📄 用平面图批量造出多房间语音房：AcousticAgent 解读
英文题目：AcousticAgent: A Floorplan-Centric Simulation Platform for Distributed Multi-Room Speech Processing
评分：7.0/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Zhiqi Ai：机构信息未能在本次解析中与作者逐人可靠绑定
- Han Cheng：机构信息未能在本次解析中与作者逐人可靠绑定
- Shiyi Mu：机构信息未能在本次解析中与作者逐人可靠绑定
- Yongjin Zhou：机构信息未能在本次解析中与作者逐人可靠绑定
- Shugong Xu：机构信息未能在本次解析中与作者逐人可靠绑定
📌 核心摘要
住宅远场跨房间语音随房间拓扑、几何、连通性和表面声学变化，单麦克风难覆盖整屋，需由户型生成多通道房间脉冲响应与混响音频支撑评测。AcousticAgent将结构化向量、栅格图或自然语言户型统一为房间多边形、墙体洞口与家具的可编辑场景，图像文本经可选大语言与视觉模型解析后归一，材料库按语义赋予六个倍频带参数作为求解条件。混合求解器枚举有效洞口门户路径求解直达透射绕射，以接收端蒙特卡罗射线追踪累积早中期反射并用反馈延迟网络合成晚期混响，卷积干声得混响音频，静态几何材料连通性不变时仅重算传播即复用于不同声源与布设。在混入空间MUSAN音乐干扰与30 dB设备噪声的整屋房间分类中，每房一麦克风的GCC-FP在20、10、5 dB下准确率为92.5%、89.9%、84.0%，高于同布设GCC-Euclidean的81.9%、80.6%、76.5%，以约四分之一通道接近每房一阵列的94.4%、90.0%、85.2%。在65、55、30 dB声压级校准混合且同一多通道维纳滤波下，GCC-FP所选四通道湿测PESQ为3.175、STOI为0.968，高于固定客厅阵列的2.561和0.899。在五间或十间房带家具与空房、8192至131072条射线下，Numba吞吐5.80至12.86个RIR每秒，CUDA为12.29至14.47个RIR每秒并高于前者，测于Xeon Gold 6346与单张RTX 4090，异步设备等尚未验证。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
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
住宅语音为什么一个麦克风不够用
住宅语音交互的输入是远场带混响的麦克风信号，目标是在说话人可能跨房间、被家具遮挡、与麦克风隔墙时仍能定位、增强和识别。必须保留的信息包括房间布局与连通关系、表面材料造成的频率相关衰减、声源与麦克风的相对几何。输出是每个通道的房间脉冲响应以及与干声卷积后的多通道混响语音。
单个固定麦克风的问题在于覆盖不均匀：离得近的房间直达声强，隔墙房间只剩绕射与透射，能量与混响结构完全不同。分布式麦克风的思路是在多个房间各放观测点，用空间互补来稳定整屋覆盖。但要系统评价这种思路，需要大量不同户型、材料、收发位置的组合，靠实地录音逐套部署成本太高。
已有仿真工具处在两个极端：一类在参数化房间里快速生成房间脉冲响应，但要人工逐个指定几何材料与设备位置，难以批量构造不规则多房间户型；另一类基于预先建好的 3 维场景做几何声学渲染，场景资产本身难以大量编辑与变化。论文因此把结构化平面图作为中间表示，因为它既紧凑记录房间语义与连通，又易于从图像解析或按约束生成，再补上家具、材料、声源麦克风与跨房间传播模型即可形成声学场景。
已有仿真与分布式语音处理处在什么位置
声学仿真按原理可分为波动法与几何声学法。波动法直接求解波动方程，能表现干涉、绕射与房间模式，但场景变大、频率升高时计算量增长很快。几何声学用几何路径近似传播，镜像源、声线跟踪与路径跟踪都属于这一路线，适合高效生成多通道脉冲响应。
