标签：#说话人分离标注 | #信号处理 | #音视频 | #麦克风阵列 | #生物声学
评分：5.5/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.4/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Lara Berkenbaum：机构信息未在 arXiv HTML 中可靠披露
- Hervé Glotin：机构信息未在 arXiv HTML 中可靠披露
- François Sarano：机构信息未在 arXiv HTML 中可靠披露
- Walter M X Zimmer：机构信息未在 arXiv HTML 中可靠披露
- Véronique Sarano：机构信息未在 arXiv HTML 中可靠披露
- Olivier Adam：机构信息未在 arXiv HTML 中可靠披露
- Pascale Giraudet：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
本文处理近海面多抹香鲸重叠喀哒声的说话人分离标注，输入为便携式OPALE三水听器阵列音频与同步双GoPro视频，输出为去交织后的点击列、每列空间模态及其对应的光学个体标识与行为解释，难点在于近场接触、表面多径、身体遮挡与同龄个体脉冲间隔不可分。方法链分为四环：先以Teager-Kaiser能量算子检测并人工清洗获得纯净点击，再在单参考通道上用恒Q变换谱片与短时节律预测重建连续声列，接着在三通道上以到达时差估计波达方向并做核密度聚类，最后将声学角度旋转投影到图像平面并以junk远端解剖点做光学验证。与仅依赖脉冲间隔或深潜多径测距的已有做法不同，该流程把时间精度与谱聚类解耦，并用视觉空间一致性裁决声学不可分情形。在3个记录会话共2655个手工验证点击构成的真值上，9个聚焦场景基线池为1242个点击，其中可分辨的7个场景重建11条声列共计882个点击并归属到Ali与Daren两个已知个体，最难场景的聚类说话人分离标注误差率达到25.79%，而单发声者场景可达0.0%，水平视觉一致率最高达100%。结论仅适用于该双个体vocal sparring概念验证，垂直对齐、离轴遮挡与强时间碰撞下仍需剔除场景或放宽容差。原文未披露训练、推理或部署成本，本方法为非学习型信号处理流水线。
🔗 开源与复现资源
代码相关资源：https://doi.org/10.5281/zenodo.21891186 — 链接不可用（HTTP 404）
数据相关资源：https://doi.org/10.5281/zenodo.21891186 — 链接不可用（HTTP 404）
第三方资源：https://cian.lis-lab.fr — 链接可访问（HTTP 200）
第三方资源：https://intelligent-acoustics.com/ — 链接可访问（HTTP 200）
第三方资源：https://www.longitude181.org/programme-cetaces-cachalots/ — 链接可访问（HTTP 200）
第三方资源：https://matheo.uliege.be/handle/2268.2/12623 — 链接可访问（HTTP 200）
第三方资源：https://univ-tln.hal.science/hal-05281331 — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，目标是什么，先把任务边界说死
