📄 把固定加权互谱换成可学习的查询键局部匹配：QK-GCC 的时延估计路径
英文题目：QK-GCC: Learnable Query-Key Spectral Matching for Robust Time Delay Estimation
标签：#声源定位 | #注意力机制 | #麦克风阵列 | #鲁棒性
评分：7.6/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Jinkai Zhang：机构信息未在 arXiv HTML 中可靠披露
- Weiye Chen：机构信息未在 arXiv HTML 中可靠披露
- Yue Huang：机构信息未在 arXiv HTML 中可靠披露
- Xiaotong Tu：机构信息未在 arXiv HTML 中可靠披露
- Xinghao Ding：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
时间延迟估计需在源波形与发声时刻未知时从两路麦克风信号推断相对时延，噪声混响下各频点可靠性差异大且单频点相位易被污染。先将双通道频谱构造为对数幅度加余弦正弦相位词元，输入共享映射与可学习频率位置嵌入进行编码，职责是学习频率可靠性加权的嵌入空间，输出查询与键表示。再将上一步输出的查询与键表示送入局部频域邻域多头缩放内积相关，职责是在邻域内聚集谱证据并分解为中心项、对称均值项与反对称差值项，输出三类一致性与方向性证据。最后将三类分量证据拼接后送入一维卷积、频率池化与多层感知机，职责是聚合为时延网格后验并分类选择最大后验时延，输出最终时延估计。与仅在广义互相关前后加神经滤波的方法不同，该设计直接学习跨通道频谱如何匹配，以范数积学习频率可靠性、以夹角余弦学习匹配度，并放宽严格逐频点配对约束。在LibriSpeech仿真混响测试集下，QK-GCC的MAE指标为5.29个采样点，低于NGCC-PHAT的MAE指标6.06个采样点。该结论适用边界限于双通道仿真、固定帧长与有限时延网格，真实录音验证与多麦克风扩展尚未验证，原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 代码相关资源：https://github.com/zhangjinkai33-ui/QK-GCC — 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，要输出什么，本文保留了什么？
本文研究的输入是两路同步麦克风信号，目标是在声源波形与发声时刻未知的前提下，仅从两路接收信号的相似性推断相对时延。这个时延是后续波达方向估计与声源跟踪的空间线索，因此帧级估计是否稳定直接影响定位质量。初学者可以把任务理解为对齐两条波形，只是对齐依据藏在频域相似性里。
广义互相关是本文保留的框架。它的做法不是直接比较波形采样点，而是把两路信号变换到频域，形成加权互谱，再按每个候选时延假设调制并跨频率累加，取相关函数的峰值作为时延。GCC-PHAT 是其常用变体，对互谱做归一化，使响应主要依赖通道间相位差。其他加权对应不同的信号与噪声谱假设。
时延估计 × 广义互相关： 时延估计负责从两个麦克风接收信号的相似性中推断相对到达时延，广义互相关则提供一条可解释的计算路径：先在频域形成跨通道谱证据，再按不同时延假设累加并取峰；前者定义目标，后者定义本文改造的基座，QK-GCC 保留后者的由匹配到时延的视图，只替换其中固定的匹配规则。
本文要解决的矛盾是手工规则在恶劣声学下失效。预定义加权不能根据当前输入判断每个频点是否可靠，严格的按频点对位相乘也不能在个别频点被污染时利用邻近证据。噪声与混响会使被污染的谱成分展宽、偏移或分裂相关峰。作者把可核对的事实限定在仿真混响房间与加性白噪声条件下，用受控的信噪比与混响时间网格评价这一失效。
本解读的输出是一条可复述的方法链：从频点表征到查询键构建，从局部匹配到时延分类头，再到训练与评价条件。凡是教学举例都会明确标为例子，不引入原文之外的数值或效果断言。代码当前可用，地址为官方仓库链接，本文写作时资源状态显示可访问。
已有路线在 GCC 管线的哪里加了学习？
