只用一个旁听麦克风，在放音中追踪声速再补偿声场控制

英文题目：ONLINE SINGLE-CHANNEL AUDIO-BASED SOUND SPEED ESTIMATION FOR ROBUST MULTI-CHANNEL AUDIO CONTROL

会议身份：conference:eusipco:2026:conference-paper-id:0000021

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#信号处理 #鲁棒性 #多通道 #单通道 #空间音频渲染

评分：6.9/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Fuglsig, Andreas Jonas：机构信息未能从会议 PDF 纯文本可靠映射
• Christensen, Mads Græsbøll：机构信息未能从会议 PDF 纯文本可靠映射
• Jensen, Jesper Rindom：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

空间音频控制依赖离线测得的房间脉冲响应计算多通道控制滤波器，输入为已知扬声器驱动信号与单观测传声器实测帧，输出为当前声速估计与按需更新的控制滤波器，难点是温度变化引入系统性传播失配且部署端仅有单传声器可用。方法第一步用Sinc插值压缩扩展重采样将参考声速脉冲响应映射到候选声速并经重叠相加卷积合成预测再现帧，负责建立声速参数化声学模型。第二步逐帧求解使实测帧与预测帧欧氏残差最小的单参数非凸优化得到声速估计以上一步预测帧为比对基准，负责在线跟踪当前声速。第三步当估计值与上次滤波器计算声速之差超过1m/s阈值时以上一步估计值为输入修正亮暗区脉冲响应并重算可变跨度权衡声区控制滤波器，负责补偿传播失配。该机制与温度传感器校准、多传声器到达时差联合定位不同，直接复用播放音频的结构化失配做在线跟踪，无需额外硬件或专用测量，具有实际意义。在4.5×4.5×2.2米短混响仿真评测条件下，步进终点时刻的声速性能指标为353 m/s，高于步进起点时刻的声速性能指标333 m/s。适用边界限于均匀温度、短混响仿真与阶跃变速，窄带低能量音乐帧与满秩预滤波下波动增大，尚未验证实测外推而受限。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/afuglsAAU/EUSIPCO2026SoundSpeedEst — 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，这次解读要保留什么？

本文的输入是在多通道扬声器正常放音时单个观测麦克风录到的音频帧，以及部署前在参考声速下测得的从各扬声器到观测点和控制点的脉冲响应。目标是在不加温度湿度传感器、不在控制点布置麦克风、不中断放音做专用校准的前提下，逐帧估计当前声速，并在声速漂移较大时修正控制滤波器。

本次解读必须保留的信息包括：帧信号模型与缓冲处理、声速比参数化的插值重采样模型、单参数优化估计的输入输出、滤波器更新阈值逻辑、仿真房间与阵列条件、3 种输入信号与 3 种评价基线、以及声速跟踪在低能量帧变差的失败条件。输出是一份能让研究生复述方法步骤和实验条件的说明，不做超出原文的性能承诺。

空间音频控制在这里指用多个扬声器在指定区域增强期望声音、在另一些区域抑制声音的技术统称，声区控制、空间有源噪声控制和沉浸式重放都属于这一类。声速变化之所以关键，是因为它带来系统性的延迟和相位失配，离线算好的滤波器会整体错位。

已有路线为什么不能直接拿来用？

原文把已有工作分成 4 类。第一类是假设声速已知或用温湿度传感器单独估计，再用插值修正脉冲响应，例如基于插值的脉冲响应修正框架。这类方法能重算滤波器，但需要声速已知。第二类是把声速估计与声源定位耦合，用多个空间分布麦克风到达时差推断温度和几何，这在只有单个观测麦克风的极简传感系统中不适用。第三类是专用测量程序，例如被动声学测风速声速或脉冲回波超声直接估计，不适合在放音过程中在线自适应。

第 4 类是增强鲁棒性的控制端做法，包括基于约束的脉冲响应整形、学习式参数传播模型、学习式脉冲响应先验、协方差先验，以及需要所有控制点麦克风信号的自适应滤波和次级通路建模。这些做法或需要重复校准，或需要多麦克风在线接入，或需要大量预先测量的训练数据。本文的选择是沿放音信号本身估计声速，只用一个不一定在控制点的观测麦克风，估计后再复用已有的插值修正去更新滤波器，不改底层控制结构。