输入是二零二三年在毛里求斯海域用便携式 OPALE 阵列同步采集的音频加视频。音频是采样率 256 kHz、二十四比特的 3 通道水听器信号，两个 SQ26 构成主水平轴，一个 C75 低位前置构成倾斜探测平面，阵列孔径约 0.5 米，布放深度最大五米，鲸到阵列名义距离十到三十米。视频是两台 GoPro Hero 10 在关闭鱼眼畸变和防抖后录制的四千分辨率、每秒 60 帧画面，水平视场一百一十八度、垂直视场六十九度。
目标不是做普通的鲸叫检测或深潜定位，而是声学日志中的说话人分离：在两头同龄未成年雄性 Ali 和 Daren 发生身体接触的发声嬉斗中，把时间上互相覆盖的连续喀哒声串拆开，并指认每条轨迹是谁发的。必须保留的信息是对象限定为二零一八年二月和四月出生的两头五岁个体，行为限定为包含口对口、头对头、翻滚和接近撤退的非攻击性自愿二元互动，声音限定为既非典型觅食回声定位也非典型社会可达声的连续喀哒声串。
输出是 11 条轨迹共 882 个脉冲的归属，外加每条轨迹的空间众数和视觉一致率。本文解读按学习依赖展开，先讲为何经典方法失效，再讲双链并行架构与各组件计算，然后讲实验条件、主结果、失败条件与复现要点。资源状态方面，论文正文声明的 Zenodo 代码与数据集链接本次返回 404 不可用，不能写已公开；可确认的是第三方机构页与论文手稿页可达，复现只能依赖正文与补充材料参数。
已有路线为何在水面近场集体失效？
第一条路线是到达时差定位，它在深潜鲸上很有效，因为声源远大于阵列孔径时平面波假设干净，多径延迟也可用来反演深度。但在水面近场，阵列孔径相对声源距离太小，紧凑三元阵的空间分辨率下降，触觉距离的几何模糊被放大。第二条路线是深度多径分离，依赖直达波与海面反射波的可分辨延迟。在水面层，劳埃德镜效应把两条路径压成相干相消的频率凹口，不再是可利用的延迟量，而是破坏性干扰。
第三条路线是步间间隔节律跟踪，在稀疏回声定位链上稳定，但在快速重叠时预测窗被打乱。第四条路线是波形特征与体型相关的脉冲内间隔，本应对不同体型有效，但同龄幼鲸与成年雌性在理论上落在同一声学尺寸类，近乎相同的间隔使多发射者被自动合并成一条杂乱轨迹。
宏观声学系统缺亚米精度和光学真值，生物记录仪能隔离佩戴个体但有侵入性且无法同时指认多头未标记个体，海豚用的相机加水听器阵列则要额外克服抹香鲸波束前向指向性与表面多径。因此论文把光学模态定为必需而非补充：一是用照片识别解决人口学身份与性别模糊，二是用投影空间一致把无可见外部特征的声音判给具体身体位置。没有这两层视觉 grounding，纯声学数据甚至无法发现需要解交织。
要解决的 cocktail-party 问题具体难在哪里？
举一个教学例子帮助理解，不代表论文数值：想象两台节拍相近的节拍器同时敲击并不断被人转动方向，麦克风收到的就是互相掩蔽的脉冲叠加。论文面对的是水下版本，而且更难。难在 4 个耦合因素。第一是声学重叠，两个焦点个体的平均步间间隔都落在 0.1 到 0.3 秒量级，场景 3 的两条轨迹均值分别为 0.117 秒和 0.138 秒，节律几乎贴住，时域无法分开。
第二是传播畸变，近水面多径、身体遮挡和离轴波束使同一头鲸的谱包络随姿态剧烈变化，原始恒 Q 变换谱在场景 1 出现强凹口而在场景 7 呈宽带连续，跨场景可比性很差。第三是硬件异构，SQ26 与 C75 的瞬态响应与相位不一致，互相关容易出现伪峰，纯空间跟踪会出现论文所称的幽灵鲸。第四是人口学不可分，两头五岁雄鲸形态相同，脉冲内间隔理论值相同，单发射者场景 7 测得约 2.9 毫秒符合幼年阶段，但重叠轨迹上只能得到畸变或双峰分布。