按输入、目标、监督与运行阶段对照，已有学习方法大多加在 GCC 操作之前或之后。第一类是时频掩蔽与神经滤波，先增强输入信号或在 GCC-PHAT 之前滤波，再走固定的互谱匹配。第二类是子带 GCC 提取与多 GCC 融合，从多个子带或多个 GCC 表示中再做融合。第三类是参数化 GCC-PHAT 响应与学习滤波 GCC 响应，对已经形成的时延响应做建模或后处理。
这些路线与 QK-GCC 的输入输出相同，都是双通道帧到时延网格的映射，监督也多为帧级时延类别，但运行阶段不同：学习发生在匹配之外，核心的跨通道谱匹配仍是手工的。原文引用近期探针研究指出，神经时延估计器学到的是幅度感知的频率加权而非白化，这支持了可靠性加权值得学习，但并未把匹配本身变成可学习算子。
因此本文的对照点很明确：参数化 GCC 代表一类可调响应，神经滤波 GCC 代表在固定响应前加网络，固定相关代表基线。为公平比较，原文把所有可学习方法在相同训练对、相同优化器与调度、相同轮数、相同时延网格与评价协议下从头重训，不做测试房间或干扰特定的微调。其余结构按原论文保留。
手工匹配的哪两个固定点最值得改？
把 GCC 写成加权谱匹配后，问题可以拆成两个固定点。第一个是频率可靠性加权固定：每个频点的权重由预设公式决定，不能根据当前帧哪个频段被噪声淹没或被混响破坏而调整。第二个是邻域证据聚合固定：证据只来自严格对齐的同一序号频点，当该频点被污染或存在频谱泄漏时，没有机制向邻近频点借证据。
举例说明时请把下例仅当作例子：若某帧低频段相对干净而高频段被噪声压平，理想做法应压低高频权重并允许高频查询向邻近相对干净的频点求证；手工归一化做不到这种输入依赖的调整，只能给所有频点近似同等的相位话语权。
QK-GCC 的选择是保留由跨通道谱匹配估计时延的总体视图，只把固定匹配规则换成可学习的局部查询键算子。学习目标不是增强波形也不是美化响应曲线，而是直接学习两路频谱应该如何匹配。轻量是约束条件之一，模型被设计成双通道算子，而不是大容量通用注意力堆叠。
沿一个样本走完输入到输出的主路径
取 1 对双通道帧作为例子输入。两路波形分别做实数快速傅里叶变换，得到非负频率上的复谱。每个频点被表示成 3 维向量：对数幅度加相位的余弦与正弦。对数幅度提供可靠性线索，余弦正弦避免相位卷绕带来的不连续。
随后 2 通道共享同一个输入线性映射，并加上可学习频率位置嵌入，再做层归一化，得到共享嵌入空间中的隐表示。第一通道的隐表示经查询投影得到查询向量，第二通道的隐表示经键投影得到键向量。查询与键的内积作为该频点的可学习证据，替代原来的加权互谱项。
为放松对位约束，查询频点不只与同序号键频点求内积，还与正负偏移范围内的邻近键频点求内积，形成多头局部相关张量。再把偏移拆成中心、对称与反对称三分量，送入由两层 1 维卷积块、频率池化与多层感知机组成的轻量时延头，输出时延网格上的 logits。推理时取后验概率最大的网格点作为估计时延。
下面先看总体结构图，确认手工分支与自适应分支的对应关系。图前导读已说明主路径从波形到频谱到查询键再到时延分布的走向，以及手工与自适应两条路径在输入输出上的对齐方式，请按此顺序观察各模块的连接。
看图路径： 1. 沿上方面板从左右两路波形经 rFFT 到幅度相位特征再到共享线性与查询键投影确认主路径；2. 对比下面板左侧手工分支的相乘加权与逆变换与右侧自适应分支的邻域匹配在何处分叉；3. 核对局部匹配示意中查询频点与键频点偏移连线理解半径 b 的含义；4. 对比两条时延分布曲线的横轴是否同为负最大时延到正最大时延
论文图 1。原论文 Figure 1:：“Overall architecture of QK-GCC. Conventional GCC forms a delay response from a handcrafted cross-channel spectral product with predefined frequency weighting, whereas QK-GCC…”。
上图分为上下两栏。上栏显示两路波形经变换得到频谱，再经对数幅度与相位余弦正弦特征进入共享线性加位置联合归一化，分别经查询与键投影进入局部频率查询键匹配，最后经分解时延头输出时延分布。下栏左侧是手工路径：两路频谱相乘、经预设加权与逆变换得到时延响应；右侧是自适应路径：同一查询频点向邻域内多个键频点连线求匹配，再经同一类时延头输出。像素显示局部匹配矩阵的零偏移列颜色最深，说明对位证据仍占主导，但非零偏移列并非空白，这与下文局部邻域有效的结论一致。
