英文题目：NCPSZ: A Nonlinear Control Network for Miniature Loudspeakers in Personal Sound Zone Applications
会议身份：
conference:interspeech:2026:conference-paper-id:gong26_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。
标签：#CNN #严格因果 #语音 #主动降噪
评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 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
- Chen Gong：机构信息未能从会议 PDF 纯文本可靠映射
- Lei Zhou：机构信息未能从会议 PDF 纯文本可靠映射
- Chen Huang：机构信息未能从会议 PDF 纯文本可靠映射
- Hongqing Liu：机构信息未能从会议 PDF 纯文本可靠映射
- Liming Shi：机构信息未能从会议 PDF 纯文本可靠映射
- Lu Gan：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
面向智能手机防泄漏的个人声区（Personal Sound Zone，PSZ）需要在亮区（Bright Zone，BZ）保真再现语音的同时压低暗区（Dark Zone，DZ）能量，而微型扬声器在大音量下产生的谐波与互调失真使线性滤波器无法生成有效的反相抵消信号。方法链分三步：首先在时频域用高容量建模网络离线拟合扬声器到传声器的非线性映射；随后冻结该代理模型并以前馈方式接入控制优化，使控制网络生成的驱动信号经由代理产生可微分的亮区与暗区声场误差；最后采用锚点扬声器（Anchor Speaker）分工，由主耳机扬声器维持亮区目标，轻量因果网络只优化辅助扬声器以抵消暗区非线性泄漏。与线性方法相比，该框架不再假设可叠加传递函数，而是直接对失真谐波建模并进行相位敏感的多通道控制。在半消声室采集的智能手机任务上，以200-2000 Hz声学对比度（Acoustic Contrast，AC）为指标，提出方法相对线性可变跨度权衡（Variable Span Trade-off，VAST）基线平均提升3.78 dB，相对参数量匹配的因果卷积基线平均提升1.80 dB，且亮区声压级接近参考。结论目前仅适用于受试设备、固定佩戴姿态与高音量非线性工况，未验证跨设备、混响房间与移动外推能力。原文未披露训练时长、推理时延与部署成本。
🔗 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
输入是什么，输出是什么，为什么线性方法会触顶？
本文的输入是一段要在手机上播放的语音，输出是送给多个微型扬声器的驱动信号。目标不是把某一路声音放得更响，而是把空间分成两个区域来管理：用户双耳附近是亮区，要原样听清；周围环境是暗区，要尽量听不到，从而实现防泄漏隐私保护。评价用声对比度，也就是亮区平均声能量与暗区平均声能量之比再取对数，比值越高说明隔离越好。
难点在于辅助扬声器为了发出反相抵消信号，常被推到很高电平，微型扬声器在这种条件下会产生明显的谐波与互调等非线性产物。线性滤波器只能做加权叠加与延时，原理上复现不出这些新生的谐波分量，因此即使线性控制器已经调到接近最优，暗区仍会残留线性模型预测不到的能量。论文用 250 Hz 纯音在大音量下测到总谐波失真为 3.2%，就是为了先把非线性强度钉住，再谈线性基线是否触顶。