论文把原始步间间隔变异系数大于等于 0.5 定义为多声源社会声学环境，9 个焦点场景中除场景 7 的 0.152 外，其余多在 0.49 到 0.72 之间，说明必须按高重叠设计算法复杂度。问题形式化为先聚类后定位再投影验证，而不是端到端 1 次定位。
双链并行加视频融合的全景如何走通一个样本？
沿一个脉冲样本走完全流程。原始 3 通道信号先做相对灵敏度校准到微帕，SQ26 按 -169 分贝、C75 按 -180 分贝换算，C75 另做幅度因子与极性翻转。接着做 4 阶巴特沃斯 5 kHz 高通，抑制海洋低频噪声，得到的中位信噪比在 SQ26 为 41.8 分贝、C75 为 38.85 分贝。
以零通道为参考，用非线性 Teager-Kaiser 能量算子提脉冲能量包络，经滑动窗局部中值归一化与泄漏积分平滑后做 2 级阈值检测：宽松阈值保轨迹连续供聚类，严格阈值保波前陡峭供定位，所有阈值经受试者工作特征曲线在代表性文件上优化。人工校验剔除误检并做 15 秒窗自适应能量跟踪，排除低于局部九十分位数十五分贝的远处合唱。此后分叉。聚类链只用单参考通道，做 1 阶差分预白化后算恒 Q 变换并按谱加节律跟踪成轨。
定位链用 3 通道高通波形做频域互相关加 2 次插值求亚采样时差，经环路闭合与几何残差双重十微秒级过滤后做平面波方向估计，再经旋转矩阵对齐到相机坐标并做核密度估计求众数。最后把方向投影到同步视频的 2 维图像平面，与人工跟踪的鲸体脂块远端参考点比对，十度容限内算水平与垂直视觉一致率，稳定交会即把整条轨迹判给该个体。
声学聚类 × 光学验证： 声学聚类负责在单通道上把重叠脉冲按谱加节律分成属于不同发射者的轨迹，但它不知道轨迹对应哪头鲸；光学验证负责把多通道定位结果旋转到相机坐标并投影到图像平面，与人工跟踪的鲸体声辐射参考点比对；组合的新增作用是先用聚类把整串声音的身份纯度做高，再用少数几何可靠的定位点与图像交会，1 次交会即可把整条轨迹判给具体个体，从而解决同体型个体脉冲间隔不可分的问题。
该架构的关键安排是时间精度与谱聚类解耦：绝对时间来自能量检测，恒 Q 变换只做轨迹分组引擎，从而绕开恒 Q 变换低频高谱分辨率与时间精度的固有权衡。两条链预处理不同是有意为之，聚类链要谱细节所以做导数预加重，定位链要波前干净所以保留高通脉冲起始。
聚类链如何用谱加节律把重叠脉冲串拆开？
聚类链只用零通道 SQ26，避免跨传感器偏差。先对数字声压做 1 阶差分，即当前采样减前一样本，增益约正 6 分贝每倍频程，把海洋噪声的一分之频率谱倾斜拉平，相对增强区分并发轨迹所需的高频瞬态，同时保留低频内容而非切除。作者强调该校准针对 SQ26 硬件，若直接用于平坦宽带水听器会放大极高频噪声。随后在一点 2 kHz 到 80 kHz 做恒 Q 变换，每倍频程十二分箱，品质因数约 16.8，经频域重叠相加与群延迟校正保证各频带时间对齐。
每个脉冲在 4 毫秒窗内重对齐到能量峰，再取对称 9 毫秒时频块，转分贝、展平、按频带做标准化，得到与传播增益无关的结构签名。跟踪算法用余弦距离加皮尔逊相关的统一相似度，并在 3 个相对时延对齐上取稳健值，配双记忆系统同时比对发射者动态平均模板与轨迹上一个有效点，以容忍转向与反射带来的谱漂移。节律约束用轨迹近期步间间隔滑动中值开预测窗，正负 25% 生理容限内 2 次惩罚，超出则拒绝。
事后融合检查全局节律与 junction 点谱相似，把被瞬时叠加打断的碎片重连。实现细节在补充材料与代码库中给出，但本次 Zenodo 链接不可达，只能按正文参数复现思路。
恒 Q 变换 × 步间间隔： 恒 Q 变换负责给出每 1 次喀哒声的谱形状签名，对数频率分箱保留低频干涉结构并经预加重凸显高频瞬态；步间间隔负责给出序列的节律预测，用滑动中位数的正负 25% 容限判断下一个点是否按时出现；两者搭配是因为谱在完全重叠时会被强声压变形而节律在变速对话时会漂移，组合后以加权相似度加节律惩罚共同打分，才把交织的脉冲链拆成连续轨迹。
