距离与方向混在一起时，贴麦检测如何用互相关把两者分开

英文题目：Ada-Mic: Orientation-Adaptive and Robust Close-to-Mic Speech Detection on Smartphone Using Generalized Cross-Correlation Features

会议身份：conference:interspeech:2026:conference-paper-id:fong26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#信号处理 #鲁棒性 #多通道 #语音 #音频分类

评分：6.3/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Stuart Fong：机构信息未能从会议 PDF 纯文本可靠映射
• Sky Qiao：机构信息未能从会议 PDF 纯文本可靠映射
• Xuecong Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Seyed Shahabeddin Nabavi：机构信息未能从会议 PDF 纯文本可靠映射
• Huanzhang Zhu：机构信息未能从会议 PDF 纯文本可靠映射
• Jinran Zhu：机构信息未能从会议 PDF 纯文本可靠映射
• Siqi Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Amirhossein Hajavi：机构信息未能从会议 PDF 纯文本可靠映射
• Rasoul Mohammadi Nasiri：机构信息未能从会议 PDF 纯文本可靠映射
• Shuangliang Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Longshuai Xiao：机构信息未能从会议 PDF 纯文本可靠映射
• Yuanhao Yu：机构信息未能从会议 PDF 纯文本可靠映射
• Irina Kezele：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

近场语音检测需从双通道手机录音判断说话人是贴近话筒还是远离，难点在于信号能量同时受距离和到达方向调制，换个握持角度远近判断就会反转。先以双通道语音谱图或波形为输入，用骨干网络编码得到距离相关向量，再以双通道音频估计的GCC-PHAT向量为输入，用残差卷积编码得到方向相关向量。最后将两路向量拼接后作为融合输入，送入带Sigmoid的稠密层输出贴近与远离二分类概率，使前两步的距离依据与方向峰形多径依据共同进入判决以分离方向干扰。与仅用能量与频谱的已有近场检测相比，关键差异是用互相关峰形与多径结构隐式携带方向信息，从而在不显式估计角度下分离方向干扰，大范围握持外推尚未验证。在办公噪声场景下，Ada-Mic在15cm顶麦非正对条件下的准确率为58%，高于ProxiMic基线的准确率34%。该结论限于2通道手机、短指令朗读与受控角度区间，未验证强混响、多人重叠与跨设备泛化。计算开销方面，对轻量骨干增加约7.6%浮点运算，对大模型骨干可忽略。该额外分支的计算量很小，推理开销主要仍在原骨干上。

🔗 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

输入是什么，目标是什么，为什么值得做？

这篇论文的输入是智能手机上录到的双通道语音，目标是判断这段语音是不是用户贴着麦克风说的近距离语音。必须保留的关键信息是距离标签的划分、方向变化的范围、双麦克风的硬件约束，以及评估时是否加噪声。输出是一个贴近与远离的二分类概率，整篇解读都围绕这个判决如何不受拿手机姿势干扰展开。

研究对象是免热词唤醒中的一个具体环节。传统做法要先说固定唤醒词，免热词希望拿起手机直接说话就能用。对研究生来说，可以把任务理解为近场触发器：近就唤醒或优先处理，远就不触发。论文的动机是用户不愿意每次都把手机端端正正举到嘴边，如果检测器只在某个角度准，交互就不自然。

学习依赖上要先分清能量与距离的关系。直觉是越近越大声，但手机麦克风有指向性，偏一点声音就变小。于是大声不一定近，小声不一定远。只看幅度就会把近距离大角度误判为远，把远距离正对误判为近。这就是后文引入空间线索的原因。

贴近麦克风语音检测 × 免热词唤醒： 贴近麦克风语音检测负责判断当前语音是不是用户贴着手机麦克风说的近距离语音，免热词唤醒负责在不说固定唤醒词的前提下决定是否启动语音助手；前者是后者的一种实现手段，分工是距离二分类提供触发信号、唤醒框架决定交互流程，搭配理由是去掉热词后必须有别的可靠近场依据，组合意义是用距离判决替代热词门限。

本文默认从原文独立写作，不引用外部经验。资源状态方面，本次没有发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不能声称代码、模型或数据已公开或当前可用，只能按论文文字讨论方法与实验条件。