加权与匹配如何被拆成范数与夹角？
先把 GCC 的谱证据写成加权与相位匹配的乘积形式。符号含义为：大写 X 表示频谱，加权项表示预定义频率加权，相位差的复指数表示跨通道匹配，时延为候选变量。计算目标是每个时延假设下跨频率累加的证据强度。
\[R_{12}[\tau]=\sum_{k=0}^{K-1}\Psi[k]X_{1}[k]X_{2}^{*}[k]e^{j2\pi k\tau/K},\]上式是 GCC 相关函数的定义：加权互谱经不同时延的复指数调制后求和。下一式把单频点证据拆成幅度加权与相位匹配两因子，便于与查询键内积的范数与夹角分解对照。
\[\Psi[k]X_{1}[k]X_{2}^{*}[k]=\underbrace{\Psi[k]|X_{1}[k]||X_{2}[k]|}_{\text{spectral weighting}}\underbrace{e^{j(\phi_{1}[k]-\phi_{2}[k])}}_{\text{phase matching}}.\]QK-GCC 用查询与键的内积替换上式的单频点手工项。查询与键分别来自两路信号的隐表示，内积结果作为可学习的单频点证据，后续再由时延头聚合。
\[\Psi[k]X_{1}[k]X_{2}^{*}[k]\quad\Longrightarrow\quad\langle\mathbf{q}_{1}[k],\mathbf{k}_{2}[k]\rangle,\]内积可进一步拆成范数乘积与夹角余弦。范数乘积对应原来加权与幅度乘积所起的加权作用，余弦对应跨通道匹配项。这种对应是解释性的：表示幅度学到可靠性式加权，角度相似性学到匹配。与标准注意力不同，这里没有值投影，查询键分数直接用作时延证据。
\[\langle\mathbf{q}_{1}[k],\mathbf{k}_{2}[k]\rangle=\|\mathbf{q}_{1}[k]\|\,\|\mathbf{k}_{2}[k]\|\cos\theta_{k}.\]频率加权 × 查询键匹配： 频率加权负责压低不可靠频点、突出可靠频点，查询键匹配负责度量两通道谱表示是否对应同一声源成分；二者搭配的理由是噪声与混响的破坏具有频率选择性，必须先判断哪个频点可信再判断是否匹配，QK-GCC 把范数乘积学成可靠性因子、把夹角余弦学成匹配项，从而得到加权与匹配的可学习对应物。
频点输入与嵌入构造使用对数幅度与相位余弦正弦的拼接，再经共享映射加位置嵌入与归一化得到隐表示，最后分别投影为查询与键。局部相关在多头下计算，每个头的查询频点与偏移后的键频点求内积，再除以头维度的平方根并乘以可学习的正缩放。偏移范围覆盖负半径到正半径，边界用零填充。
\[C_{h}[k,\delta]=\frac{\exp(\alpha_{h})}{\sqrt{d_{h}}}\left\langle\mathbf{q}_{1,h}[k],\mathbf{k}_{2,h}[k+\delta]\right\rangle,\quad\delta\in[-b,b],\]幅度相位频率表征 × 位置嵌入： 幅度相位频率表征负责给出每个频点的可核对输入，幅度经对数压缩作为可靠性线索，相位用余弦正弦避免卷绕；位置嵌入负责告诉模型当前是哪个频率序号，因为不同频段的噪声敏感性和混响行为不同，二者相加后再做归一化，使同一套查询键投影能在共享空间中区分频率身份并比较跨通道内容。
局部频率邻域 × 对称反对称分解： 局部频率邻域负责放松严格的对位相乘，允许一个查询频点向两侧偏移的键频点收集证据，以应对频谱泄漏和个别频点被污染；对称反对称分解负责把这些偏移证据拆成中心项、邻域一致项和方向不对称项，前者保留对位信息，后两者分别刻画邻域共识与偏移方向性，再一起送入时延头，构成有结构先验的聚合方式。
监督从哪里来，参数如何更新与推理？
训练被表述为时延网格上的分类问题。候选集合为从负最大时延到正最大时延的整数网格，每个训练帧有由仿真几何决定的真值时延类别，模型输出对应网格的 logits，用交叉熵训练。推理时选择后验概率最大的网格点，不做额外的峰值插值或后处理搜索。
时延网格分类 × 交叉熵训练： 时延网格分类负责把连续时延估计转成离散候选集合上的选择问题，推理时取后验概率最大的网格点；交叉熵训练负责为每个训练帧提供真值时延类别的监督信号并更新从输入映射到查询键再到时延 logits 的全部可学习参数，二者组合使模型直接优化帧级判别能力，而不是先回归波形再间接求时延。