声速失配到底破坏了哪一步计算？

部署前的方法是在参考声速下测脉冲响应，再基于这些脉冲响应算控制滤波器。放音时真实声速若因温度变化而漂移，真实传播脉冲响应已经整体伸缩，但滤波器仍按旧脉冲响应工作。以声区控制为例，亮区期望信号按虚拟源位置定义，滤波器通过最小化亮区与暗区的加权均方误差求得，其中的空间协方差矩阵由脉冲响应卷积矩阵构成。一旦脉冲响应整体延迟变化，协方差和期望向量的对应关系就错位，对比度和重现误差同时退化。

举例说明：假设参考声速下某直达峰在第 100 个采样点，声速升高使传播变快，真实峰提前到来，但滤波器仍按第 100 点去对齐和相消，就会留下残差。这个例子只是帮助理解延迟错位，不代表原文给出该数值。问题的难点在于观测条件极弱，只允许用一个麦克风听正常节目内容，不能播放扫频等专用探测信号，也不能要求节目内容频谱平坦。

方法全景：一个样本如何走完估计到控制？

沿一个放音帧走一遍。输入是当前帧的节目信号帧和上 1 帧的缓冲，扬声器先经过控制滤波器得到各通道输出，再经过真实房间传播到达观测麦克风，形成实测帧。系统同时保存参考声速下的脉冲响应和当前各通道输出信号。对声速网格中的每个候选值，用插值模型把参考脉冲响应映射到该候选声速下的预测脉冲响应，再与已知通道输出卷积并加缓冲尾，得到该候选声速下的预测重放帧。

比较预测帧与实测帧的平方误差，误差最小的候选即为本帧声速估计。若本帧估计与上次用于算滤波器的声速之差超过阈值，则用新估计修正亮区和暗区全部控制点的脉冲响应并重算控制滤波器，用于后续帧；否则继续沿用旧滤波器。这种按需更新避免了每帧重算大滤波器组。

声速 × 声脉冲响应： 声速负责决定传播延迟和相位如何随距离拉伸，声脉冲响应负责记录从每个扬声器到每个麦克风的延迟、衰减和混响结构，二者搭配的理由是声速变化对脉冲响应的影响是结构化的整体时间伸缩而非随机噪声，组合意义是只要知道参考声速下的脉冲响应，就可以用声速比对脉冲响应做参数化重采样来预测新声速下的重放信号。

该流程的关键假设是环境温度均匀，从而全房间可用单一声速比描述脉冲响应变化。若存在强局部温度梯度或听众移动带来的非均匀变化，单一声速参数就不足以解释全部失配，这是后文限制节要回扣的一点。

声速如何变成可计算的脉冲响应和重放信号？

参考声速记为冷启动声速，新声速记为当前声速，二者之比记为伸缩因子。插值模型用一个 sinc 插值矩阵把参考脉冲响应向量映射到新长度向量，再乘以该比值做幅度与时间尺度校正。直观理解是声速变快等价于时间轴压缩，脉冲响应中每个峰的位置按比例前移，插值矩阵负责在离散采样点之间重建这种连续移位。帧重放模型把每个扬声器通道输出与对应预测脉冲响应卷积，取当前帧长度部分，再加上上 1 帧卷积尾部的缓冲，从而避免分帧边界误差。

原文要求脉冲响应长度与滤波器长度满足尾部能存入单帧缓冲，这是帧处理正确的前提。缓冲算子的作用是取出上 1 帧卷积结果的最后若干采样并补零到帧长，与当前帧直接卷积部分相加。

SICER × 观测麦克风： SICER 负责把参考声速下的脉冲响应通过 sinc 插值矩阵映射到新声速假设下的脉冲响应，观测麦克风负责提供当前帧真实放音后的实测信号，二者搭配的理由是模型预测的重放信号与实测信号的误差只在声速假设正确时最小，组合意义是把声速估计变成单参数非凸优化问题，不需要温度湿度传感器和专用校准信号。

这一组件只建模了由声速引起的结构化变化，没有建模换能器漂移、听众移动或混响结构突变，因此估计误差最小化隐含地把所有残差都归因于声速，这是理解误判风险的关键。

单麦克风声速估计具体优化什么？

估计只用观测麦克风这一路信号。已知量是参考声速下各扬声器到观测点的脉冲响应，以及当前帧各扬声器输出信号，这些输出由节目信号和当前控制滤波器决定。未知量是当前声速。优化目标是实测帧与模型预测帧之间的平方误差，决策变量只有一个标量声速，因此是单参数非凸非线性优化，可用数值网格搜索直接求解。逐帧执行意味着每 1 帧都独立做 1 次搜索，得到该帧估计。