亮区 × 暗区： 亮区是希望正常听到目标语音的位置，本文指人工头双耳处的两个麦克风；暗区是希望尽量听不到泄漏的位置，本文指头部周围的多个麦克风。两者分工是同一优化问题的两端：亮区管保真，暗区管抑制，搭配理由是只压暗区会连带压低亮区，只保亮区则泄漏仍在，组合意义是用声对比度把两区能量比起来评价，控制必须同时满足两区目标。
本解读的输入是论文正文证据与官方原图像素，目标是让研究生能复述方法与实验条件，输出是按学习依赖展开的中文技术讲解。必须保留的信息包括任务定义、双网络分工、锚定策略、2 阶段训练、数据采集条件、基线配置与主结果数字。资源状态方面，本次未发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开，只能按论文报告的配置与数字复述。
同任务、同目标的已有路线差在哪里？
个人声区传统上有两条同输入同目标的主线。第一条是声对比度控制，直接优化亮暗能量比；第二条是压力匹配，直接优化两区对期望声压的复现误差。后续混合方法与鲁棒方法在两者之间权衡，或处理模型不确定性，可变跨度权衡则用统一框架在对比度与复现精度之间调节。本文把线性 VAST 选作线性基线，正是因为它属于这类通用权衡框架，能代表线性家族的较强水平。
声对比度控制 × 压力匹配： 声对比度控制分工是最大化亮区与暗区能量比，压力匹配分工是最小化两区对期望声压的复现误差。搭配理由是前者隔离强但音色可能偏离，后者保真好但抑制可能不足，组合意义是引出可变跨度权衡等混合框架，在对比度和复现精度之间用权重连续调节，本文的控制损失也延续了这种加权思想。
处理扬声器非线性的已有工作分为经典模型路线与数据驱动路线。经典路线包括基于 Volterra 建模与非线性预失真，也有早期在声区场景的尝试；近期数据驱动路线用深度网络做一般音频失真补偿。论文指出这些方法不是为相位敏感的多通道控制设计，就是没有考虑资源受限设备的实时部署，而音频增强网络常把扬声器当黑盒处理器，没有把可微电声模型放进声区优化环路。这一定位决定了本文不是另起一个通用增强网络，而是把建模与控制拆成两个网络并显式耦合。
要解决的具体问题与约束是什么？
具体问题是智能手机防泄漏：在用户手持接听姿态下，主听筒要保证亮区可懂度，辅助扬声器要压住暗区泄漏，且都在高电平非线性区工作。约束有 3 层：物理约束是扬声器本身非线性不可忽略；部署约束是控制网络要因果、低延迟、能在端侧运行；任务约束是亮区不能为换取对比度而被牺牲，暗区抑制要覆盖语音频带。
沿一个样本走一遍有助于建立全景。输入语音先做短时傅里叶变换得到时频表示，控制网络据此生成多通道补偿驱动信号，信号经过真实或代理的扬声器到麦克风系统，在亮区与暗区形成预测声压，再与亮区期望信号和暗区零目标比较算损失，最后经逆短时傅里叶变换回到时域输出。这个闭环里，建模精度决定优化方向是否可信，因果结构决定能否实时运行，锚定策略决定亮区保真由谁兜底。
双网络全景：谁建模，谁控制，信号怎么走？
方法全景可以概括为一大一小两个网络加一个锚定分工。大网络是建模网络，负责离线学会扬声器到麦克风的非线性映射；小网络是控制网络，负责在线生成预补偿驱动信号。训练时先训大网络，再冻结大网络去训小网络；推理时只跑小网络，大网络只在训练中充当可微仿真器。
下图是论文给出的非线性扬声器控制框架，值得先建立整体信号流向再看细节。
看图路径： 1. 从左侧输入信号经 CtrlNet 到四扬声器再到亮区与暗区的正向路径走一遍；2. 确认虚线框内 ModelNet 把扬声器到麦克风的非线性映射包成可微代理；3. 观察右侧损失函数同时接收预测声场与期望信号两路输入
论文图 1。原论文 Figure 1：“The proposed NCPSZ framework for nonlinear loud- speaker control.”。
从像素可见，左侧输入信号进入控制网络后分成多路送到 4 个扬声器图标，中间虚线框标出非线性失真与建模网络范围，右侧同时汇入预测声场与期望信号的损失函数模块。该图把本文关键选择说得很直白：控制与建模解耦，但优化时通过可微代理耦合；声场分成亮区与暗区两支，损失要同时看两区。这种画法也解释了为什么第二阶段能做基于梯度的声场优化，因为误差可以从麦克风端经冻结的建模网络反传到控制网络参数。
ModelNet × CtrlNet： ModelNet 分工是离线高保真预测从驱动信号到各麦克风的非线性声学输出，做可微分的电声代理；CtrlNet 分工是在线生成预补偿的多通道驱动信号，做因果实时控制。搭配理由是真实扬声器不可微且不能在优化内环反复大声试错，组合意义是非对称双网络让大网络先学会失真，再冻结它去监督小网络学会抵消失真。
需要提醒初学者：双网络不是集成平均，也不是教师蒸馏标签，而是仿真器加控制器。建模网络输出的是声压预测，控制损失是声场误差，二者量纲与目标不同，不能互换。若建模网络失真刻画不准，控制网络就会朝着错误的仿真世界过拟合，这是 2 阶段方法共有的依赖。
共享主干里编码器、瓶颈与掩码各管什么？
两个网络共享编码器加瓶颈加解码器的主干，但容量与目标不同。编码器用多层深度可分离 2 维卷积加残差连接，沿频率下采样而保持时间分辨率，时间轴只用过去侧填充以保证因果，适合低延迟控制。瓶颈先把编码特征重排并经全连接层送入因果门控循环单元，用循环状态扩大时间感受野而不破坏因果，用来刻画扬声器非线性的状态依赖。解码器镜像编码器，用子像素上采样恢复频率分辨率以避免棋盘伪影，并用跳跃连接保留精细谱细节。
末端是 3 维复数掩码头，对解码器输出的复特征图做相位敏感修正。掩码分实部与虚部分量，经双曲正切压缩后逐元素相乘得到掩蔽后特征。这种设计对声区任务很关键，因为多通道抵消依赖相位对齐，只调幅度不调相位难以在暗区形成稳定的反相相消。
锚定扬声器 × 辅助扬声器： 锚定扬声器分工是主听筒物理维持亮区目标声压，保证用户听到的内容不塌；辅助扬声器分工是在 CtrlNet 驱动下产生抵消信号，重点压暗区的非线性泄漏。搭配理由是手机播放约束下不能让所有扬声器都自由改动，组合意义是把亮区保真责任交给硬件锚定，把优化自由度集中到暗区抑制，损失中亮区权重才敢调小甚至置零。
容量拆分是部署考量的直接体现。建模网络用更宽通道与更大循环隐状态换取保真，控制网络用窄通道与小隐状态换取算力、内存与功耗。论文报告建模网络约 32.71M 参数、控制网络仅 0.18M 参数，两者相差两个数量级以上。这意味着推理成本主要由小网络决定，大网络的成本只在训练阶段支付 1 次，这种不对称是方法能谈实时性的前提。
两阶段如何训练，哪些参数冻结，监督从哪里来？
训练分两个阶段顺序执行。第一阶段训建模网络，数据是真实世界的扬声器输入与麦克风录音对，损失是预测声信号与实测信号的时频重建误差，包含时域平方误差与幅度谱误差两项，后者权重记为频率域监督系数。该阶段学到的是可微的非线性扬声器行为代理。第二阶段冻结建模网络参数，只更新控制网络参数，优化声场目标：亮区预测声压逼近期望参考，暗区预测声压逼近零，时域与频域误差用系数权衡，亮暗两区再用另一组权重权衡。补偿信号最后经逆短时傅里叶变换回到时域。
锚定策略改变了第二阶段的权重选择。由于主听筒在物理上维持亮区目标声压，优化时亮区权重可以调小甚至置零而仍保住亮区表现，本文实际把暗区与亮区权重设为 0.8 与 0.2，时频权衡设为 0.4。这组数字不是通用最优，而是防泄漏任务下偏重抑制的选择，换任务需要重调。梯度路径是声场误差经冻结建模网络反传到控制网络，建模网络本身不更新。论文未报告梯度裁剪、学习率衰减与早停等细节，这些缺项在复现时需要自行记录，不应从网络名称推定实现。
基线方面，线性基线用 VAST 并固定次空间维度与正则化参数，非线性基线用因果卷积网络。论文明确 VAST 已按先验常用设置并经验验证为稳定近优，因此后续超出部分更可能来自非线性补偿而非基线欠调。但消融证据有限，没有报告拿掉循环瓶颈或复数掩码后的变化，不能从名称推断各模块的必然贡献。
数据、设备与评价条件是否一致？
实验在半消声室中按手持接听姿态布置。硬件包括声卡、8 通道模拟功放、4 个 1115 微型扬声器与多个测量麦克风，录音经均衡滤波增强的 LibriSpeech 语音在高电压大音量下回放，保证训练与评测都在显著非线性区。数据集包含 1300 多条录音，任务是语音到语音。评价以声对比度为主指标，定义为亮区与暗区平均声能量之比，计算在 200–2000 Hz 频带并在整个测试集平均。声压级曲线作为辅助，用来判断提升是来自暗区压低还是亮区抬高或压塌。 下图是数据采集布置，复现时必须先对齐几何再谈数字。
看图路径： 1. 看左侧手机示意图上四个微型扬声器的位置分布；2. 看右侧俯视图人工头中心与周围麦克风的 0.5m 与 45.0 度标注；3. 区分双耳亮区麦克风与周围暗区麦克风的编号
论文图 3。原论文 Figure 3：“Data collection settings.”。
从像素可见，左侧手机示意图顶部与底部标出 4 个扬声器位置，右侧俯视图以人工头为中心向外辐射多支麦克风，标注有 0.5m 距离与 45.0 度夹角。论文正文一处写 7 个麦克风，另一处写双耳两个亮区加周围 6 个暗区，两数相加为八，与七不一致，复现时应以实际通道数与代码为准，此处明确标注该冲突而不自行圆合。短时傅里叶变换用窗长 2048、跳长 1024，优化器用 Adam、学习率为 0.001，这些是复现必须固定的信息条件。
下表把建模与控制的容量与信号配置放在一起，便于检查公平性与可运行性。表前问题是：大小网络的成本差是否大到支持实时说法，信号分析参数是否一致。比较公平条件是同一 STFT 与同一优化器设置，指标方向是参数量越小越利于端侧，建模误差越小越利于监督可信。
| 网络与配置 | 层数与采样 | 通道与循环隐单元 | 参数量 |
|---|---|---|---|
| 建模网络 | 4 层编码加 4 层解码，频率不下采样 | 128 通道，门控循环单元 80 隐单元 | 32.71M |
| 控制网络 | 2 层编码加 2 层解码，上下采样因子 2 | 16 通道，门控循环单元 8 隐单元 | 0.18M |
表后解释是：控制网络参数量仅为建模网络的约千分之五量级，这是轻量因果部署说法的来源；但论文未报告实测延迟、帧率与功耗，因此不能把参数小直接等同于延迟低。未胜出项是建模网络本身不能用于推理，大容量在端侧不可部署，这是非对称设计的代价。另一边界是 STFT 窗长 2048 在 16 kHz 或 48 kHz 下对应延迟不同，论文未明确采样率，复现时需补记该缺项。
主结果：提升来自暗区压低还是亮区变化？
在讨论声对比度之前，先要确认代理模型是否可信，否则控制提升可能是仿真假象。下图是建模网络的预测与实测对比，分为时域与频域两面板。
看图路径： 1. 先看上方面板时域波形的预测与实测包络是否重合；2. 再看下面板频域两条声压级曲线在大部分频段的重合度；3. 用右侧误差轴定位误差虚线在 2.5 kHz 附近的局部峰
论文图 5。原论文 Figure 4：“Time- and frequency-domain unnormalized SPL com- parison between predicted and measured signals.”。
从像素可见，上方面板两条时域波形包络几乎重合，说明非线性行为在大尺度上被抓住；下面板左侧纵轴为声压级、右侧纵轴为误差，预测与实测谱在大部分频段贴合，仅在 2 kHz 附近与 2.5 kHz 附近误差虚线出现局部峰。论文解释 2.5 kHz 附近误差主因是该区域信号能量低，小绝对偏差导致相对谱差显得大，对总声能量贡献小，不影响后续控制。建模在测试集平均均方误差为 1.6 乘 10 的负 9 次方，报告显示系统辨识精度高，为第二阶段优化提供了可靠代理。但需注意该均方误差未注明归一化与聚合口径，只能作为论文内相对可信度参考，不宜跨论文比较。
非线性失真 × 线性 VAST： 非线性失真分工是解释高电平下出现的谐波与互调等线性滤波器无法复现的成分；线性 VAST 分工是给出纯线性假设下的次空间权衡基线。搭配理由是只有先量化失真强度才能判断线性方法是否触顶，组合意义是论文把 VAST 调到接近线性性能上限后再比，超出部分才能归因于非线性补偿而非线性调参不足。
声场主结果用平均声压级曲线呈现，亮区在上、暗区在下，包含无处理、VAST、因果 CNN 与本文方法。
看图路径： 1. 先确认纵轴为声压级、横轴为频率的上亮下暗两簇曲线；2. 对比上方虚线亮区各方法是否基本贴合；3. 对比下方实线暗区中蓝色 NCPSZ 是否在低频段更低
论文图 4。原论文 Figure 5：“Average SPL in the BZ and DZ across the test set for unprocessed playback, VAST, CNN, and the proposed NCPSZ method.”。
从像素可见，上方亮区虚线簇中各方法基本贴合，说明亮区保真没有被牺牲；下方暗区实线簇中无控制的紫色线明显最高，红色 VAST 已大幅压低，而蓝色本文方法在低频段进一步更低，绿色 CNN 介于其间。该形态支持论文判断：对比度提升主要来自增强的抵消而非亮区退化，且低频非线性抑制是主要来源。像素不能精确读出每频点数值，因此频点级差值不硬写，只引用论文在 200–2000 Hz 平均后的数字。
比较问题是：在同一测试集与同一频带下，各可运行策略的声对比度排序如何。公平条件是同一高电平非线性回放、同一亮暗划分与同一平均口径，指标方向是声对比度越高越好。下表整理核心可运行策略的平均提升，数据表与配置表不能替代该结果表。
| 评价频带与聚合 | 指标与方向 | 线性基线 | 非线性基线 | 本文方法相对提升 |
|---|---|---|---|---|
| 200–2000 Hz 测试集平均 | 声对比度越高越好 | VAST 次空间维度 4 正则化系数 10 的 3 次方 | 因果卷积网络 | 比 VAST 高 3.78 dB，比 CNN 高 1.80 dB |
表后解释是：本文方法在语音带内一致取得 3.78 dB 与 1.80 dB 的平均声对比度提升，且 VAST 已调到接近线性上限，因此增益更可能来自非线性补偿；相对 CNN 的额外增益支持循环瓶颈对状态依赖非线性的帮助，但这属于有限解释而非因果证明。未胜出项是 VAST 与 CNN 在暗区仍明显优于无处理，说明线性抑制并非无效，只是在非线性区触顶。限制是该表只覆盖平均值，未报告方差、显著性与每句最差情况，总体趋势不等于每组都成立。
哪些对照缺了，哪些细节支持非线性解释？
论文的对照可以看作两层。第一层是线性对照，用调到近优的 VAST 代表线性家族上限；第二层是非线性对照，用参数匹配的因果 CNN 代表无循环瓶颈的非线性方案。本文方法同时超过两者，才敢说既需要非线性，也需要时序建模。但严格消融缺失：没有报告去掉复数掩码、去掉频域损失、改变亮暗权重或改变循环隐单元后的变化，也没有不同电平下的曲线，因此不能回答哪个模块贡献多少。
论文特有的第二类细节是失真与权重设置。下表把非线性强度、数据规模与损失权重放在一起，说明结果适用的前提。表前问题是：当前增益在多大失真与多大权重下测得，换条件是否还成立。公平条件是同一大音量回放与同一权重，指标方向是总谐波失真越大越考验非线性补偿，权重越偏向暗区越利于对比度。