工具层面，RIR-Generator 与 gpuRIR 面向参数化房间的镜像源仿真，FRAM-RIR 与 Pyroomacoustics 兼顾多通道与阵列处理，Steam Audio、SoundSpaces 2.0 与 SonicSim 面向 3 维场景的几何渲染。它们在单房间或给定场景渲染上已经可用，但缺少把大量可编辑住宅平面图系统转成声学多房间场景的链路。
分布式多麦克风已有定位、波束形成、增强与分离研究，以及结合关键词、声纹与语音识别的多设备前端。DIRHA-English、FFSVC 2020 与 Libri-adhoc40 等实测语料保留了真实传播与设备效应，但覆盖的户型与布设有限。本文的定位是补上可控大规模仿真一环，而不是替代实测：在同一任务、同一评价规则下提供可复现的多户型对照，结论能否搬到真实房屋仍需实测验证。
论文要解决的具体构造难题是什么
论文解决的是如何低成本构造大量可编辑、声学连通的多房间住宅场景，并从中批量生成多通道房间脉冲响应与混响语音。输入可以是结构化平面图、光栅平面图图像、自然语言描述或从住宅平面图库中采样，输出是可复用的 3 维声学场景加按需生成的脉冲响应。
难点在于平面图本身只有 2 维几何与语义，缺三样东西：家具作为遮挡与反射体，语义到声学系数的映射，以及房间内与跨房间的统一传播计算。若只做单房间混响，会丢失穿门路径、隔墙透射与耦合衰减；若每个场景都手工建模，又无法做到一万量级的户型覆盖。
因此作者把可复用场景内容与动态收发配置解耦：几何、连通、家具与材料建一次可多次复用，声源位置、朝向、指向性、运动轨迹与麦克风布局每次按需指定，只重算与收发有关的传播。这种分工是理解后文效率与复用结论的关键。
平面图到多通道脉冲响应的总流程是怎样的
总流程分 4 段。第一段把 3 类输入统一为显式可编辑场景表示；图像与文本可借助外部大模型做结构解析，但最终都归一化为同一表示。第二段用面向场景的声学材料数据库把语义元素转为六频带吸收、散射与透射系数。第三段用平面图感知的混合几何声学求解器计算传播，兼顾直达、门户路径、绕射、早中期反射与晚期混响。第 4 段按声源与麦克风配置渲染单通道、双耳、阵列或分布式多房间观测。
下图是全文总览，建议先沿主路径看输入如何变为 3 维场景再进入求解器，然后对照左下材料支路与右栏 3 路求解的汇合点。
看图路径： 1. 先看左上三类输入如何汇入房间规划器并统一为结构化平面图；2. 再看左下材料映射如何把多源材料库转为六频带参数；3. 最后沿右栏三路求解器看离散脉冲、早反射与晚期混响在哪里汇合输出
论文图 1。原论文 Figure 1:：“Overview of AcousticAgent. AcousticAgent transforms floorplan images, natural-language descriptions, or sampled residential layouts into editable multi-room acoustic scenes with…”。
从图中可见，红色主线从结构化平面图经 3 维实例化进入求解器输入，材料支路从多源材料库经材料映射汇入同一求解器；求解器内部编号 1、2、3 分别对应确定性传播、早反射与晚期混响，最终经等功率交叉淡入淡出与接收端渲染输出脉冲响应，再与干声卷积得到湿声。底部还展示了静态与运动声源、全向与心形等指向性、分布式麦克风与双耳阵列等接收类型的可配置性。
结构化平面图 × 房间连通图： 结构化平面图负责记录房间多边形、墙体、门窗开口和家具等可编辑语义，房间连通图负责记录房间之间经由开门或无墙开口能否连通；前者提供几何与语义素材，后者把跨房间传播变成可在图上枚举的门户序列，两者组合后求解器才能区分同房间直达与跨房间绕行路径。
结构化平面图如何变成可计算的三维声学场景
结构化平面图被定义为房间、墙体与其他边界元素、门窗与无墙开口、家具四元组。每个房间有其多边形边界、语义类型与高度，室内开口连接相邻房间并诱导出房间连通图，显式区分房间内关系与跨房间关系。