观测麦克风不需要放在控制点，原文仿真把它放在亮区边缘一点，目的是验证偏离控制点仍有效。单参数带来的好处是搜索空间小，坏处是非凸可能存在局部极小，尤其当输入信号在某些频带能量很低时，不同声速假设的预测差异会被噪声和建模误差淹没。原文因此对比了固定大范围搜索和以上 1 帧为中心的自适应小范围搜索，后者在困难帧更稳定。

全网格搜索 × 自适应网格搜索： 全网格搜索负责在固定大范围内以固定步长逐点评估声速代价，自适应网格搜索负责以上 1 帧估计为中心开小窗口并用更细步长评估，搭配理由是声速在真实环境中连续缓慢变化而输入信号频谱可能瞬时缺失，组合意义是在平稳段保持跟踪精度，在语音低能量或音乐频带缺失帧减少跳变。

需要强调的是该估计利用的是节目内容本身，不是专用探测声。若节目在某帧近似静音或窄带，估计必然不可靠，算法只能靠自适应窗口约束不跳变，不能凭空恢复缺失的频率信息。

估计到滤波器更新如何衔接？声区滤波器怎么算？

声区控制把亮区所有控制点重放向量堆成大向量，把暗区同样堆叠，期望是亮区等于按虚拟源定义的期望向量、暗区等于零向量。滤波器求解最小化亮区误差加权与暗区能量加权的和，权重系数控制亮暗权衡。通过对暗区协方差逆乘亮区协方差做特征分解，得到按特征值排序的基向量，加权求和并用秩截断得到可变跨度权衡解。秩越低越偏向高对比度的少数模式，秩越高越接近全最小均方解，但对失配也更敏感。

原文实验覆盖低秩、中秩和全秩以观察不同权衡下的补偿效果。算法衔接逻辑是维护一个上次用于算滤波器的声速值，每帧得到新估计后比较差值绝对值，只有超过阈值才用新声速比修正亮区和暗区全部脉冲响应并重算滤波器组供下 1 帧使用，否则不更新。这种迟滞更新减少了频繁重算，同时允许声速缓慢漂移累积到足够大再动作。

声区控制 × VAST： 声区控制负责在亮区重现期望声场、在暗区制造静音，VAST 负责通过亮区与暗区空间协方差矩阵的广义特征分解给出不同秩的滤波器权衡解，二者搭配的理由是滤波器依赖脉冲响应计算因而依赖声速，组合意义是一旦声速估计更新，就可以用修正后的脉冲响应重算滤波器而不改控制架构。

该设计没有修改声区控制的目标函数和求解器，只是替换了输入的脉冲响应，因此可以迁移到其他依赖脉冲响应的空间控制，但原文只验证了声区控制。

没有神经网络训练时，真正的计算是什么？

本研究没有训练神经网络，也没有学习权重、训练集划分、梯度反传或验证早停。真实计算分为两部分。第一部分是声速估计的数值优化，对候选声速网格逐点前向计算预测重放帧并求平方误差，取最小者作为估计，不涉及梯度路径和参数冻结，候选网格的范围和步长就是全部超参数。第二部分是声区滤波器的闭式求解，包括由修正后脉冲响应构造卷积矩阵、形成亮暗空间协方差、特征分解和按秩截断加权，没有迭代优化器。

仿真中的房间脉冲响应由房间脉冲响应生成器按给定混响时间和声速合成，不是实测数据。输入节目来自已有语料：白噪声、含 4 位说话人的无回声语音数据集和包含乐器摇滚乐的音乐语音噪声语料，原文未报告对这些语料做额外训练或微调。复现时不应寻找模型权重文件，而应实现插值矩阵、帧卷积缓冲和网格搜索，并准备参考声速脉冲响应。

