supervised Post-Training of Generative Speech Enhancement on Real Recordings via Reinforce Adjoint Matching 处理的是另一类现实限制：真实录音没有配对干净语音，但可能拥有文字转录。作者将 Reinforce Adjoint Matching 用于生成式增强，让当前模型先生成候选增强语音，以可能不可微的奖励评估输出，再通过解析式再加噪构造回归目标。这样，WER 可以作为弱监督奖励而无需对增强波形求导。论文在真实 CHiME-4 录音上报告 WER 降低 5.08 个百分点。
这条路线的价值在于承认“增强得更好”的定义可能来自任务而非波形参考。不过 WER 也不是通行证：它可能鼓励模型修改有利于识别的细节，却牺牲听感、说话人线索或未知任务的稳定性。任何以转录为奖励的后训练，都应将独立感知测试、原始路径对照和高风险词错误分析同时保留；否则弱监督只是把评价偏差更高效地写回模型。
从信号质量到任务完成，中间还隔着交互
Voice Agents under Acoustic Stress: From Signal Degradation to Interaction and Action 提出的 TRACE 工作流进一步把终点从“音频分数”改为“任务行为”。同一个智能体分别面对原始录音与受噪声、混响、竞争语音劣化的副本，再从任务完成、错误操作、恢复能力和用户付出几个维度比较。它尤其适合提醒人们：识别率的小幅变化有时不会影响任务，有时却会触发一次不可逆的错误操作。
端侧语音模型最终要穿过的，不是单一基准，而是一条包含设备、声学、识别、决策和人机恢复的链路。模型大小固然重要，但只有把硬件执行、连续状态、任务奖励和失败恢复一起放进验收，压缩才会变成工程能力，而不只是排行榜上的更小数字。