该设计的已验证对照是原始谱不做预白化时跨场景差异极大，说明必须先整形再比相似度；最终轨迹内平均相似度维持在 0.63 到 0.87，轨迹 1 在无掩蔽时达 0.87，而场景 3 弱轨迹被变形到 0.63 且轨迹间相似度高达 0.66，直接解释了该场景 8.78% 的残留误差。
定位链如何从三元时差得到可投影的方向？
定位链用 3 通道 5 kHz 高通信号保证波前陡峭。频域互相关求每对水听器时差，对峰做 2 次插值实现亚采样精度，再乘以当地声速一千五百四十一米每秒得到视在距离差，该声速由现场温盐深估算。平面波假设由声源距离十到三十米远大于 0.5 米孔径来辩护。由于三元子阵被约束在倾斜 2 维平面上缺体积秩，论文用伪逆做最小二乘切向向量估计，再用单位范数性质重建法向分量。
当切向模略超单位约束导致根号内为负时，取绝对值折回锥面边界而非丢弃，这 10 个边缘点占最终 637 个焦点定位点中的 10 个，仍满足十微秒级可靠性阈值。法向正负带来前后模糊，操作上先取正根即前半空间，用阵列框架声影与 SQ26 高频指向性损失辩护，最终正确性留待光学融合回溯验证：只有稳定落在可见动物上的投影才排除对称幽灵位置。
方向经绕横轴旋转矩阵对齐到相机正交坐标，再用球面三角得到相对光轴的方位角与俯仰角，最后做核密度估计求每条轨迹的 2 维空间众数。例如场景 3 主次轨迹众数分别为方位 -15.1 度俯仰 78.9 度与方位 -4.1 度俯仰 72.5 度，场景 8 为右侧 12.4 度与左侧 -1.4 度，单发射者场景 7 为方位 9.7 度俯仰 60.7 度。
到达时差 × 核密度估计： 到达时差负责把同一声波到达 3 个水听器的时间差换算成方向向量，提供每声的原始空间观测；核密度估计负责把同一声学轨迹内大量带噪声的方向点做概率密度平滑，找出主发射轴的众数和集中区；搭配理由是单声定位受多径和互相关伪峰影响抖动很大，只有把轨迹级统计众数与视频中的动物位置比对，才能确认整条轨迹的空间身份而不被个别野点带偏。
严格几何过滤保留 3 会话共 1672 个有效点，焦点轨迹中 637 个点进入投影。作者明确先聚类后用最可靠的方向脉冲给整串定空间身份，以避免对每个畸变点都做硬判决。
检测与能量筛选的两级阈值如何分工？
检测是理解复现的关键。论文在同一能量轨迹上用两套阈值。宽松阈值在 SQ26 取四十、C75 取三十，目标是高灵敏度不断轨；严格阈值在 SQ26 取八十、C75 取五十五，目标是近零恒虚警率供到达时差，避免空间畸变。阈值在单个代表性文件上做 4 毫秒窗受试者工作特征分析选定，含 8 毫秒真值容限以容忍跨窗脉冲，再统一用于全部会话，前提是各会话信噪比与环境大体可比。
自动检测总数三千一百六十一个，经人工严格定义起止剔除噪声后得 2655 个真鲸脉冲，召回率 96.16%、误检 608 个、漏检 102 个，精度 80.77%。随后全局自适应包络跟踪按 15 秒窗剔除低能量事件，把总量压到 2319 个，9 个焦点场景内 1242 个脉冲构成基线池。定位链的严格真阳性为 2308 个，经环路与残差过滤剩 1672 个。
两链交集并排除场景 5 与 6 后剩 637 个焦点定位点。
Teager-Kaiser 能量算子 × 自适应包络跟踪： Teager-Kaiser 能量算子负责突出脉冲包络的陡峭起始，把宽带瞬态从海洋低频噪声中拎出来并给出精确起止索引；自适应包络跟踪负责用 15 秒滑动窗内局部能量分位数剔除远处生物合唱和低能量残留；搭配意义是前者保证高灵敏度不断轨，后者保证进入聚类和定位的基线池是近场焦点事件，2 级阈值分别服务连续性与空间精度。
