📄 麦克风位置变了还能按角度区域提取说话人吗
英文题目：Microphone Geometry Aware Regional Target Speaker Extraction
评分：6.2/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Shitong Xu：机构信息未能在本次解析中与作者逐人可靠绑定
- Niki Trigoni：机构信息未能在本次解析中与作者逐人可靠绑定
- Andrew Markham：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
区域目标说话人提取要求从多通道混响混合声中取出方位角落在给定区间内的全部说话人，区间外说话人与噪声应当被抑制。难点在于麦克风数量与几何变化会改变通道间相位关系，固定阵列训练的模型难以迁移，区间边界附近的保留与去除也容易混淆。该工作输入任意数量紧凑阵列的短时傅里叶变换、麦克风坐标与目标方位区间，输出目标区间内混响语音。编码前端先对每通道做二维卷积得到时频特征，再把阵列中心化坐标编码后相加形成几何感知特征。同一频率与时间点的多通道特征作为麦克风词元做自注意力交互，随后由每频率可学习查询做注意力池化，得到与通道数无关的聚合表示。聚合表示连同区域中心与宽度编码进入提取主干，输出复数谱并经逆变换重波形，训练时另有一路重建以输入几何中心为基准的参考四通道信号。在四通道阵列的仿真评测中，所提方法以SI-SDRi计超过几何感知基线5.1 dB，在四面体阵列的仿真评测中以同一指标低于四面体专用模型0.57 dB。结论适用于仿真训练的紧凑阵列与两种实测阵列，边界分辨在小孔径下仍然偏弱，原文未披露训练、推理或部署成本。
🔗 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
要从混合录音里按角度区间拿出语音
这篇论文做的任务叫区域目标说话人提取。输入是麦克风阵列录到的多通道混合语音、每个麦克风的坐标，以及用户给定的目标方位角区间，例如中心在正前方、宽度为 30 度。目标是把方位角落在这个区间内的一个或两个说话人的混叠混响语音提取出来，把区间外的干扰说话人压掉。如果区间内没有说话人，模型要输出接近静音的信号。
与要求精确到达方向的方法不同，这里不需要知道目标的准确角度，只需要大致区域。论文举的例子是在宽入口处捕捉经过的人声，不需要逐人定位。放宽定位要求的同时，难点转移到两处：一是阵列几何和麦克风数量变化时，区间与麦克风位置的对应关系会变；二是紧贴区间边界的说话人容易被留错或压错。
区域目标说话人提取 × 方向条件提取： 方向条件提取要求给出目标说话人精确的到达方向，区域目标说话人提取只要求给出一个方位角区间，把区间内所有说话人的混叠混响语音都保留、区间外压制；前者对定位误差敏感，后者用区间宽度换取对粗略方向的容忍，本文属于后者。
已有区域提取和可变阵列方法各解决了一半
在区域提取一侧，DSENet 用目标区域中心方位角和宽度作为线索，与 4 通道 1 维卷积得到的音频嵌入相乘融合，只针对四面体阵列。DPARNet-RSE 用左右边界的正弦余弦编码再经线性层与音频特征做交叉注意力，可以利用麦克风位置信息，但实验中仍按 4 麦克风和 12 麦克风分别训练。SoundTRC 和 FoVNet 把角度空间离散成固定波束 bins，再选出对应目标区域的 bins，FoVNet 因此能把不同阵列先波束形成为固定通道数。
在可变几何一侧，声源定位已有任意已知几何的工作，分离领域也有利用麦克风间相位差的方法，但它们大多在推理时与几何无关，没有把用户指定的角度区域与麦克风位置显式关联。Galatea 做了几何感知的分离与定位，但场景多为一到两个说话人且缺少真实录音评估。GC-SSF 按精确目标方向提取，不直接处理粗区间和区间内多人混叠。
论文把交集作为切入点：既要接受用户给的区间查询，又要接受麦克风数量和几何变化，并用真实录音检验仿真到现实的差距。
输入、输出和评测时真正要保留什么
形式化输入有三部分。第一是紧凑阵列收到的空间音频，麦克风数为 4、8 或 12，任意两麦克风间距在 0.01 米到 0.13 米之间，阵列放在房间中央。第二是每个麦克风的坐标。第三是目标说话人方位角范围。论文不对仰角设边界，训练第二阶段目标仰角在水平上下 20 度内变化，模型要提取方位角在区间内的所有说话人。