\[\mathcal{P}=(\mathcal{R},\mathcal{W},\mathcal{O},\mathcal{F}),\]上式是要计算的对象声明：平面图不是一张像素图，而是 4 个集合的结构体，后续门户枚举与可见性校验都直接操作这些集合。由 2 维布局实例化 3 维时，墙、天花板、地板与建筑开口按平面图几何生成，家具作为参与遮挡与反射的语义几何插入，既保留平面图的紧凑可编辑性，又补足声学计算需要的 3 维结构。
确定性传播 × 蒙特卡洛声线跟踪： 确定性传播负责计算少数重要到达，包括直达声、透射、经由门户序列的跨房间路径和非视距边缘绕射；蒙特卡洛声线跟踪负责从听者侧发射大量声线并累积早中期反射能量形成分频能量图；前者保住几何上关键的稀疏脉冲，后者补足密集但仍可跟踪的中段反射，两者分工后才交给参数化晚期混响。
图像与文本输入的处理值得单独说明。外部视觉语言模型只做几何解析，把用户提供的平面图图像或房间描述转成符合模式的房间多边形、开口、尺度与连通的 JSON 表示；系统再校验拓扑、归一化坐标、解决共享边界，把相邻房间之间的合法开口转为声学门户。材料采样、传播与混响仍由确定性组件在固定随机种子下完成，视觉语言模型不预测声学系数也不合成脉冲响应，因此自定义场景链路是可审计的。
语义家具与材料如何变成每频带的数值
为连接语义与声学仿真，论文引入包含 3741 条归一化记录、覆盖 20 类场景元素的声学材料数据库，整合了 PTB 吸收数据库、ODEON 材料库、Pyroomacoustics、SoundSpaces 2.0 与 Acoustic Supplies 等来源的倍频带数据，覆盖墙、地板、门、玻璃、窗帘与软包家具等常见住宅元素。每条记录保存规范名、来源、倍频带吸收系数与辅助描述，实测散射与透射保留，缺失时用可编辑的类别预设补齐。
\[\boldsymbol{\theta}_{i,b}=\left(\alpha_{i,b},\sigma_{i,b},\tau_{i,b}\right),\qquad b\in\mathcal{B},\]上式说明每个场景元素在每个频带的声学状态是吸收、散射、透射 3 个系数的三元组，频带集合为 125、250、500、1000、2000、4000 赫兹。候选材料先受元素语义约束，再可经可选的大模型匹配细化，但最终赋值显式存于场景并可手工修改，从而把语义描述确定地转为数值参数，而不把求解器与特定识别模型耦合。
声学材料数据库 × 六频带声学参数： 声学材料数据库负责把墙、地板、门、玻璃、窗帘、软包家具等 20 类语义元素映射到可查的实测或预设材料记录，六频带声学参数负责把每条记录落实为 125 到 4000 赫兹各频带的吸收、散射和透射系数；前者解决语义到材料的命名与来源问题，后者解决求解器在每个频带实际要用的数值问题。
家具在此不只是视觉资产。附录例子固定声源接收位置与材料种子，只增减 24 件自动布置的语义家具，结果是带家具房间的脉冲响应尾部衰减更快，湿语音中事件间残留能量更少，因为床、沙发、地毯等引入了额外吸收与散射面积。这说明家具参与了遮挡、反射与吸收计算，会同时改变传播路径的空间分布与宽带混响特性。
混合求解器如何拼出完整脉冲响应
求解器输入是场景几何、材料参数与一组收发状态，采用确定性传播加蒙特卡洛声线跟踪加参数化晚期混响的混合结构。房间连通图指导跨房间门户搜索，3 维场景用于校验可见性、遮挡与几何交互。确定性部分处理可感知的少数到达，包括视距直达、透射、经门与无墙开口的传播，以及非视距下的边缘绕射近似；门户序列先在房间图上枚举再用几何校验，只保留每段无碰撞且穿过指定开口的路径。
早中期反射用以听者为中心的蒙特卡洛声线跟踪建模，每次表面交互按频率相关吸收与透射衰减能量，按散射控制镜面与漫反射比例，结果累积为分频能量图。晚期混响用反馈延迟网络合成，其衰减由经 Schroeder 反向积分得到的分频混响估计约束。最终每个接收通道、声源状态与频带的混合响应是三项之和，跟踪与参数尾之间在重叠区做等功率过渡。
\[\begin{split}h_{q,k,b}[n]={}&h^{\mathrm{det}}_{q,k,b}[n]+w_{\mathrm{rt}}[n]h^{\mathrm{rt}}_{q,k,b}[n]\\ &+w_{\mathrm{late}}[n]h^{\mathrm{late}}_{q,k,b}[n],\end{split}\]上式要计算的是分频带混合脉冲：确定性到达保证重要几何路径不丢失，声线跟踪提供早中期密度，参数化尾部避免在整个衰减期做高阶稠密路径跟踪。分频响应最后合成为全频带多通道脉冲响应。这种分解的代价是近似：绕射用类一致性绕射理论启发的频变偏折响应，晚期用统计相位与滤波器组近似，换来的是可在大批量户型上高效生成。
房间脉冲响应 × 混响语音： 房间脉冲响应描述从声源状态到每个麦克风通道的线性传播滤波器，混响语音是干声信号与该滤波器卷积后的可听结果；前者只与场景几何材料和收发位置有关且可复用，后者才引入具体语音内容，两者分离后同一场景可以换说话内容、换麦克风布局而只重算传播部分。
声源与接收配置独立于静态场景。声源状态含位置、朝向、指向性、发射信号与可选运动轨迹，支持全向、1 阶常见指向性与聚焦辐射；运动声源沿用户轨迹按声学关键帧采样。接收端支持单麦克风、双耳、紧凑阵列与跨房间任意位置朝向的分布式麦克风，阵列元共享局部坐标，分布式麦克风可独立布放。对含 K 个声源状态与 Q 通道的配置，输出是 K 乘 Q 乘长度 L 的脉冲响应张量，静态仿真是 K 等于 1 的特例；干声卷积后即得静态或时变多通道混响音频。
没有神经网络训练时 FP-RIR 数据集是如何构造的
本研究没有训练新的神经网络，实际执行的构造是仿真与数据组织。作者用该平台构造 FP-RIR，包含来自 ResPlan 的 15376 个已校验住宅平面图，共 120150 个房间与 107595 个开放室内门户。每个平面图按语义分配六频带材料，在无碰撞区域采样收发位置；每个平面图生成两个同房间单声道配置与至多 3 个跨房间 4 通道圆阵配置，跨房间收发对覆盖不同拓扑距离且只保留经合法开放门户序列连通的样本。
下图展示数据集的结构与声学多样性，先看房间数分布的集中区间，再看混响时间的峰值与长尾。
看图路径： 1. 看左图房间数分布峰值落在 6 到 8 间及尾部到 14 间的形态；2. 看右图宽带混响时间中位数虚线与长尾到 3 秒以上分组的比例
论文图 2。原论文 Figure 2:：“Structural and acoustic statistics of FP-RIR.”。
左图房间数覆盖 2 到 14 间，中位数为 7 间，峰值在 7 间附近；右图由生成脉冲响应估计的宽带混响时间中位数为 0.84 秒，95 分位为 1.48 秒，超过 3.0 秒的值并入最后一档。这种多样性来自房间几何、材料赋值与跨房间连通的联合变化，是后文整屋基准能在不同户型规模上展开的前提。需要强调的是，这里的混响时间是从合成脉冲响应反估的刻画，不是独立实测分布，不能直接当作真实住宅的普查结论。
仿真保真度与整屋基准是在什么条件下测的
保真度验证用 dEchorate 实测数据，按距离分层抽样选 10 个收发配置，重建文档记录的房间几何并在所有位置用固定材料配置，对比 500 赫兹到 4 千赫兹平均的直接混响比与混响时间，分别考察空间能量平衡与衰减。效率测试在 5 房间与 10 房间的带家具与不带家具场景上，用 Numba 与 CUDA 后端测端到端生成吞吐，配置从 8192 条声线 32 次反弹到 131072 条声线 96 次反弹，硬件为 Intel Xeon Gold 6346 CPU 与单张 NVIDIA RTX 4090 GPU。