优化器按原文交代为 Adam，批量与初始学习率与余弦衰减均有明确配置，训练多轮。所有可学习方法在相同训练对与相同调度下重训，以保证比较条件一致。随机通道交换加时延符号翻转被用作数据增强，目的是让模型不依赖固定的通道顺序。
需要指出的缺项是原文未报告梯度是否在某些分支截断、位置嵌入与投影矩阵是否有冻结阶段、以及每轮是否重置采样器状态。未报告时不应从模型名称推定实现，复现时应按全部参数可更新、监督仅来自真值时延类别来实施，并在记录中注明这些缺项。若需与事后最优值比较，必须另行标注，不能把搜索最优当作可部署收益。
数据、房间、指标与比较条件如何固定？
干净语音来自公开语音集，按说话人不相交划分训练、验证与测试集。经基于语音活动的静音去除后，取固定长度帧并做固定点数变换。训练与测试房间尺寸与阵列位置不同，声源位置在各自房间内均匀采样。训练时混响与信噪比在区间内均匀采样并加白噪声，生成约十万量级训练对。
下表把可直接核对的帧配置与模型容量整理成宽表，数值与单位均来自原文连续句，不逐格追加百分号或改写精度。比较前先确认输入帧长、变换点数与默认嵌入配置是否一致，这是复现公平性的前提。
| 配置项目 | 帧与变换 | 时延网格界 | 嵌入维度 | 头数配置 | 训练预算 |
|---|---|---|---|---|---|
| 输入与模型 | 2048-sample frames with a 4096-point FFT | with tau max equals 23 | d equals 128 | H equals 4 heads with dh equals 32 | 30 epochs using Adam with batch size 32 |
| 邻域与优化 | local bandwidth of b equals 8 | 418K vs 322K capacity reference | initial learning rate 10 minus 3 | cosine decay schedule | same delay grid for all methods |
上表覆盖了复现必须固定的信号条件与容量条件。帧长与变换点数决定了频率分箱数与时延分辨率，嵌入与头数决定了查询键维度，邻域半径决定了局部匹配宽度，优化调度决定了收敛条件。缺少验证集规模与具体房间混响实现细节时，应注明为缺项而不自行补数。复现时应先按此表锁定配置，再做消融，避免同时改多个变量导致无法归因。
主结果测什么，在什么条件下与谁比？
评价指标为以采样点为单位的误差，以及传播距离误差在限定厘米内的百分比。其中距离误差由时延误差乘声速除采样率得到。原文明确把平均绝对误差与限定距离准确率作为定位质量的主要指标，均方根误差用于反映大偏差的敏感性。测试网格覆盖多个信噪比档与多个混响时间档的组合。
下图按信噪比平均全部混响与按混响平均全部信噪比展示限定距离准确率。图前先确认纵轴是原始准确率百分比而非相对改变量，横轴分别为信噪比分贝与混响时间秒，图例区分 4 种方法，请按此顺序核对曲线高低与间距变化。
看图路径： 1. 先确认左图横轴为信噪比右图横轴为混响时间纵轴同为准确率百分比；2. 按图例区分 GCC 与 PGCC 与 NGCC 与 QK-GCC 四条曲线的标记形状与线型；3. 观察低信噪比端与长混响端各方法间距是否拉大判断困难条件下谁下降更慢
论文图 2。原论文 Figure 2:：“Acc@10cm under varying (a) SNR averaged over all T_60 and (b) reverberation time averaged over all SNR.”。
像素显示红色 QK-GCC 曲线在左图各信噪比档均位于最上方，且在低信噪比端与其他方法的间距最大；在右图随混响时间增大而下降，但斜率比固定相关更平缓，在长混响端仍保持相对领先。左图固定相关曲线在高信噪比端趋平甚至略降，说明固定加权在干净条件下也未必最优。不能把末端一点推广为全程，也不能把曲线向下直接读成单帧性能变差，纵轴是平均准确率，下降表示平均正确率降低。