已有路线在同输入同目标下卡在哪里？

在同输入同目标这条线上，论文点名了两类贴近检测。一种是用语音能量特征的思路，代表是 ProxiTalk，另一种是单麦克风加爆破音与梅尔谱特征的思路，代表是 ProxiMic。它们的共同局限是对方位角变化不够鲁棒，因为非轴向入射会带来衰减。论文还指出已有方法的操作角度范围只到绝对仰角约 45 度左右，超出后就不稳定。

在同目标但不同输入或不同运行阶段的路线上，还有注视唤醒与手势唤醒。注视适合电视音箱等固定设备，不适合随时移动的手机。手势需要耳机、相机、红外或超声等额外传感，有的涉及隐私，有的需要主动发射信号，有的增加功耗。另一条多麦克风阵列三角定位的思路在只有两个麦克风的手机上受限。

这样对照下来，论文的选择就清楚了：不加新传感器，不要求大阵列，只用本来就有的双麦克风信号。教学上可以把相关工作分成三格：单双通道音频方法管距离，能量特征简单但混淆方向；多传感器方法管姿态但成本高；阵列定位方法管空间但要更多通道。Ada-Mic 想待在第一格里，用信号处理 already 存在的互相关信息补上方向感。

需要提醒初学者，类别差异不能当成同条件胜负。比如拿需要摄像头的方案和纯音频方案比准确率没有意义，因为输入与部署条件不同。论文的公平比较是同一主干加不加互相关分支，而不是跨传感器比大小。

为什么只看响度会在换姿势时混淆距离？

沿一个样本走一遍最直观。假设用户嘴离手机 5cm 但手机歪了 40 度，底部麦克风收到的幅度可能和嘴离 30cm 正对时差不多。如果分类器只看到频谱能量，它没有理由把这两个样本分开。论文要解决的就是这种距离分量与方向分量在幅度上耦合的问题。

形式化一点，任务是把 1 秒左右的双通道片段映射为贴近或远离。贴近在实验中对应 2cm 与 5cm，远离对应 15cm 与 30cm。手机姿势用俯仰角与偏航角描述，分为对着底部麦克风直接放平、对着底部间接抬起、对着顶部直接放平、对着顶部间接放下 4 类。角度一变，到达方向就变，能量与通道差都跟着变。

下面这张示意图把混淆讲得很具体，值得先看懂再进入方法。它不是性能曲线，而是任务难点的图解。

看图路径： 1. 先看左上近距离小角度与右上远距离小角度两组人头与手机示意，对比标注的强与弱信号强度；2. 再看右下近距离大角度的例子，确认同样是近距离但信号强度也被标为弱；3. 接着看左下极坐标方向图，确认 0 度附近响应最大、偏离后衰减的含义；4. 最后看图中对手机俯仰角与偏航角的标注，理解姿势如何改变到达方向

论文图 1。原论文 Figure 1：“Classifying close-to-mic speech is difficult using sig- nal magnitudes alone.”。

上图左侧表示小到达方向近距离时信号强，右侧上表示小到达方向远距离时信号弱，这两组符合响度直觉。关键是右下角那组：距离仍是近，但到达方向变大后信号同样变弱。左下极坐标方向图进一步说明 0 度附近响应最大，偏离 0 到 90 度之间会被衰减。图中还标出俯仰角与偏航角，说明姿势变化就是到达方向变化的来源。读懂这张图后就能理解为什么论文说仅用信号幅度难以分类，以及为什么需要对方向鲁棒的设计。

双分支全景如何从输入走到一个概率？

方法全景是两条流汇成一个判决。上路是语音主干，处理语音输入本身，可以是轻量卷积网络，也可以是微调后的基础语音模型。下路是互相关编码器，处理从同一段双通道音频算出的广义互相关向量。两路各输出一个特征向量，拼接后送入带 S 形激活的密集层，输出贴近对远离的单个概率。训练用二元交叉熵，优化器用亚当默认参数。

关键设计是可插拔。论文强调不改主干结构与输入，只是增加互相关分支，微调分类器与可选适配层。这样做的理由是保留预训练知识，减少训练与数据需求。对复现者来说，这意味着可以先把主干跑通，再单独调试互相关支路，最后做拼接微调，而不是从零重写整个系统。