整屋定位与增强用留出的住宅平面图，房间数 4 到 12 间各 10 套共 90 套，每房间采样 3 个声源位置，另用不重叠的 45 套只做超参数校准。每个声源位置生成到整屋所有通道的全局同步多通道观测，每房间一麦时通道数为房间数，每房间一阵时为 4 倍房间数。目标与 MUSAN 音乐干扰经各自脉冲响应传播后混合，定位实验按 20、10、5 分贝混合信噪比，独立设备噪声按等效声压 30 分贝加到各通道；增强实验则把目标、干扰与设备噪声标定为 65、55、30 分贝声压级的源级，接收端信噪比随几何自然变化。
下图是保真度验证的可视依据，重点看两条曲线的走向一致性而非单点数值。
看图路径： 1. 对比左图十个位置上仿真与实测直接混响比随距离下降的走向；2. 对比右图混响时间两条曲线的绝对偏差与仿真三次运行的误差棒
论文图 3。原论文 Figure 3:：“Validation against dEchorate measurements.”。
左图直接混响比随位置变化的仿真与实测走向接近，论文报告平均绝对误差 1.638 分贝、皮尔逊相关 0.971；右图混响时间仿真平均绝对误差 0.016 秒、平均相对误差 2.46%。仿真结果是三次独立运行的平均，误差棒为一次标准差。该结论成立的条件是几何重建准确且材料配置固定一致，一旦换户型、换材料或存在未建模的动态开门状态，误差会重新变化。
分布式麦克风在定位与增强上带来多大变化
定位任务报告声源房间分类准确率，比较固定客厅 4 通道圆阵、每房间一麦的欧氏与平面图感知两种时延匹配、对应的 SRP 转向，以及每房间一阵的高通道基线。增强任务比较固定客厅阵列、从每房间一麦中选 4 通道、从每房间一阵中选 12 通道，统一用同一参考通道多通道维纳滤波，目标与噪声协方差用仿真分离的信号分量估计，因此是目标已知的部署方式上界而非盲增强系统；湿 PESQ 与湿 STOI 以参考通道混响目标为基准并在平面图上宏平均，PESQ 与 STOI 都是越高越好。
下表比较整屋声源房间定位，指标方向为准确率越高越好，信噪比越低条件越难。
| Method | Mics | 20 dB | 10 dB | 5 dB |
|---|---|---|---|---|
| Living-room array | 1×4 | 18.9 | 20.1 | 18.1 |
| GCC-Euclidean | R×1 | 81.9 | 80.6 | 76.5 |
| GCC-FP | R×1 | 92.5 | 89.9 | 84.0 |
| SRP-Euclidean | R×1 | 77.7 | 75.0 | 70.6 |
| SRP-FP | R×1 | 81.8 | 80.0 | 76.8 |
| Distributed arrays | R×4 | 94.4 | 90.0 | 85.2 |
表中固定客厅阵列在三档信噪比下仅 18.9%、20.1%、18.1%，说明单房间阵列难以覆盖整屋。每房间一麦时平面图感知 GCC 在 20、10、5 分贝下为 92.5%、89.9%、84.0%，持续高于欧氏 GCC 的 81.9%、80.6%、76.5%，也高于同通道数的 SRP 变体；它以约 1/4 通道数接近每房间一阵基线的 94.4%、90.0%、85.2%。限制是该增益依赖连通图与门户几何正确，若户型解析错门洞开闭或家具遮挡未建模，路径长度就会偏离。
下表比较增强后冻结 Whisper 模型的整屋语音识别，指标为词错误率 WER 且越低越好，比较固定客厅阵列前端、平面图感知所选 4 通道前端与分布式阵列前端。
| Model | Living array | GCC FP | Distributed arrays |
|---|---|---|---|
| Whisper Tiny | 70.33 | 22.93 | 19.91 |
| Whisper Small | 34.84 | 9.27 | 7.63 |