这种不对称设计的代价是人工校验工作量大，但好处是聚类误差指标可以独立于检测误差评估，因为误检已在进入指标前被人工剔除。
本研究训练了什么，没有训练什么？
本研究没有训练神经网络，也没有更新任何可学习权重，不存在梯度路径、优化器、冻结与解冻或早停。真实计算过程是信号处理加无监督统计。需要估计的量包括能量包络阈值、恒 Q 变换模板与节律窗的滑动统计、方向向量的最小二乘解、核密度估计的众数，以及高斯混合模型对投影误差的无监督分解。
高斯混合模型的模型选择用贝叶斯信息准则加 50 次随机初始化的平均调整兰德指数稳定性联合判断，最终选四分量而非贝叶斯信息准则最小的五分量，因为五分量的第五个分量只是把名义成功区切成相邻两块且稳定性从 0.976 降到 0.827。监督来源是人工：全部自动检测经人工定义起止与真伪，视觉参考点为人工逐帧跟踪的脂块远端，聚类到个体的多对一映射按多数真值发射者确定。
因此复现时不需要准备训练集划分与验证集调参，需要准备的是同一套检测阈值、恒 Q 变换频带与分箱、9 毫秒块与标准化流程、时差插值与几何过滤阈值，以及十度视觉容限的评价脚本。缺项是补充材料中部分滑动窗长度与泄漏积分时间常数的具体数值只写了经验调优而未在正文列出，代码库本应补足但本次链接不可达，需向作者索取或自行在代表性文件上重做受试者工作特征与网格搜索。
数据如何选，场景如何划分，指标如何定义？
数据来自二零一五年到二零二四年毛里求斯 opportunistic 水下观察中的两周 OPALE 部署，本文只用二零二三年五月四日的 8 段各 96.54 秒录音中的 3 段文件。经行为初筛锁定发声嬉斗时刻，再按焦点个体最接近阵列且在视频中可清晰识别细分为 12 个互动场景，用原始步间间隔变异系数刻画复杂度，其中场景 10 与 11 因焦点主体在复杂声学段移出视场被排除，场景 12 因检测不全无法可靠聚类被排除，剩 9 个焦点场景进入核心分析。
9 个场景共 1368 个脉冲，经能量过滤剩 1242 个基线脉冲，累计声学活动 2.25 分钟。评价指标有两个。聚类专用日志错误率定义为错分脉冲加未分配已验证脉冲除以场景内全部人工验证脉冲，含非焦点发射，不含检测阶段的漏检与虚警，因此是聚类纯度上界，不惩罚同一发射者被切成多个纯净碎片，也不能直接对比语音分离的标准日志错误率。
视觉一致率定义为投影定位落在人工解剖参考点十度容限内的百分比，分水平与垂直两轴报告，十度是在本数据上保持全场景一致的最小值，覆盖水平视场约 8.5%、垂直视场约 14.5%。硬件与伦理条件按原文交代：科学潜水员手持布放、晨间作业、遵守毛里求斯海洋科研法规与海洋哺乳动物接近宪章，二零二三年航次经总理办公室大陆架部门许可。
主结果在什么条件下成立，数字如何读？
先提出比较问题：在变异系数从 0.152 到 0.720 的梯度上，纯声学聚类能否保持低误差，光学投影又在哪个轴上补齐残留模糊，公平条件是同一批人工验证脉冲与同一能量基线池，指标方向是聚类误差越低越好、视觉一致率越高越好。下表整理检测基线与会话分布，说明高召回策略的代价。
表前导读已说明比较问题与公平条件，指标方向为召回越高越好、精度损失需经人工剔除，单位按原文保留。
| 会话 | 人工验证脉冲数 | 真阳性 | 误检 | 漏检 |
|---|---|---|---|---|
| 081356 | 850 | 835 | 323 | 15 |
| 085315 | 1295 | 1261 | 184 | 34 |
| 085452 | 510 | 457 | 101 | 53 |
