音视频语音增强（AVSE）能够在嘈杂环境中提升语音可懂度，但常依赖计算量大的模型，难以在资源受限的边缘设备上运行。本文提出一种基于强化学习的神经架构搜索（RL‑NAS）框架，用于自动发现紧凑且高效的 AVSE 网络。搜索空间保持音频与视觉流的时间对齐，奖励函数同时考虑 SI‑SNR 提升和模型紧凑度。采用近端策略优化（PPO）并结合约束感知的动作屏蔽，仅评估 35 种候选结构，即可找到参数量为 2.9M 的模型，而基线模型为 22M 参数。该模型实现 14.5 dB 的 SI‑SNR 提升，仅比基线低 0.7 dB，同时将模型体积压缩约九倍。移动端 CPU 实验显示实时因子降低 4.3 倍，验证了实际设备部署的可行性。与随机搜索相比，RL‑NAS 的搜索效率提升 92%。架构分析表明，使用更浅但更宽的时间卷积块以及对视觉通路进行激进剪枝，可在保持增强性能的前提下显著降低计算开销。
点评：该工作展示了强化学习驱动的 NAS 在多模态语音增强领域的潜力，为轻量化、可部署的模型提供了有效路径。