下面这张框架图是全篇的总装图，建议按箭头走两遍。第一遍只看主干，第二遍只看互相关支路，第三遍看汇合点。

看图路径： 1. 先沿顶部语音输入到主干模型再到拼接符号的主路径走一遍；2. 再沿底部互相关输入经过多级一维卷积与投影到拼接符号的支路走一遍；3. 确认两路在标有拼接符号处汇合后再进入融合与分类器输出一个概率；4. 对照图例区分一维卷积块、全局最大池化、丢弃、密集层与拼接符号

论文图 3。原论文 Figure 3：“Diagram of proposed framework for close-to-mic speech detection.”。

上图顶部紫色块是主干模型，输入为语音，输出一路特征。底部是互相关分支，输入为互相关向量，经过多级 1 维卷积加批归一化与线性整流、全局最大池化与丢弃后得到另一路特征。两路在中间拼接符号处汇合，经过融合与分类器得到输出。图例区分了 1 维卷积块、全局最大池化、丢弃、密集层、拼接与主干。像素上可以看到互相关支路标注了 16 乘 100、16 乘 50、24 乘 25、32 乘 13、32 乘 1 等中间尺寸，说明向量在逐步压缩。这个结构对应后文表格中提到的 256 维与 100 维等特征维度，读图时把尺寸变化与文字描述对起来即可。

主干模型 × 互相关编码器： 主干模型负责处理语音本身的内容与能量表示，互相关编码器负责把互相关向量压缩成方向与姿态特征，分工是一路看距离相关的响度频谱、一路看方向相关的延时结构，搭配理由是能量同时受距离和角度影响必须有第二路来解耦，组合意义是两路特征拼接后再做 1 次二分类就能在换姿势时保持稳定。

全景走完后要记住监督来源：标签来自录制时控制的距离，与角度无关。网络没有被直接教角度数值，而是靠互相关向量隐式提供角度信息，让分类器自己学会把方向分量与距离分量分开。

互相关向量如何隐式携带方向与多径？

先用白话解释术语。广义互相关是把两路麦克风信号变到频域求互功率谱，再做加权逆变换得到随延时变化的一条曲线。相位变换加权的版本会压住幅度、突出延时，对混响与噪声更稳定。到达方向是声源相对两麦克风连线的入射角，延时越大角度越大，理想关系可以用反余弦算出，但论文不依赖显式算角度。

组件分工是这样：语音主干看响什么、像什么语音，互相关编码器看两路差多少、何时对齐。搭配理由是前者对距离敏感但也被角度污染，后者对角度敏感且相对不受内容影响。组合后分类器相当于拿到一个校准信号：同样大的声音，如果互相关说角度很大，就更可能判为近距离斜着说，而不是远距离正对说。

计算上，论文对加窗双通道信号做离散快速傅里叶变换，再对相位变换加权的互功率谱做逆变换。逆变换时过采样以提高峰位置插值精度，并取最大可能绝对延时正负 2 倍范围内的样本，目的是把多径反射也收进来。最后下采样到 100 点作为编码器输入。保留多径的理由是反射结构同样与手机姿态有关，有助于进一步解耦。

下面这组互相关示例是理解隐式编码的关键，建议对照角度看峰的位置。

看图路径： 1. 先确认四个子图横轴都是角度、纵轴都是互相关值；2. 对比左上小角度与右下大角度子图中峰值出现在横轴最左与最右；3. 观察中间两个子图峰值随角度移动到中部位置；4. 注意每条曲线除主峰外还有多个小起伏，对应多径与噪声结构

论文图 2。原论文 Figure 2：“Example plots of GCC-PHAT (y-axis) vs. DOA angle (x-axis) for (a) bottom direct, (b) bottom indirect, (c) top indi- rect, and (d) top direct orientations.”。

上图 4 个子图分别对应约 8 度、51 度、125 度与 172 度。横轴是角度，纵轴是互相关值。可以看到主峰随标称角度从左移到中再移到右：小角度峰在最左，大角度峰在最右，中间角度峰在中部。这支持论文所说用整条向量估计角度足够准确。每个子图除主峰外还有多个小峰小谷，论文把它们理解为包含姿态信息的多径与噪声结构，这也是用整向量而不用单个角度数的原因：单个数字会把这些结构与噪声压缩掉。