| 合计 | 2655 | 2553 | 608 | 102 |
表后解释：总量上召回 96.16% 是以精度 80.77% 换来的，误检主要为表面噪声并已在人工校验中剔除，因此后续聚类指标不受检测虚警污染。未胜出项是精度本身不高，若不做人工校验则无法直接部署；边界是场景 12 因漏检集中而变异系数不可信，已被排除，说明该基线只在检测完整的 9 个场景上有效。
脉冲内间隔 × 劳埃德镜效应： 脉冲内间隔本应反映体型相关的声学器官尺寸差，用于区分不同个体；劳埃德镜效应指近水面直达波与海面反射波相干相消形成频率凹口并抹掉脉冲精细结构；两者搭配解释了本研究的否定结果：在零到二米表层脉冲被抹平无法提取，在二到二十米亚表层延迟回波被误当第二脉冲形成双峰假象，加之两头五岁雄鲸理论值本就相同，因此脉冲内间隔在本数据上不可作为分离依据。
第二个比较问题是聚类误差与视觉一致率如何随重叠加剧变化。下表用原文连续句覆盖的数字整理，条件为同一九场景基线池。
| 场景复杂度 | 聚类误差 | 水平一致代表 | 垂直一致下限 | 含义 |
|---|---|---|---|---|
| 简单场景 1、2、7 | 0.0% | 100% | 96.97% | 单轨或弱背景可完美聚类 |
表后解释：主要收益是简单与中等场景零误差，且即使在场景 4 峰值误差下，轨迹级召回仍达主轨 80.99%、次轨 62.16%，说明误差集中在完全重叠段而非整轨丢失。具体代价是垂直一致在亚表层场景可跌到 21.90%，而水平一致在多个主轨保持 100%，因此最终归属依赖水平轴解决前后模糊。反例是场景 5 与 6 虽声学指派率达 83.6% 与 80.0%，但因垂直对齐导致核密度众数重叠而无法做额向归属，已从主表排除，表明声学成功不等于可部署归属。
哪些特征在何时失效，能量与谱如何补位？
论文做了事实上的特征消融式对照，不是去掉网络模块，而是比较谱、节律、能量与脉冲内间隔在不同场景的有效性。谱维度上，预白化后的轨迹内相似度 0.63 到 0.87，但在场景 3 强轨迹变形弱轨迹块，弱轨迹均值跌到 0.63 且轨迹间相似度达 0.66，谱判别力在完美重叠时丧失。
节律维度上，场景 8 因发射节律差异大而稳健，场景 1 因轨迹内减速多变而不稳，场景 4 因步间间隔杂乱直接把误差推到 25% 点七九，场景 9 两轨迹均值 0.132 秒与 0.183 秒过近也使节律受限。能量维度上，场景 9 靠 -24.0 到 -35.2 分贝的全局能量差解开节律模糊，场景 3 两轨迹能量为 -25.6 与 -26.85 分贝几乎相同而失效，且能量受离轴与身体遮挡影响不能单独依赖。
脉冲内间隔维度上，单发射者可测约 2.9 毫秒， overlapping 轨迹上出现畸变或双峰，与操作深度相关：紧贴水面零到二米为脉冲抹平，深一点为延迟回波被误当第二脉冲。场景 5 与 6 的碎片轨迹虽中位相似度达 0.896 与 0.822 及 0.71 到 0.87 区间，但后段能量下降加节律紊乱使碎片无法连接，证明纯声学在边界条件下只能做初步格式化，须靠空间验证收尾。
空间误差的四种机制与系统性垂直偏移是什么？
对 637 个过滤定位点的 2 维投影误差做四分量高斯混合，得到名义成功 361 点、比例偏差 145 点、身体遮挡与多径偏差 98 点、水平失效 33 点。类型 1 是中央收敛区，场景 7 的 66 点中 100% 落在此区，轨迹 8 的 72 点与轨迹 1 的约 91% 亦然。类型 2 是跨两轴的对角拉伸，场景 4 轨迹 5 的 105 点中有 68 点受影响，把垂直一致拉到 21.90%，解释为视场边缘时差双曲线向矩形像素投影的非线性加近平面几何压缩俯仰。