未报告的缺项包括网格搜索的具体数值优化器细节之外的加速实现、特征分解正则化在主实验之外的取值，以及实测脉冲响应下的表现。

仿真房间、信号和声速变化如何设置？

为同时检验跟踪能力和控制性能，仿真采用方形房间和直线扬声器阵列，亮区和暗区各布置密集控制麦克风。混响时间设得很短以加快处理，脉冲响应长度、滤波器长度和帧长都按采样率折算为固定采样点数。输入信号长 22 秒，覆盖频谱平坦、语音和音乐 3 种典型内容。声速真值按阶梯方式从低到高变化，每隔固定帧数跳变 1 次，以此做压力测试。估计端分别测试固定大范围粗搜索和上 1 帧附近小范围细搜索，滤波器更新设固定阈值。

跟踪实验先只开参考扬声器，分别看不加滤波和加固定未修正滤波两种情况，以隔离声速跟踪本身；控制实验再开全部扬声器，看不同秩下的分区与重现。评价指标是声对比度和归一化信号失真功率，前者越大表示分区越好，后者越小表示亮区重现越准。

下表提出的问题是仿真条件是否具体到可复现，公平条件是所有方法共享同一房间几何、同一参考脉冲响应和同一节目帧，对比方向是检查参数是否完整。

表后解释如下。表中房间、阵列和分帧参数共同决定了可复现的计算量：脉冲响应 800 点、滤波器 500 点、帧长 4000 点意味着卷积尾可存入单帧缓冲，满足帧模型前提。代价是短混响 100 毫秒弱化了真实房间的长尾混响，结论向简单混响倾斜。未胜出或未覆盖的边界是真实测量脉冲响应、有人移动和非均匀温度场，这些在原文未来工作中才计划验证。第二个问题是声速变化与搜索更新条件是否明确，公平条件是估计与控制共享同一真值阶梯，指标方向是估计误差越小越好。

该表的收益是把可运行策略讲死：固定搜索覆盖大漂移，自适应搜索用细步长稳住困难帧，阈值更新避免每帧重算 8000 阶滤波器。具体代价是网格密度与计算量直接交换，步长 0.1 米每秒比 0.25 米每秒更密，自适应窗口正负 3 米每秒若真值跳变超出窗口则可能跟丢，而原文阶梯跳变每次 2 米每秒恰好落在窗口内，这是压力测试仍属温和的一面。

跟踪准吗，控制性能恢复了吗？

跟踪实验显示白噪声和语音下估计紧跟真值阶梯，音乐下总体鲁棒但波动更大。原文报告在输入低能量或频谱内容减少的帧跟踪精度下降，例如语音在某些帧附近出现偏离，自适应搜索在这些帧改善了稳定性。加全秩预滤波后跟踪性能轻微下降，白噪声和语音下降较小，摇滚乐下降更明显，说明控制滤波器改变了观测信号频谱，窄带或染色节目更难提供全频带延迟信息。

控制实验比较了固定未修正滤波器下基线、真实脉冲响应算出的滤波器上基线、已知真声速的插值修正和本文估计驱动的修正。结果支持的判断是本文方法在不同输入和不同秩下都接近真实脉冲响应基线，并紧贴已知真声速的插值修正，剩余差距主要来自插值本身而非估计误差。固定未修正滤波器在每次声速跳变后性能明显恶化，而本文方法能把性能拉回。

需要区分的是原文直接报告的是趋势和相对关系，没有在正文给出每帧声对比度和失真功率的具体数值表，因此不能引用具体提升分贝数。

声对比度 × 归一化信号失真功率： 声对比度负责衡量亮区与暗区能量比，归一化信号失真功率负责衡量亮区重现与期望信号的相对误差，二者搭配的理由是只看对比度会忽略音质，只看失真会忽略分区能力，组合意义是共同判断声速补偿是否同时恢复了分区和重现。

下表提出的问题是在没有逐帧数值的情况下如何公平比较，公平条件是所有策略共享同一声速阶梯、同一信号和同一秩，指标方向是声对比度越高越好、归一化失真越低越好。

表后解释的主要收益与代价如下。收益是估计驱动的修正把可部署策略带到接近不可部署上基线的位置，且不需要额外传感器；代价是全秩下对失配更敏感，因而更依赖及时更新，而低秩本身失真已接近 0 分贝，补偿空间小。未胜出项是音乐加全秩预滤波时的跟踪，此时估计波动最大，说明节目频谱与滤波器染色叠加会削弱单麦克风估计，这是单通道方法的固有边界。