输出是参考麦克风位置处的混响目标语音波形。当区间内有 1 个或 2 个目标时，用 SI-SDR、SI-SDRi、PESQ 和 STOI 衡量提取质量，SI-SDRi 越高越好；当区间内 0 个目标时，用相对输入的强度衰减衡量压制，衰减绝对值越大说明压得越干净。边界评估则单独看探测说话人在边界内外正负 2 度时被保留还是被压制。
理解后续实验要注意，仿真房间、混响、噪声和说话人位置都是随机生成的，训练只用仿真，真实录音只用来测试泛化。
整体流程如何从多通道录音走到区间语音
方法可以沿一个样本理解。先把每个麦克风的短时傅里叶变换堆成实部、虚部和对数幅度 3 通道表示，再经共享 2 维卷积编码成每通道音频嵌入。同时把麦克风坐标变成几何嵌入，加到对应通道的时频特征上。接着在同一频率和时间点上让所有麦克风特征做自注意力交互，再用可学习查询把可变数量的麦克风汇总成固定维度的聚合特征。
聚合特征进入沿用 DSENet 的提取主干。目标区域的中心方位角经循环位置编码和多层感知机处理，宽度经独热加线性加 2 维卷积处理，再与音频特征融合，经过堆叠的跨频带层和窄带层建模频谱和时间依赖，最后投影到复数谱并经逆短时傅里叶变换得到波形。训练时另有一条重建分支，用聚合特征还原固定朝向的参考四面体阵列信号，只在训练时存在。
前端怎样处理麦克风数量和位置变化
逐通道特征编码把多通道表示记为 M 乘 3 乘 F 乘 T，M 是麦克风数，F 是频率数，T 是帧数。每个麦克风的 3 通道谱经共享 2 维卷积得到维度为 D 乘 T 乘 F 的嵌入。这种共享保证通道数变化时仍能逐个处理。
麦克风几何编码采用来自 GI-DOAEnet 的相位调制位置编码思路。先把坐标换到以阵列中心为原点的空间坐标，再经线性层和层归一化映射到谱特征维度，得到每个麦克风一个在所有时频共享的向量。几何感知的特征是音频嵌入与几何嵌入逐元素相加。
跨麦克风注意力模块 × 可学习查询注意力池化： 跨麦克风注意力模块负责让不同麦克风在同一频率和时间点交换相位相关的空间信息，可学习查询注意力池化负责把数量可变的麦克风特征汇总成固定维度的表示；前者保留时频分辨率并与麦克风顺序无关，后者解决下游网络输入维度固定的问题，两者组合才支持任意麦克风数。
麦克风几何编码 × 频率嵌入： 麦克风几何编码把以阵列中心为原点的麦克风坐标映射到特征维度，告诉模型每个通道是从空间哪个位置录到的；频率嵌入给每个频率分量一个可学习的偏置，因为空间相位差随频率变化；两者都以相加方式加入每通道音频特征，使注意力能区分位置不同和频率不同带来的差异。
主干和重建分支各自负责什么
提取主干基本沿用 DSENet。执行顺序是先将跨传声器聚合得到的固定维特征作为分离输入，再分别编码目标区域的中心方位角和宽度线索并送入堆叠块处理，最后映射到复数短时傅里叶系数并经逆变换还原波形。中心方位角用循环位置编码处理周期性，经多层感知机变换后与聚合音频特征按逐元素相乘融合；宽度用 BW-ConvModule 处理，该模块由独热编码、线性层和 2 维卷积层组成，与线索编码器配合向各块提供区域宽度约束。
主干由多个 DSENet 块堆叠，每个块包含线索编码器、宽度卷积模块、跨频带层和窄带层。跨频带层用频率卷积和全频带线性变换分别建模局部和全局频谱依赖，窄带层用多头自注意力和卷积前馈沿时间建模时序依赖。最终将编码特征线性投影到复数短时傅里叶系数并还原波形。
重建分支的输入是同一个聚合特征，目标是还原以输入阵列几何中心为中心、朝向固定的参考四面体阵列应收到的 4 通道信号，以此约束前端保留对角度判别关键的空间与声学信息。解码器由 4 个 DSENet 跨频带和窄带块加线性投影到 4 通道复数谱组成，与提取分支并行地从聚合特征解码。论文强调该分支只在训练时使用，推理时丢弃，因此不增加推理通道数，但训练时代价是多了一组重建损失和相位差损失的计算。
两阶段训练和联合损失怎样约束模型
训练分 2 个阶段。第 1 阶段只用 4 麦克风变几何数据，每个样本目标区域内有一个目标说话人，直接给定精确方位角，所有说话人与阵列同高，仰角为 0 度，并关闭宽度掩蔽模块，目的是先学会按方向提取。第二阶段用 4、8 或 12 麦克风，目标方位宽度为 15、30 和 45 度，目标仰角在正负 20 度内变化，每个样本有 0、1 或 2 个目标说话人，概率分别为 0.3、0.6 和 0.1，要求处理多人混叠和空目标压制。
优化目标同时约束抽取和重建。抽取侧用多分辨率对数幅度谱损失加负 SI-SDR 损失，对照参考麦克风处的混响目标语音。重建侧用同样损失加通道间相位差损失，用幅度加权的余弦距离惩罚麦克风对之间的相位差，以保留空间信息。无目标时按 DSENet 的设计输出 20 赫兹正弦参考音并按均方根约束。