广义互相关 × 到达方向： 广义互相关负责从双通道信号的互功率谱中算出随延时变化的相关向量，到达方向负责描述声源相对手机轴线的入射角度，分工是前者提供可计算的向量表示、后者提供可解释的几何角度，搭配理由是互相关峰值位置与延时直接对应角度且整条向量还保留多径反射，组合意义是不用显式算出单个角度数也能让网络利用方向线索。

实现细节上，互相关分支先做投影卷积，再经两组主残差块与 3 层逐点卷积得到 256 维向量，主干卷积得到 100 维向量，拼接后分类。归一化用批归一化，激活用线性整流，残差处是主支与捷径求和后再往下传。这些都是原文明确给出的结构，复现时按此搭建即可。

训练如何组织，哪些参数更新哪些保留？

训练目标是二分类，损失为二元交叉熵。优化器为亚当默认参数，批量大小为 64，训练 200 轮，学习率为 4 乘 10 的负 6 次方。这个学习率很小，符合在已有主干上做轻量微调的设定。论文对两个主干的处理不同：轻量卷积主干为双通道扩展后从零训练，基础语音模型主干复制第一层投影卷积权重以适配双通道，并用低秩适配做微调，秩为 8，缩放系数为 1，分类头先对编码器输出做可训练加权平均再分类。

数据层面，训练与验证时每个样本随机叠加一段噪声，测试时用预先固定的音频与噪声组合。噪声量按信噪比 5 到 20 分贝控制。语音先用语音活动检测切出含语音区间，再按距离分组训练。这种做法让模型在训练中就见到不同信噪比，而不是只在干净语音上拟合。

关于冻结与更新，原文只明确说主干结构与输入不变、微调分类器与可选适配层、低秩适配用于大模型微调，没有逐层给出冻结矩阵或梯度是否截断的完整清单。因此复现时能确定的是分类层与互相关分支一定训练、大模型主体用低秩适配更新，但不能从模型名字推定每一层的冻结状态。缺失的逐层冻结表应在复现报告中记为未报告项，而不是自行假设。

训练成本方面，论文没有报告训练时长与硬件型号，只报告推理侧额外浮点运算：互相关编码器给轻量主干增加约 7.6%，给大模型增加不到 0.01%。这说明训练负担主要来自主干本身，新增支路很轻。做实验规划时应把预算重点放在主干微调与数据增强上。

数据、划分、姿势与噪声条件如何控制？

实验要回答的核心问题是换姿势与加噪声后贴近判决是否还准。比较的公平条件是同一主干、同一数据划分、同一距离标签，只差在是否加入互相关分支。指标是准确率，方向是越高越好。统计上用配对符号秩非参数检验，显著性阈值为 0.05，按麦克风、距离与姿势配对比较。

数据来自 66 名成年志愿者朗读 1600 条助手指令，共 38 小时纯语音，机型覆盖多款华为手机，麦克风间距 14 到 16cm。测试只用 Mate60 录音。噪声共 6.52 小时，分为音乐类与办公室类，约 4 到 5% 留作测试，其余用于训练验证，划分间无重叠。语音采样后用语音活动检测切段，距离分四档，标签按 2cm 与 5cm 为近、15cm 与 30cm 为远。

底部麦克风朝向 × 顶部麦克风朝向： 底部麦克风朝向指嘴对着手机底部麦克风说话的姿势集合，顶部麦克风朝向指嘴对着顶部麦克风说话的姿势集合，分工是分别覆盖俯仰角在负角度附近与在 150 度以上等不同区间，搭配理由是上下麦克风增益与遮挡不同必须分开考察，组合意义是 4 类直接与间接姿势共同构成方向鲁棒性的测试空间。

下表把数据规模与信噪比等可运行条件整理成五列，阅读时重点核对距离档、划分比例与噪声区间是否与复现一致。表前已说明比较问题与公平条件，表后会解释这些条件对结论的限制。