类型 3 是方向性偏置，场景 8 轨迹 9 的 41 点中 28 点与场景 9 轨迹 10 的 57 点中 41 点受影响，解释为尾向斜姿时前向主脉冲被遮挡，互相关锁到侧漏或反射分量。类型 4 是极端水平偏移，场景 3 轨迹 3 的 90 点中 23 点受影响，解释为脉冲碰撞时的互相关幻影，只污染特定重叠段而不摧毁整轨空间身份。另一系统性现象是即使名义成功区也存在 +5°到 +8°的垂直偏移，导致 6°阈值会系统性惩罚正确点而水平不受影响，因此 10°是本数据上的最小可用阈值。
论文给出几何与解剖两种非互斥解释：近平面阵列垂直基线短加异构传感器劣化俯仰估计，或处理链经能量算子锁定先到的唇端初始脉冲而非脂块远端主脉冲，后者有时间先后、离轴指向性损失与波前完整性三点物理支撑，但现有数据无法拆分两者贡献，只能视为待验证假设，且阈值是在本数据上标定的内部一致性而非外部独立验证。
复现先做什么，哪些参数必须照抄？
复现先做数据与基线对齐。按文件号 081356、085315、085452 取 3 段录音，用论文的宽松与严格两套阈值分别跑聚类与定位链：SQ26 宽松四十严格八十，C75 宽松三十严格五十五，分析窗 4 毫秒、真值容限 8 毫秒，高通 5000 赫 4 阶巴特沃斯，声速一千五百四十一米每秒，几何过滤环路与残差均为十微秒级。聚类链必须照抄一点 2 kHz 到 80 kHz、每倍频程十二分箱、4 毫秒峰对齐、9 毫秒对称块、分贝加按频带标准化的流程，以及 1 阶差分预白化只用于 SQ26 的安排。
节律窗用滑动中值正负 25% 容限加 2 次惩罚。定位链必须照抄伪逆加单位范数重建、超约束折回、前半空间正根假设，以及旋转到相机坐标再投影到一百一十八度乘六十九度视场的步骤。评价时先人工校验全部检测，再按错分加未分配除以场景验证总数算聚类误差，按十度容限分轴算视觉一致率。需补的验证是阈值跨会话泛化、十度阈值在新阵列与新个体上的重标定，以及垂直偏移的几何与解剖拆分实验，需体积阵列或已知深度声源对照。
常见误解是把聚类误差当标准语音日志错误率，或把高斯混合的 4 类当算法模块，前者已排除检测误差且不惩罚过分割，后者只是误差事后分解。代码与 Zenodo 数据本次不可达，应先用补充材料 S1 到 S4 与论文仓库说明索取脚本与已验证参考文件，勿自行编造划分。
何时值得尝试这套声视分离，还需补哪项验证？
当研究对象是同体型、同年龄、近水面身体接触的多发射者连续喀哒声，且脉冲内间隔与单阵列到达时差各自失效时，这套先单通道谱加节律解交织、再用少数可靠方向点投影到视频交会的方法值得尝试。它用非侵入便携阵列实现了 11 条交织轨迹到两头命名个体的指认，证实嬉斗期间的喀哒声串确由互动鲸发出而非周围同种背景，这是纯声学共现无法确立的。
但结论限于单二元组与单行为语境，推广到其他同尺寸个体与社会声学行为需更大、多个体数据集。部署前必须接受 3 个约束：垂直精度先天弱于水平，亚表层场景需容忍低垂直一致；近平面几何在垂直对齐与离轴远端会 elevation blinding，场景 5 与 6 即因此无法额向归属；所有视觉一致率都依赖本数据标定的十度容限与人工脂块参考点。
下一步最有价值的验证不是继续调聚类阈值，而是改进垂直孔径的体积阵列部署，并结合头姿光学数据与解剖声学模型做知情解卷积，把运动学伪影从真实发声调制中剥离。只有完成这一步，才能在多发射者互动中严谨讨论节律对话与可能的音色控制，而不把传播与遮挡误读为生物学信号。
📎 论文与评分元数据
排名：前50% | 文档类型：应用研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses