神经音频：分离、变声与音质边界

神经网络可做声源分离、去噪、带宽扩展和音色转换。它们从数据学习先验，输出听起来更干净时，也可能删除弱细节或生成不存在的成分。增强结果不能自动当作原始证据。

分离并非唯一真值

混音中的源互相重叠，相位与混响让分解不适定。模型借训练数据偏好选择一种解释；泄漏、音乐噪声和瞬态损伤需听觉与客观指标共同评价。

指标局限

SI-SDR、频谱距离或感知分数各关注部分误差，可能与特定任务和听感不一致。用未见说话人、乐器、房间和噪声测试，避免同分布自我满足。

延迟与流式

离线模型利用未来上下文，实时演出不能。因果模型、块长、重叠和计算设备共同决定总延迟；只报神经网络推理时间会漏音频缓冲。

伪影与置信度

在低SNR或域外输入下，模型可能自信地产生清晰但错误内容。保留原始轨、允许A/B，并对低置信场景回退传统处理。

身份与滥用

声音转换涉及表演者身份、同意和冒充风险。获得明确授权，加入可识别披露或水印，不制作欺骗性仿声。

恢复性处理、创作特效和取证增强应分开标识；后者尤其不能把模型补出的词句当原录音事实。域外检测与人工复核应在产品流程中，而非只写在论文限制里。

任务：比较传统与神经去噪，在已见/未见噪声和实时延迟下评价，并保存原始信号。