上表主要说明数据量与条件是充足且受控的，代价是测试只用单一机型，跨设备泛化未被直接测量。姿势上 4 类直接间接覆盖俯仰与偏航的一定区间，但不是连续无级全覆盖。噪声只做到 5 到 20 分贝，更低信噪比与强混响不在证据内。复现时若换机型或换噪声库，不能直接套用原文数字，只能重跑同协议。

预处理与特征也要对齐：轻量主干用 1 秒 8 千赫输入做短时傅里叶变换，窗长 20 毫秒、跳长 5 毫秒，再经线性和梅尔混合三角滤波得到 40 乘 200 谱图，双通道沿频率拼成输入。大模型主干用 1 秒 16 千赫双通道波形按原流程预处理。互相关向量下采样到 100 点。这些细节决定输入维度，错 1 位都会导致无法对齐。

主结果在哪些距离与噪声下提升最大？

主结果按安静、音乐噪声、办公室噪声三块报告，每块再按距离与上下麦克风直接间接展开。总体趋势是平均准确率提升约 3%，加噪声后提升更明显，最高约 5%，个别困难距离与姿势提升可达 24%。统计检验显示音乐与办公室两类噪声下互相关扩展相对基线的配对差异显著，安静场景未达显著，论文解释为样本较小且基线已高、任务较易。

过渡距离 × 背景噪声： 过渡距离指 5cm 与 15cm 这种贴近与远离交界的判决难点，背景噪声指音乐与办公室等叠加干扰，分工是一个考验距离边界、一个考验信噪比，搭配理由是真实使用中两者经常同时出现，组合意义是在这两类条件下看提升才能说明方法不是只在安静远近分明时有效。

下表把原文直接报告的总体收益与开销整理成五列，便于 1 次核对方向与代价。表前已提出测什么与和谁比，表后会结合过渡距离与未胜出项解释。

上表显示收益与代价是不对称的：额外计算很小，但噪声下收益稳定显著。需要同时看到反例：安静场景统计不显著，不能说每组都显著；顶部麦克风在某些过渡距离更难，论文推测与该机型顶部麦克风增益较小有关，互相关相对底部麦克风记录能区分上下朝向从而带来改进，但这属于有限解释而非因果证明。5cm 底部间接与 15cm 等过渡距离提升约 5% 到 10%，是支持解耦假设的关键证据，因为这些位置最容易把角度衰减误认为距离变远。

重提结果时要加新对照：轻量卷积与大模型两条主干都受益，说明不是某个主干的偶然；音乐与办公室两类噪声都显著，说明不是某一种噪声的偶然。但总体趋势不等于每格都赢，阅读原表时应逐格看远近与上下朝向，不能只记平均数。

哪些设计可以被替换，替换后会失去什么？

论文没有给出传统意义上逐模块剔除的完整消融表，但提供了两组可当作对照的证据。第一组是主干替换：轻量卷积与大模型两种主干分别加同一互相关分支都提升，说明分支具有可插拔性，而不是绑定某个主干。第二组是输入表示选择：用整条互相关向量而不用单个角度数，理由是单个数会把噪声压缩进表示，而整向量保留多径与姿态结构。预实验确认向量足以估计角度，但论文没有报告只用显式角度数的准确率数字，因此不能量化两者差距。

另一组隐式对照是延时范围。论文取正负 2 倍最大绝对延时再下采样到 100 点，目的是收进多径。原文称这带来额外分类增益，但没有给出只取单倍范围的数字。复现者若想补消融，最优先补的就是这两项：向量对单角度、双倍延时对单倍延时，其他条件保持同一主干同一种子。

下表把特征维度与处理参数整理成五列，帮助定位替换时哪里会断裂。表前问题是替换是否公平，表后解释代价。

上表说明替换成本不高但接口要对齐：若把 100 点改成其他长度，投影与卷积步幅都要重算；若把 256 维改小，拼接后分类层输入维度也要改。未胜出项也要记下：大模型在安静下个别远距离直接姿势的基线已高，加入分支后提升有限；顶部间接在强噪声下仍是难点。补验证时应重点看这些格，而不是只看平均数。