\[\mathcal{L}=\mathcal{L}_{\mathrm{ext}}+\lambda_{\mathrm{rec}}\mathcal{L}_{\mathrm{rec}}+\lambda_{\mathrm{ipd}}\mathcal{L}_{\mathrm{IPD}},\]上式中抽取损失和重建损失分别对应上述谱幅度和 SI-SDR 组合，相位差损失权重为 20.0，重建损失权重为 0.25。
抽取损失 × 重建辅助损失： 抽取损失监督最终输出的区域内目标语音质量，重建辅助损失要求同一前端特征还能还原参考四面体阵列收到的多通道信号并保持通道间相位差；前者决定任务本身，后者迫使前端保留场景中所有声源的空间和声学信息，训练时联合优化，推理时重建分支丢弃。
仿真、基线和真实录音如何对应
仿真用 gpuRIR 生成多通道空间音频，房间从 3.0 乘 3.0 乘 2.5 米到 10.0 乘 8.0 乘 4.0 米随机，声源距阵列至少 0.3 米、距墙至少 0.1 米，每样本 2 到 6 个说话人，源信号来自 LibriSpeech，加 20 到 30 分贝信噪比的高斯白噪声。模型训练目标是输入模型的第一麦克风位置处的混响目标语音。评估分动态随机几何的 Dynamic-4 和 Dynamic-12，以及固定的四面体和 NAO 机器人 12 麦克风两种几何。
基线包括两类专用模型：针对四面体的 DSENetTetra 和针对 NAO 的 DSENetNAO；固定麦克风数的几何感知模型 DPARNet-RSE4 和 DPARNet-RSE12；可变麦克风数的 LCMV 和 FoVNet。LCMV 在目标区域内每 1 度采样计算导向矢量并构建约束做波束形成，FoVNet 在目标和干扰区共 20 个角度 bins 上波束形成再用深度主干提取。所有基线按各自论文流程训练。
真实录音评估用相同几何的仿真与实录对比，所有模型只在仿真上训练，以检验仿真到现实的差距。边界评估用双说话人混合，一个干扰恒在区外，一个探测说话人在边界正负 2 度，增益大于 0.5 判为保留、小于 0.5 判为压制，再对内外两侧取平均得到平衡准确率。
仿真主结果在哪些阵列上成立
下表是论文仿真主表，比较问题是在不同阵列几何和目标人数下，谁在可变阵列上保持提取质量。行是方法与测试几何，列按 0 目标衰减、1 目标和 2 目标的 SI-SDR、SI-SDRi、PESQ、STOI 展开，衰减越负越好，其余越高越好。专用模型在匹配几何上最强，但在不匹配的动态几何上出现负 SI-SDRi；几何感知基线能跨几何但分数明显更低。
| Model | Microphone | 0 Target | 1 Target | 1 Target | 1 Target | 1 Target | 2 Target | 2 Target | 2 Target | 2 Target |
|---|---|---|---|---|---|---|---|---|---|---|
| Model | Geometry | Decay | SI-SDR | SI-SDRi | PESQ | STOI | SI-SDR | SI-SDRi | PESQ | STOI |
| Geometry Specific Models | ||||||||||
| DSENetTetra | Dynamic-4 | -23.64 | -32.61 | -26.83 | 1.09 | 0.31 | -32.56 | -37.10 | 1.08 | 0.42 |
| DSENetTetra | Tetrahedral | -31.64 | 5.03 | 11.36 | 1.77 | 0.75 | 10.09 | 5.63 | 2.40 | 0.84 |
| DSENetNAO | Dynamic-12 | -23.45 | -33.10 | -26.86 | 1.11 | 0.30 | -30.56 | -35.03 | 1.12 | 0.40 |
| DSENetNAO | NAO Robot | -27.55 | 6.04 | 12.31 | 1.85 | 0.78 | 10.58 | 6.08 | 2.47 | 0.86 |
| Geometry Aware Models (Fixed Microphone Number) | ||||||||||
| DPARNet-RSE4 | Dynamic-4 | -23.45 | -1.10 | 4.68 | 1.29 | 0.62 | 6.63 | 2.09 | 1.80 | 0.77 |
