تحسّن أداء تحسين الكلام (SE) بشكل كبير بفضل استخدام نماذج التعلم العميق كوظيفة أساسية. وفي هذا العمل، نقترح منهجية استretching التباين الذهني (PCS) لتحسين أداء SE بشكل إضافي. يُستمد مفهوم PCS استنادًا إلى دالة أهمية الشريط الحرج، ويُطبّق لتعديل أهداف نموذج SE. وبشكل محدد، يتم تمديد تباين الميزات المستهدفة بناءً على الأهمية الذهنية، مما يؤدي إلى تحسين الأداء العام لتحسين الكلام. مقارنةً بالتنفيذ القائم على المعالجة اللاحقة، فإن دمج PCS في مرحلة التدريب يحافظ على الأداء ويقلل من الحسابات الزمنية أثناء التشغيل. وبشكل لافت، يمكن دمج PCS مع مختلف هياكل نماذج SE ومعايير التدريب المختلفة. علاوةً على ذلك، لا يؤثر PCS على الطابع السببي (causality) أو تقارب تدريب نموذج SE. أظهرت النتائج التجريبية على مجموعة بيانات VoiceBank-DEMAND أن الطريقة المقترحة تحقق أداءً متقدماً على مستوى الحالة الحالية (state-of-the-art) في مهام SE السببية (PESQ = 3.07) وغير السببية (PESQ = 3.35).