表中分布式阵列对两种模型整体最优，Tiny 与 Small 的 WER 分别为 19.91% 与 7.63%；用平面图感知选出的 4 通道分别为 22.93% 与 9.27%，持续优于固定客厅阵列的 70.33% 与 34.84%。限制是该表只报告冻结模型与干净配对之外的增强语音结果，未比较盲估计协方差下的前端，通道增多带来的计算与同步代价也未计入。
增强后的语音识别与声纹验证改善是否一致
下游实验复用增强场景、源级标定混合、麦克风布设与维纳滤波前端，增强信号送入冻结的 Whisper Tiny 与 Small 做语音识别，用 1000 条 LibriSpeech 测试集干净 utterances；声纹用冻结的 CAM++ 与 ERes2Net，在 1000 个 VoxCeleb1 验证对上以干净注册语音为基准。冻结意味着下游模型参数不更新，只考察前端改善能否直接传递。
下表比较不同前端后的词错误率，数值越低越好，重点看固定阵列与分布式前端的相对变化。
| Model | Living array | GCC FP | Distributed arrays |
|---|---|---|---|
| Whisper Tiny | 70.33 | 22.93 | 19.91 |
| Whisper Small | 34.84 | 9.27 | 7.63 |
表中分布式阵列对 Tiny 与 Small 均为最低，分别为 19.91% 与 7.63%，相对固定客厅阵列的 70.33% 与 34.84% 下降约 71.7% 到 78.1%；平面图感知选麦的 4 通道也大幅降至 22.93% 与 9.27%。这支持分布式捕获改善识别的判断，但条件是混响目标评价与仿真混合，若换真实房间脉冲响应或真实噪声，绝对词错误率会不同。
下表比较声纹验证的等错误率与最小检测代价，同样越低越好，参数为目标先验 0.01、漏检与虚警代价均为 1。
| Model | Living array | GCC FP | Distributed arrays |
|---|---|---|---|
| CAM++ | 4.8 / 0.330 | 2.2 / 0.086 | 1.8 / 0.064 |
| ERes2Net | 6.2 / 0.278 | 1.8 / 0.158 | 1.6 / 0.146 |
表中固定阵列的 CAM++ 为 4.8% 与 0.330、ERes2Net 为 6.2% 与 0.278；平面图感知 4 通道降至 2.2% 与 0.086、1.8% 与 0.158；分布式阵列进一步降至 1.8% 与 0.064、1.6% 与 0.146。2 模型趋势一致，说明增益不只针对某一声纹结构。但同样基于仿真上界前端与干净注册，注册含混响或设备失配时的表现仍待验证，未胜出项是固定阵列在所有下游指标上均明显落后，不应作为整屋基线。
平面图感知与房间规模分别改变了什么
先看转向方式的对照。定位中 GCC-FP 与 SRP-FP 分别持续高于 GCC-Euclidean 与 SRP-Euclidean，增强中 GCC-FP 选麦也小幅高于欧氏选麦。机制是欧氏直线在隔墙时穿墙而过，低估真实绕行长度，导致时延匹配错位；平面图感知用合法门户路径长度换算时延，更接近跨房间传播。
\[d_{i}^{\mathrm{FP}}(\mathbf{x})=\min_{\pi\in\mathcal{P}(\mathbf{x},\mathbf{m}_{i})}L(\pi),\]上式定义平面图感知距离为候选位置到麦克风之间所有几何合法门户路径的最小长度，是把连通约束显式写入距离的关键。
\[\tau_{ij}^{\mathrm{FP}}(\mathbf{x})=\frac{d_{i}^{\mathrm{FP}}(\mathbf{x})-d_{j}^{\mathrm{FP}}(\mathbf{x})}{c},\]上式再把两个通道的路径长度差除以声速得到时延，GCC-FP 匹配该时延，SRP-FP 把它用于宽带 SRP-PHAT 目标。原文没有给出拿掉门户宽度偏好或绕射项后的完整消融，因此无法量化每个子项的独立贡献。
