轻量级实时语音增强：状态空间模型与多频谱扫描技术

基于摘要分析。本文研究实时通信中的语音增强，提出结合 Mamba State-Space Model（SSM）与多频谱扫描的轻量级端到端框架，旨在平衡信号质量与计算复杂度；研究对象是语音信号，并非 EEG 或 BCI。 核心机制包括三种面向频谱图的扫描方式，分别捕获全频带、子频带及跨频带的长程依赖。框架结合模拟人类听觉感知的 ERB 压缩与高频重建，以降低计算开销，并在训练中加入 Voice Activity Detection（VAD）损失，辅助恢复粗粒度时间特征。摘要未提供扫描顺序、压缩与重建细节、损失形式及权重，相关实现尚未验证。 训练使用自定义流程生成的大规模合成数据，评估采用 ICASSP SSI Challenge 数据集。作者报告，该框架在整体质量（OVRL）和语音信号清晰度（SIG）上优于所比较的先进模型，同时保持较低资源消耗；在 VoiceBank+DEMAND 上，作者报告整体语音增强表现优于竞争模型。摘要未提供具体分数、基线名称、数据划分、参数量、运行硬件或端到端延迟，因而尚不能量化优势或核实实时条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设频谱扫描对长程时频依赖的建模可用于 EEG 去噪，其可能对应跨频带依赖与计算预算受限的瓶颈。可考察复用 Mamba 与扫描模块，但 ERB 压缩及 VAD 监督具有语音特异性，需要改为适合 EEG 频带和伪迹的表示与训练目标；合成训练也需要可信的干净信号与噪声配对。低信噪比、跨被试差异、通道结构和小数据可能使模型误删任务相关活动。一个可检验的小实验是在固定被试划分、匹配计算预算的 EEG 人工加噪条件下，对比不同扫描方式与不使用频谱压缩的版本，同时检查信号恢复及下游任务表现。已有 EEG 相关工作尚未检索确认，语音结果不构成 BCI 有效性的证据。