| DPARNet-RSE4 | Tetrahedral | -26.54 | -2.81 | 3.52 | 1.27 | 0.61 | 6.18 | 1.72 | 1.78 | 0.77 |
| DPARNet-RSE12 | Dynamic-12 | -24.65 | 0.00 | 6.24 | 1.34 | 0.65 | 6.39 | 1.92 | 1.79 | 0.78 |
| DPARNet-RSE12 | NAO Robot | -27.92 | -2.43 | 3.84 | 1.32 | 0.63 | 6.86 | 2.36 | 1.79 | 0.78 |
| Geometry Aware Models (Varying Microphone Number) | ||||||||||
| LCMV | Dynamic-4 | -3.29 | -5.87 | -0.09 | 1.12 | 0.43 | 0.45 | -4.09 | 1.35 | 0.64 |
| LCMV | Tetrahedral | -3.56 | -6.08 | 0.25 | 1.11 | 0.43 | 0.22 | -4.23 | 1.33 | 0.63 |
| LCMV | Dynamic-12 | -6.42 | -5.87 | 0.37 | 1.09 | 0.46 | -0.72 | -5.20 | 1.30 | 0.63 |
| LCMV | NAO Robot | -6.84 | -6.30 | -0.03 | 1.13 | 0.45 | -1.38 | -5.87 | 1.26 | 0.61 |
| FoVNet | Dynamic-4 | -17.61 | -1.26 | 4.52 | 1.19 | 0.54 | 6.31 | 1.77 | 1.85 | 0.73 |
| FoVNet | Tetrahedral | -18.02 | -1.50 | 4.83 | 1.17 | 0.55 | 6.51 | 2.05 | 1.83 | 0.73 |
| FoVNet | Dynamic-12 | -19.27 | -0.94 | 5.30 | 1.20 | 0.57 | 6.63 | 2.15 | 1.84 | 0.75 |
| FoVNet | NAO Robot | -19.29 | -1.06 | 5.21 | 1.19 | 0.56 | 6.49 | 2.00 | 1.85 | 0.73 |
| Ours | Dynamic-4 | -26.40 | 4.01 | 9.79 | 1.65 | 0.72 | 8.80 | 4.26 | 2.22 | 0.81 |
| Ours | Tetrahedral | -28.24 | 4.46 | 10.79 | 1.70 | 0.73 | 9.27 | 4.82 | 2.27 | 0.82 |
| Ours | Dynamic-12 | -27.63 | 5.27 | 11.51 | 1.83 | 0.77 | 9.77 | 5.30 | 2.40 | 0.84 |
| Ours | NAO Robot | -28.24 | 5.69 | 11.97 | 1.81 | 0.76 | 9.74 | 5.25 | 2.34 | 0.84 |
| Dynamic-4 | -24.76 | 2.98 | 8.76 | 1.47 | 0.67 | 8.16 | 3.62 | 2.09 | 0.79 | |
| Ours | Tetrahedral | -25.75 | 2.93 | 9.26 | 1.47 | 0.67 | 8.41 | 3.96 | 2.15 | 0.79 |
| (FOA Recons) | Dynamic-12 | -26.43 | 3.11 | 9.35 | 1.55 | 0.69 | 8.90 | 4.43 | 2.20 | 0.81 |
| NAO Robot | -25.89 | 3.09 | 9.36 | 1.52 | 0.68 | 8.68 | 4.18 | 2.17 | 0.79 | |
| Dynamic-4 | -24.33 | 2.50 | 8.28 | 1.48 | 0.67 | 7.78 | 3.24 | 2.10 | 0.78 | |
| Ours | Tetrahedral | -25.06 | 2.85 | 9.18 | 1.50 | 0.68 | 8.59 | 4.14 | 2.19 | 0.81 |