哪些对照说明误差来自哪里？

原文做了 3 组隐式消融。第一组是输入内容消融，白噪声、语音和音乐分别驱动同一跟踪流程，结果显示频谱越丰富跟踪越稳，音乐最差，这支持声速可观测性依赖宽带信息的解释。第二组是搜索策略消融，固定全网格对比自适应小窗口，结果显示自适应在低能量帧更稳，但其步长更细、窗口更小，计算分布不同，不能简单说自适应全面更准。

第 3 组是滤波器秩与是否预滤波的消融，不加滤波、加低秩未修正滤波和加全秩未修正滤波分别叠加在跟踪上，结果显示预滤波总体使跟踪变差，全秩加音乐最差，这支持观测信号被控制滤波器染色后估计变难的判断。最关键的反证是已知真声速的插值修正与本文估计驱动修正几乎重合，而两者与真实脉冲响应仍有小差距，由此把剩余误差归因于插值模型而非估计器。若估计器是瓶颈，两条曲线应明显分开，但原文报告它们紧贴。

这一逻辑成立的前提是插值修正的实现完全一致，原文满足该条件，因为两者都用同一修正流程，只是声速来源不同。

什么条件下结论不再成立？

第一，均匀温度假设。若房间存在空调直吹或冷热分区，单一全局声速无法描述各路径不同的伸缩，模型失配会被强行折算成一个折中声速，控制补偿只能改善平均而非每条路径。第二，参考脉冲响应已知假设。观测点和全部控制点在参考声速下的脉冲响应被假设已知，若部署前测量有噪声或之后扬声器漂移、听众移动，估计会把这些变化也算到声速头上。第三，节目依赖。

静音、低能量、窄带音乐帧缺乏延迟鉴别信息，单帧估计可能跳变，自适应窗口只能抑制跳变幅度，不能创造信息。第四，阶梯声速与短混响的仿真边界。每次增加 2 米每秒、每 8 帧跳 1 次的阶梯变化比真实缓慢漂移更陡峭但仍是分段恒定，真实连续漂移加长混响下的表现待验证。第五，成本未测量。原文未报告每帧网格搜索的计算时间、滤波器重算延迟和内存占用，不能承诺实时性得到改善，总体趋势不等于每帧都及时。

相关性不等于因果，跟踪曲线贴合真值不证明声速是唯一变化源，只是说明在只有声速变化的仿真中估计有效。

复现先做什么，需要哪些代码与参数？

先按原文仿真搭最小可运行链路。房间用房间脉冲响应生成器，采样率 16000 赫兹，房间 4.5×4.5×2.2 米，16 扬声器线阵间隔 6 厘米，亮暗区各 37 点间隔 9 厘米，高度 1.2 米，混响时间 100 毫秒得到 800 点脉冲响应。声区滤波器长 500 点，权重 1，无正则化，以第 8 路为亮区期望参考。节目准备 22 秒白噪声、语音和摇滚乐，帧长 4000 点无重叠。真值声速从 333 米每秒到 353 米每秒每 2 米每秒一档，每 8 帧切换 1 次传播脉冲响应。

估计端实现固定范围 326 到 360 米每秒步长 0.25 米每秒，以及上 1 帧正负 3 米每秒步长 0.1 米每秒的自适应，滤波器更新阈值 1 米每秒。代码方面，原文声明的仓库当前可用，地址为公开代码库，可获取仿真与方法实现，复现时应以该仓库为准核对插值矩阵、缓冲卷积和重算触发逻辑。何时值得尝试是已有离线测得脉冲响应、只能加一个旁听麦克风、且主要漂移来自温度引起声速变化的声区或空间控制系统。

还需补的验证包括实测脉冲响应、长混响、连续缓慢变温、有人走动，以及每帧搜索耗时与滤波器切换可听性的主客观评估。

一句话收束：何时用，何时不用？

当系统已有参考脉冲响应、只能负担单个观测麦克风、又怀疑性能漂移主要来自声速时，本文的逐帧单参数估计加阈值触发重算是一条改动小、可复用的补偿路径。当环境存在明显非均匀温度、脉冲响应测量本身不可靠、节目长期窄带静音，或对实时计算和切换伪影有严格要求时，不应直接套用结论，需要先补实测验证和开销测量。记住本文的强证据是仿真中估计驱动修正紧贴已知声速修正并接近真实脉冲响应基线，弱点是缺乏具体分贝数值表和实测验证，因此复述时应讲趋势与条件，不编造提升数字。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

区域 6 · 查看论文原页

另有 43 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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

← 返回 eusipco-2026 论文汇总