证据边界在哪里，哪些结论不能外推？

先说直接报告的边界。数据是正常音量朗读助手指令，没有涵盖耳语、大声喊、情绪语音或远场多人重叠。距离只测四档，5 到 15cm 之间没有更细刻度。姿势只按 4 类区间采集，不是连续角度回归。噪声只到 5 分贝下限，低于此的强噪声与强混响未验证。测试语音只用 Mate60，跨机型只在训练机型多样性中间接涉及，不能当作跨设备已验证。

再说测量缺项。论文报告准确率与额外浮点运算，没有报告误唤醒率、漏唤醒率、延迟、功耗与内存峰值。浮点运算小不等于端到端延迟小，因为互相关计算本身的快速傅里叶变换与逆变换开销、音频前端与唤醒常驻功耗都没有单独测量。未测量不是技术错误，但不能承诺这些量得到改善。

最后说推断分级。报告级的是平均提升约 3%、噪声下高达 5%、困难条件高达 24%、额外运算 7.6% 与小于 0.01%。支持级的是过渡距离与间接姿势提升更明显、与互相关解耦假设一致。待验证的是顶部麦克风难做是因为增益小、多径一定编码姿态等解释，它们合理但没有因果实验。相关性不等于因果，读到推测句式时应自动降级为可能。

还有一个特有误解要澄清：互相关分支不是在算发声人坐标，也不是在做波束形成增强语音，它只提供方向相关的辅助特征帮助分类。把它当成定位器会误解监督来源，因为训练标签只有远近，没有角度真值。

复现先做什么，需要哪些信息条件？

复现第一步是重建数据协议，而不是先调模型。按原文控制四档距离、4 类姿势、90-5-5 划分且被试不重叠，测试固定用同一机型。用语音活动检测切出含语音区间，训练验证随机加噪、测试固定组合，信噪比控制在 5 到 20 分贝。只有这些对齐后，准确率数字才可比。

第二步是重建双分支。先跑通主干：轻量卷积用 8 千赫 1 秒谱图输入，双通道沿频率拼接；大模型用 16 千赫 1 秒波形，复制首层投影以适配双通道并用低秩适配微调。再单独实现互相关：加窗、快速傅里叶变换、相位变换加权、逆变换过采样、取正负 2 倍最大延时、下采样到 100 点，最后接论文给出的卷积残差编码器得到 256 维向量。两路拼接后用密集层加 S 形输出概率，二元交叉熵训练，批量 64、200 轮、学习率 4 乘 10 的负 6 次方。

第三步是复跑评估。按距离分组统计近远二分类准确率，再按上下麦克风与直接间接展开，最后做配对符号秩检验。至少要复现两类特有细节：过渡距离 5cm 与 15cm 的提升，以及音乐与办公室两类噪声下的显著性。只复现平均数是不够的。

信息条件上，关键超参数与特征尺寸已在原文给出，但代码权重数据均无可用声明，本次也不能声称已公开。系统可运行不等于代码开源，复现者应按无公开实现来规划工作量，并把逐层冻结、随机种子、硬件环境记为需补验证项。

何时值得尝试，还需补哪项验证？

当你的贴近检测只在端正姿势准、一歪就把近判远时，值得尝试这条路线。前提是设备本来就有双麦克风，且能拿到同步双通道。此时加一个轻量互相关分支比加传感器或改大阵列更便宜，论文报告的额外运算也支持这一点。对已有贴近检测器，可以先冻结主干、只训练分支与分类头，看过渡距离与间接姿势是否改善，再决定是否全量微调。

当数据只有单通道、或测试信噪比远低于 5 分贝、或机型与麦克风间距差异很大时，不应直接套用结论。这些都在原文证据之外，需要重采数据验证。同样，安静远近分明场景基线已高时，加入分支的边际收益可能很小，不必为平均数强行上线。

还需补的验证很具体：误唤醒与漏唤醒的权衡曲线、端到端延迟与常驻功耗、跨机型与跨间距泛化、低于 5 分贝与强混响下的表现，以及向量对单角度、双倍延时对单倍延时的受控消融。补完这些，才能把准确率提升翻译成可部署收益。

回到中心矛盾：响度同时携带距离与方向，单看响度无法解耦。论文用互相关向量提供独立于内容的延时结构，让分类器学会校准。这就是方法选择的实质，也是复述时必须讲清的一句话。

⚖️ 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 interspeech-2026 论文汇总