重叠语音里挑出目标说话人：5.2M前端按难度分配算力，识别错词率从16.8%降到14.6%
多语言重叠语音的目标说话人提取不再对每个输入用同一套计算深度。此前固定深度前端要么对困难输入处理不足，要么在已收敛的输入上重复精修。LATTE 用难度估计器为每个混合语音选择两、四或六块共享提取块，在 PolyExtract 八语言基准上以 0.30 GFLOPs 取得 15.07 dB 宏平均 SI-SNRi，比 0.53 GFLOPs 的固定深度路径低 0.09 dB 以内，计算量减少 43.4%；接在冻结的 Qwen3-Omni 前，平均词错率从 TF-GridNet 的 16.8% 降到 14.6%。