生成式模型为语音增强带来更强的分布建模能力，也带来一个无法回避的风险：输出听起来更完整时，其中有多少来自输入证据，又有多少是模型填补的合理猜测？近期工作开始把“低幻觉”、通用训练和多时延部署放进同一个问题框架。
低幻觉必须成为独立验收目标
AuraSE 以多模态 Flow Matching 和推理策略优化研究低幻觉生成式语音增强。它的核心立场值得重视：增强并非越会补全越好，系统应当在声学证据不足时避免自信生成并不存在的语音细节。对语音而言，幻觉不只表现为明显的伪音，也可能是辅音边缘被改写、说话人特征漂移或背景事件被错误消除。
任何低幻觉主张都需要比 PESQ、STOI 更严格的检查：原始与输出的内容一致性、ASR 高风险词变化、说话人相似度、目标缺席条件以及人耳对“是否多出了内容”的盲测，都应进入报告。没有这些对照，生成模型的自然感很容易被误当作真实性。
通用模型的关键往往不是模型更大
Rethinking Training Targets, Architectures and Data Quality for Universal Speech Enhancement 重新审视通用增强的训练目标、网络选择与数据质量。它提醒人们：数据中的退化分布、干净参考质量和目标定义，常常比再换一个主干结构更决定泛化。所谓通用，不应只指覆盖更多噪声名称，而应指在不同采样率、房间、说话风格和设备失配下，模型仍能明确输出的证据边界。
One Model, Many Latencies 则把“通用”扩展到运行时延。不同应用能接受的缓冲不同，若每一种延迟都需重训一套模型，部署成本会迅速失控；若单模型能在多个延迟点保持可预测退化，才更接近真正的实时通用。关键仍是比较同等延迟、同等算力下的质量，而不是把高延迟版本和低延迟版本混在一个平均指标里。
弱监督需要约束住伪标签的方向
UltraM2M 结合文本转录与混合一致性，用弱监督扩展语音增强的可用训练数据。文本能约束内容，混合一致性能约束能量关系；二者都不是干净波形真值，却能共同排除一部分任意输出。它的风险同样清楚：转录错误、未转写的背景语音和混合模型失配，都会变成系统性偏差。因此弱监督训练应保留明确的可信样本筛选、原始路径对照与独立评价集。
生成式增强的成熟不在于能生成多少细节，而在于能为每一处改变说明证据、在证据缺失时保持克制，并让不同延迟和不同数据条件下的退化方式可预测。