原文报告的主结果趋势是 QK-GCC 在多种子平均下取得更低误差与更高限定距离准确率，且在可学习方法中参数较少。零样本测试把声源换成训练未见的音乐与噪声片段但保持声学仿真不变，原文报告 QK-GCC 在两类新声源上仍保持领先，这支持模型学到可复用的跨通道谱对应，而不只是语音特定模式。但这仍是仿真条件下的有限解释，未验证真实录音，因此只能表述为支持而非证明泛化因果。
拿掉哪部分会变差，邻域多宽才合适？
消融要回答的问题是增益来自容量还是来自跨通道匹配结构，以及幅度线索、偏移分解与邻域宽度各自的作用。公平条件是除被消融部件外其余结构与训练不变，指标方向为限定距离准确率越高越好，比较对象均为实际可运行的变体，不引入搜索最优或事后最优值。
| 消融条件 | 容量对照 | 指标名称 | 完整配置值 | 消融后值 |
|---|---|---|---|---|
| 结构对照 | 418K vs 322K | 52.35 Acc at 10cm for generic transformer | 66.90 full model | 52.35 generic transformer |
| 输入线索 | same magnitude-phase tokens | 66.90 to 62.48 after removing magnitude | 66.90 full model | 62.48 without magnitude |
| 偏移分解 | same delay grid | lowers accuracy to 64.08 after removing decomposition | 66.90 full model | 64.08 without sym asym |
| 通用结构 | standard self-attention baseline | 52.35 Acc at 10cm reference | 66.90 full model | 52.35 generic baseline |
| 可靠性解释 | phase-only insufficient | magnitude provides reliability information | 66.90 full model | 62.48 phase only |
上表显示完整配置在代表性种子下取得较高准确率，未胜出项包括通用谱变换器的较低准确率、去幅度的下降以及去对称反对称分解的下降。通用结构参数量更大但准确率更低，说明增益不能只用容量解释。去掉幅度线索与去掉分解都会降低准确率，其中相位主导匹配不足以维持性能，显式偏移分解为时延头提供了有用的结构先验。
下图从可解释性角度补充反证。图前先确认左面板横轴为频率赫兹纵轴为归一化权重，中面板横轴为频率偏移纵轴为归一化能量，右面板纵轴为能量占比，三者条件分别标注不同信噪比与混响组合，不能混为同一条件。
看图路径： 1. 在左面板比较相干曲线与 QK-GCC 范数权重曲线与水平均匀加权虚线随频率的变化趋势；2. 在中面板按图例区分四个头的能量随偏移的变化找出中心凹陷与边缘抬升的头；3. 在右面板按头比较中心与对称与反对称三类能量占比确认后两者是否不可忽略
论文图 3。原论文 Figure 3:：“Interpretability analysis of QK-GCC. (a) Learned norm weighting and inter-channel coherence; (b) normalized per-head energy across frequency offsets; (c) center, symmetric, and…”。
像素显示左面板 QK-GCC 范数权重随频率衰减的形状贴近通道间相干曲线，而均匀相位加权为水平虚线；中面板不同头的能量随偏移变化形态不同，有的头中心凹陷、边缘抬升，说明邻域偏移被实际使用；右面板各头的对称与反对称分量占比不可忽略，中心分量反而较小，这与显式偏移分解为时延头提供结构先验的说法一致。
邻域宽度的比较问题是多宽的局部聚合最有效，公平条件是除半径外其余不变，指标方向仍为限定距离准确率越高越好。下表整理原文连续句中直接报告的半径对照，保留实际可运行的半径取值。
| 邻域条件 | 半径取值 | 指标名称 | 半径 8 与 16 值 | 半径 0 与 32 值 |
|---|---|---|---|---|
| 零邻域 | b equals 0 drops to 60.99 | 60.99 Acc at 10cm | 66.90 at b equals 8 | 60.99 at b equals 0 |