| (w/o recons) | Dynamic-12 | -25.99 | 3.52 | 9.76 | 1.62 | 0.72 | 8.46 | 3.98 | 2.18 | 0.81 |
| NAO Robot | -26.45 | 3.96 | 10.23 | 1.61 | 0.71 | 8.90 | 4.40 | 2.22 | 0.82 | |
| Dynamic-4 | -20.50 | 1.34 | 7.12 | 1.46 | 0.65 | 7.00 | 2.46 | 2.04 | 0.78 | |
| Ours | Tetrahedral | -21.60 | 1.29 | 7.62 | 1.45 | 0.66 | 6.82 | 2.37 | 2.05 | 0.78 |
| (Beamform) | Dynamic-12 | -20.71 | 2.45 | 8.69 | 1.54 | 0.70 | 6.77 | 2.29 | 2.04 | 0.79 |
| NAO Robot | -21.81 | 2.26 | 8.54 | 1.52 | 0.69 | 6.17 | 1.68 | 1.98 | 0.77 |
从完整原表可见，本方法在 Dynamic-4、Tetrahedral、Dynamic-12 和 NAO 4 种测试下 1 目标 SI-SDRi 分别为 9.79、10.79、11.51 和 11.97 分贝，2 目标时为 4.26、4.82、5.30 和 5.25 分贝，均高于 DPARNet-RSE、LCMV 和 FoVNet。麦克风从 4 增至 12 时约提升 1.7 分贝，且不需改参数或重训。与专用模型相比，在四面体上差距约 0.57 分贝，在 NAO 上差距约 0.34 分贝，摘要中对四麦克风基线的 5.1 分贝提升和四面体上小于 0.6 分贝差距即在此条件下成立。代价是仍未完全追平专用模型，且该结论依赖仿真房间和随机几何分布。
表后消融行还显示，去掉重建约降 1.6 分贝，换成 1 阶 Ambisonics 或 20 波束前端也低于所提前端，说明注意力前端与重建监督是收益来源。
真实录音的差距在两种阵列上并不相同
下表比较单目标下仿真与实录的 SI-SDRi，比较问题是只用仿真训练时，谁的仿真到现实下降更小。行是方法，列是四面体仿真、四面体实录、NAO 仿真、NAO 实录，指标越高越好。
| Model | Tetrahedral | Tetrahedral | 12 Mic NAO Robot | 12 Mic NAO Robot |
|---|---|---|---|---|
| DSENet | 11.36 | 8.40 | 12.31 | 9.57 |
| DPARNet-RSE | 3.52 | 5.19 | 3.84 | 6.11 |
| LCMV | 0.25 | 1.12 | -0.03 | -2.58 |
| FoVNet | 4.83 | 3.85 | 5.21 | 4.96 |
| Ours | 10.79 | 9.15 | 11.97 | 9.08 |
结果显示，本方法在四面体实录上为 9.15 分贝，比仿真 10.79 分贝下降 1.64 分贝；专用 DSENet 在四面体实录为 8.40 分贝，比仿真 11.36 分贝下降 2.96 分贝，因此在四面体上本方法实录绝对值更高且更稳健。在 NAO 上，本方法实录 9.08 分贝，比仿真 11.97 分贝下降 2.89 分贝，专用模型实录 9.57 分贝，比仿真 12.31 分贝下降 2.74 分贝，两者稳健性接近，但本方法绝对值低约 0.49 分贝。DPARNet-RSE 实录反而高于仿真，LCMV 和 FoVNet 整体更低，说明仿真到现实的排序与仿真内排序不完全一致，结论只在所用的实录采集条件下成立。
换掉前端或拿掉重建会失去什么
前端消融用同样优化策略比较 3 种可变阵列输入。波束形成前端把目标区分成 20 个固定角度 bins 并向每 bin 中心波束形成，得到 20 通道再送 DSENet 主干；1 阶 Ambisonics 前端用最小二乘模式匹配把多通道转成 4 通道再送主干。两者在 Dynamic-4 和 Dynamic-12 上都能得到正 SI-SDRi，说明确实跨几何，但所有场景和指标都低于所提注意力前端。论文据此认为显式离散波束会损失空间细节，仿真到现实泛化也较弱。
重建监督消融去掉四面体信号重建损失后，所有麦克风配置上 SI-SDRi 一致下降约 1.6 分贝。保留重建但把目标换成 1 阶 Ambisonics 的重建变体同样低于完整方法，说明监督信号的形式也有影响，而不仅是有无辅助任务。