再看房间规模的影响。下图按房间数报告湿 PESQ 与湿 STOI，线为平面图级宏平均，阴影为每组 10 套平面图的 95% 置信区间。
看图路径： 1. 看左图固定客厅阵列曲线随房间数增加是否明显下行；2. 看右图分布式阵列与选麦曲线的可懂度是否随房间数保持平稳
论文图 5。原论文 Figure 5:：“Whole-home speech enhancement across residential floorplan sizes.”。
图中固定客厅阵列随房间数增加明显下滑，而分布式阵列基本平稳，选麦方案介于中间且平面图感知略优。这说明固定单点覆盖的代价随户型变大而放大，分布式用通道换稳定性。但该平稳性是在每房间布设与理想协方差下得到的，若实际部署不能保证每房间一麦，或只能盲估计统计量，曲线形状可能改变。
欧氏距离转向 × 平面图感知距离： 欧氏距离转向假设声源到麦克风是无遮挡直线自由场，用直线距离换算时延；平面图感知距离先在房间多边形与开口构成的可见图上搜索合法门户路径，再取最短路径长度换算时延；后者多了一步绕墙与穿门约束，因此在跨房间遮挡下更接近真实传播距离，定位与选麦时更稳定。
这些结论在什么边界之外不再成立
第一，保真度只在重建几何与固定材料下对 10 个位置验证了直接混响比与混响时间，没有验证跨户型材料随机采样、家具自动布置与运动声源的绝对精度，也没有报告误判率、延迟或端到端运行成本，因此不能承诺真实房屋中同样误差。
第二，增强与下游结果依赖目标已知的维纳滤波上界，实际盲系统需自己估计目标与噪声协方差，增益会打折扣。定位只报告房间级分类准确率，不是连续坐标误差，对需要精确角度与距离的应用参考有限。
第三，门户开闭在基准中是静态开放集合，异步设备时钟、动态开关门、行走说话人等时变因素未纳入主基准；附录虽展示运动关键帧插值，但主表没有系统评价运动下的定位与识别。超出这些条件时，应把本文数字当作可复现的仿真上界，而非部署保证。
复现第一步做什么与还缺哪些信息
值得尝试的情形是需要批量多户型、多收发组合的整屋定位、增强或远场识别对照，且能接受几何声学近似。第一步应按论文链路复现：取结构化平面图并校验多边形覆盖与开口引用，分配六频带材料并固定材料种子，在无碰撞区采样收发位置，只保留经合法开放门户连通的跨房间对，再用同一求解器配置生成脉冲响应并与干声卷积。
关键超参数与信息条件包括频带集合、声线数与反弹数、混合过渡边界、反馈延迟网络延迟与衰减目标、阵列几何与分布式布设、源级标定与信噪比混合方式，以及定位与增强的平面图划分与宏平均规则。改变任一项都可能移动绝对数值，因此对照时必须固定。
本次来源核验尚未确认作者代码、模型或 FP-RIR 数据的当前可获取入口。完整可运行实现和材料数据库文件也仍需补充，复现前应先取得所需实现与材料数据，并按论文核对求解器设置；还需要补充的验证是实测多房间标定、异步设备与动态门户条件下的重复实验。
一句话总结与给研究生的使用建议
总的来看，论文把平面图从视觉布局表示提升为声学可计算表示，用可复用场景加按需传播的分解支撑了一万量级户型的批量仿真，并用实测趋势吻合与分布式整屋基准证明了平面图感知建模与空间分布式处理的价值。
给研究生的建议是：先沿一个样本走通从平面图经连通图、材料、确定性路径、声线能量图、晚期混响到脉冲响应与湿声的完整链路，再去读主表的条件与单位；做对比实验时保留固定客厅阵列这个弱基线与欧氏转向这个近似基线，同时报告未胜出的配置，才能看清增益来自布设、选麦还是转向模型。
容易产生的误解是把仿真上界当部署承诺，或把混响时间分布当真实住宅普查。更稳妥的用法是把该平台当作可控的假设检验工具：先在仿真中验证连通感知是否必要、多少通道才够，再用少量实测做确认，而不是直接用仿真数字选型部署。
📎 论文与评分元数据
排名：前50% | 文档类型：数据集与基准 | 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