| 中等邻域 | b equals 8 versus 16 | 66.20 vs 66.90 close | 66.90 at b equals 8 | 66.20 at b equals 16 |
| 过宽邻域 | b equals 32 falls to 63.85 | 63.85 Acc at 10cm | 66.90 at b equals 8 | 63.85 at b equals 32 |
| 容量参考 | 418K vs 322K | 52.35 Acc at 10cm | 66.90 full model | 52.35 generic |
| 输入参考 | 66.90 to 62.48 | 62.48 without magnitude | 66.90 full model | 62.48 phase only |
上表显示中等邻域内聚合有效，过宽反而引入无关证据。半径为零时下降明显，半径十六时接近半径八，半径三十二时回落，说明局部聚合在适度宽度内最有效。限制是该表来自单一种子，不能当作多种子均值与方差，总体趋势不等于每组每步都成立。
哪些边界本文没有测，不能承诺什么？
原文明确的未验证边界是真实录音与多麦克风阵列。所有训练与测试均用房间仿真方法生成，噪声为加性白噪声，房间、阵列位置与声源采样受控。零样本只换了声源类型为音乐与噪声片段，未换房间建模方式、未引入真实混响脉冲响应与设备噪声。因此不能承诺在真实会议室或户外阵列上的误判率、输出帧率与实际延迟同样改善。
指标层面的限制是只报告了时延误差与限定距离准确率，未测量计算延迟、内存峰值随帧长的变化，也未报告不同信噪比与混响组合下的方差分解。训练资源与推理开销分开讨论：参数量与浮点运算量小不等于端到端延迟一定低，因为变换、局部相关与卷积头的访存与实现效率未被测量。
方法层面的缺项包括频率位置嵌入的外推能力、零填充边界在高频端的偏差、以及多头缩放因子的初始化敏感性。原文未给出这些实现细节的对照，复现时应保留默认半径与多头配置先跑通，再单独扰动一项并记录变化，不从名称推定梯度路径或冻结策略。
复现先锁定什么，再跑什么验证？
先锁定信息条件：双通道固定采样帧、固定点数变换、3 维幅度相位表征、共享输入映射加可学习频率位置嵌入与层归一化、查询键投影、默认半径的多头局部匹配、对称反对称分解、卷积加频率池化加感知机的时延头、有界时延网格分类。优化按批量与初始学习率与余弦衰减跑多轮，数据增强做随机通道交换加时延符号翻转。
第一步用相同仿真生成小规模训练对，检查时延头能否过拟合小批量，确认监督信号与网格映射无符号错误。第二步按默认配置全量训练，核对限定距离准确率随信噪比与混响的变化趋势是否与原文一致，而不是只核对单点均值。第三步再做最小消融：半径置零、去幅度、去分解各跑 1 次，确认下降方向是否复现。
代码当前可用，官方仓库链接在摘要中给出，资源状态为可访问。但可用不等于权重可下载或开箱可运行，复现前需核对仓库中的数据生成脚本、依赖版本与预训练权重是否提供。若仓库不可达或缺脚本，应明确记录为本次未能确认可达或缺项，不自行编造划分或超参数来补齐。
何时值得尝试这种匹配，还需补哪项验证？
当你的时延基线在低信噪比或长混响下出现峰展宽、分裂，且已试过输入增强与响应后处理仍不稳定时，值得尝试把匹配本身换成可学习的局部查询键。它的适用条件是双通道同步帧、频域可分箱、时延可离散成网格；若阵列未校准同步或存在严重采样漂移，应先解决同步再谈匹配。
复现成功的标志不是单点超过某个阈值，而是同时看到三件事：范数权重与通道间相干呈正相关、非零偏移能量被实际使用、对称与反对称分量占比不可忽略。若只看到准确率上升但三者都不成立，则增益可能来自训练细节而非匹配结构，需回到公平重训条件复查。
还需补的验证是真实录音上的帧级精度与端到端延迟，以及定向噪声与移动声源下的稳定性。只有在这些条件下仍保持一致的平均绝对误差与限定距离准确率优势，才能把仿真中的判断推广为部署建议。在此之前，本文的结论应表述为仿真范围内的报告，困难条件下的领先为趋势性支持，仍待真实数据验证。
📎 论文与评分元数据
排名：前25% | 文档类型：方法研究 | 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