手机录下来的音乐，AI 要修的远不止噪声
目录
AI 概念插画。
音箱播放一首歌，手机在房间另一头录下来。低音可能变薄，鼓声带着回响，人声混进环境声，手机还会自动调节音量。要把这段录音修清楚，光把背景噪声压低还不够。
西北工业大学 ASLP 团队在 2026 年 10 月 11 日提交的预印本，介绍了一套参加 CCF-AATC 2026 音乐修复赛道的系统。输入是 16 kHz 单声道录音，目标是尽量接近播放前的干净音乐。
先把声音怎样变坏，模拟出来
官方提供约十小时的成对音频。作者还发现，一部分录音与参考音乐没有严格对齐：两边稍微错开，模型就可能把时间偏移也当成需要学习的差异。
团队按真实顺序搭建模拟器：先经过音箱的频率响应和失真，再加入房间回响、距离衰减与环境噪声，最后模拟麦克风和自动增益。这样得到约 1,572 小时、覆盖 202 种条件的对齐音频对，让模型知道同一段声音损坏前后分别是什么样。
模型做了两个关键调整
第一，保留各频段原本的强弱。训练时把数值缩放到相近范围有利于处理，但也会抹去“这一段低音原本有多响”的线索。作者把音量尺度作为额外特征一起交给模型。
第二，直接估计修复后的频谱，而不只给输入频谱逐点乘一个系数。这给被严重压弱或扭曲的声音成分留下了更大的调整空间。
模型采用稀疏专家结构，每个位置只选择一个专家参与计算。最终参数量为 295.1 万。
小模型交出了怎样的成绩？
在 25 段官方开发录音上，团队用统一评测程序重跑了官方基线模型 AudioFlow。其系统的音频质量指标 ViSQOL 从 AudioFlow 的 3.370 升至 3.475，越低越好的频谱距离 LSD 从 1.700 降至 1.265。参数量约为 AudioFlow 的 1/187，单段计算量约为 1/54。
质量分数采用 ViSQOL、LSD 等自动评价指标。在另一个独立的官方盲测中，论文报告该队获得三等奖。
运算开销仍然不小：处理十秒输入需约 826.6 亿次乘加运算，论文还将降低计算量列为后续工作。测试使用的也是 16 kHz 单声道音频。
这项工作的重点很实在：模型规模受限时，把录音过程模拟准确，再保留任务需要的声音线索，也能做出有竞争力的音乐修复系统。
论文：The NPU-ASLP System for Music Restoration in the CCF-AATC 2026 Challenge · 全文
作者与机构：Zeyu Zhu、Yike Zhu 等，西北工业大学 ASLP
提交日期：2026-10-11（arXiv 预印本 v1）