这些消融支持前端与重建共同起作用的解释，但未报告推理延迟、参数量和训练时长的定量成本，也未测试麦克风失效或阵列孔径超出训练分布时的衰减曲线，因此不能把消融差距推广到任意新阵列。
边界附近的保留与压制为何最难
边界评估把探测说话人放在目标边界内外 2 度，理想是内侧增益为 1、外侧为 0，以 0.5 为阈值判定。在四面体阵列上，本方法对 15、30、45 度宽度的平衡准确率分别为 0.500、0.500 和 0.589，基本把边界外侧也保留了下来；同条件下专用 DSENet 分别为 0.844、0.875 和 0.821，空间选择性明显更好。这是论文明确承认的短板，说明整体 SI-SDRi 接近专用模型并不等于边界区分能力接近。
为理解孔径的作用，论文沿垂直于目标中心的方向按比例缩放四面体孔径。下图要回答的是孔径放大能否在不重训的情况下改善边界准确率，横轴是布局缩放比例，纵轴是平衡准确率，3 条曲线对应不同目标宽度，虚线是专用模型水平。
看图路径： 1. 先看横轴阵列孔径缩放比例与纵轴平衡准确率的含义；2. 再对比三条目标宽度曲线随孔径变大的升降位置；3. 最后看虚线表示的专用模型水平与哪条曲线在何处交叉
论文图 1。原论文 Figure 1:：“Balanced Accuracy under different microphone aparture scaling and target speaker angular width.”。
图中可见，较窄的 15 度和 30 度目标随孔径增大先升后趋平，最优点分别在缩放约 4.0 和 2.5 附近，并超过原四面体配置和专用虚线；45 度宽目标提升较小，最优点在约 1.5 附近。图后极坐标衰减可视化也显示，大孔径配置的衰减分布更贴合指定边界，外侧压制更干净。这支持几何感知模型可通过优化几何改善边界的判断，但最优缩放与目标宽度有关，且只在所测缩放方向和距离固定的探测条件下验证。
SI-SDRi × 平衡准确率： SI-SDRi 衡量提取后目标语音相对混合信号的失真改善，数值越高说明语音波形保留越好；平衡准确率衡量在目标区域边界正负 2 度处能否留内压外，保留内侧和压制外侧各占一半权重；前者反映整体提取质量，后者专门反映空间选择性，两者需要分开看。
复现第一步要准备什么
复现应从仿真管线开始。用 gpuRIR 按原文房间尺寸、阵列间距、声源距离和 2 到 6 人混合生成数据，源语音用 LibriSpeech，加 20 到 30 分贝白噪声。先跑第 1 阶段单目标精确方向训练，再跑第二阶段 0 到 2 目标、宽度 15 到 45 度、仰角正负 20 度的区域训练，损失权重取重建 0.25、相位差 20.0，无目标时输出 20 赫兹正弦参考。评估要同时测动态随机几何和固定四面体、NAO 几何，并分别报告 0、1、2 目标的衰减与语音质量指标。
基线复现要注意阶段一致：DSENet 按四面体和 NAO 分别训练，DPARNet-RSE 按 4 和 12 麦克风分别训练，LCMV 按 1 度采样构建约束，FoVNet 按 20 bins 波束形成。真实录音需用与仿真相同几何采集，否则仿真到现实的差距无法对比。
关于资源，论文未给出代码、模型或数据的可达链接，本次也未发现可验证的作者资源，因此不能声称已公开。训练硬件、时长和推理延迟原文未报告，复现时需自行记录。仍需补充的验证包括麦克风数超出 4 到 12、孔径超出训练间距、以及多人边界混合下的统计显著性。
什么时候值得尝试这种方法
当部署阵列不固定、可能增减麦克风或更换布局，且任务只需按粗角度区间提取区间内混叠语音时，这种 1 次训练适配多种几何的思路值得尝试。预期收益是在动态几何上明显高于同类几何感知基线，并在四面体和 NAO 仿真上接近专用模型约 0.3 到 0.6 分贝差距，同时在四面体实录上更稳健。主要代价是训练多一个重建分支，以及边界区分在小孔径四面体上明显弱于专用模型。
不适合的情况是目标区间很窄且边界精度要求高，又只能用小孔径四面体不做几何优化；此时专用模型的边界准确率更高。若只有固定阵列且不换几何，直接训练专用模型更简单。
容易产生的误解是把 SI-SDRi 接近等同于空间选择性接近，边界实验否定了这一点；另一个误解是把孔径放大的个别最优点当成通用最优，原文显示最优缩放随目标宽度变化。后续若要使用，建议先在自己的房间、阵列和目标宽度下重测边界曲线，再决定是否放大孔径或改用专用模型。
📎 论文与评分元数据
排名：前50% | 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