| 条件类别 | 具体设置 | 规模或数值 | 作用指向 | 适用边界 |
|---|---|---|---|---|
| 失真标定 | 250 Hz 纯音最大用户音量 | 总谐波失真 3.2% | 证明线性模型不可预测 | 仅单频点，未扫频扫幅 |
| 数据与任务 | LibriSpeech 经均衡增强 | 1300 多条语音到语音 | 保证大失真训练评测 | 未报告划分与说话人重叠 |
| 控制权重 | 暗区 0.8 亮区 0.2 时频 0.4 | 偏重抑制兼顾谱一致 | 锚定下敢降亮区权重 | 换任务需重调 |
| 建模精度 | 测试集平均 | 均方误差 1.6 乘 10 的负 9 次方 | 支撑代理可信 | 未注明归一化口径 |
表后解释是：3.2% 失真与高电压回放把实验钉在非线性区，这是主结果成立的前提；1300 多条增强语音提供了一定多样性，但划分、说话人与均衡参数未交代，泛化边界待验证。负结果方面，2.5 kHz 附近建模误差局部增大是一个已报告的反例，好在能量占比小；麦克风数量的前后不一致是另一处需核对的冲突。训练与部署成本方面，只给了参数量而无训练时长、推理延迟与内存，复现时需补测。
还不能承诺什么，边界在哪里？
首先不能承诺延迟与功耗改善。论文给了轻量参数量与因果结构，但未测量输出帧率、实际延迟与端侧功耗，参数小与因果正确不等于系统延迟达标，总体趋势不等于每帧都达标。其次不能承诺全频段与全电平成立。主结果只在 200–2000 Hz 平均，建模误差在 2.5 kHz 附近局部增大，高频与更大失真下的表现未验证。再次不能承诺权重通用。暗区 0.8、亮区 0.2、时频 0.4 是防泄漏任务的选择，换成需要高保真音乐回放的任务可能需要重新权衡。
数据与评价边界也需写清。麦克风总数存在七与八的文本冲突，划分、采样率、聚合与统计方法未完整交代，建模均方误差的归一化不明，这些都会影响跨研究比较。相关性不等于因果：超过 VAST 支持非线性建模重要，超过 CNN 支持时序建模有帮助，但没有模块级消融就不能说循环或复数掩码必然带来多少增益。缺失证据不是技术错误，但复现时必须先补齐这些口径再下结论。
复现先做什么，需要固定哪些信息条件？
复现第一步是重建几何与信号链。按手机四扬声器与人工头加周围麦克风的布置固定距离与角度，明确亮区取双耳通道、暗区取周围通道，并核对实际通道数以解决文本冲突。信号链固定短时傅里叶变换窗长 2048、跳长 1024，并补记采样率与窗函数，否则延迟与频带无法对齐。回放电平要复现最大用户音量附近的高电压条件，并用 250 Hz 纯音复测总谐波失真是否接近 3.2%，否则非线性强度不一致会导致增益不可比。
第二步是 2 阶段训练。先用扬声器输入与麦克风录音对训建模网络至时频重建收敛，记录归一化与聚合口径以复现 1.6 乘 10 的负 9 次方量级的建模误差；再冻结建模网络，只训控制网络并固定暗区 0.8、亮区 0.2、时频 0.4。基线必须包含可运行的 VAST 与因果 CNN，前者固定次空间维度 4 与正则化系数 10 的 3 次方，后者固定因果与参数匹配条件，不能用事后最优或 oracle 代替可部署收益。评价固定 200–2000 Hz 测试集平均声对比度，并同时画出亮暗声压级曲线以确认提升来自暗区压低。
关于可用性，本次没有验证通过的代码、模型或数据资源，因此只能说论文未提供可确认的公开链接，复现需自行采集或仿真。不要把无训练等同于确定性求解，也不要从冻结参数推定系统输出确定，因为语音输入本身多变，声场仍随输入变化。
何时值得尝试，一句话收束
当设备是微型扬声器、辅助通道常年大电平工作、任务更看重暗区抑制而亮区可由主听筒锚定时，本文的建模加控制拆分值得尝试；当任务要求全频段高保真音乐或功耗延迟有硬上限时，应先补测延迟、功耗与全电平曲线再决定。教学上最易误解的是把声对比度提升当成音质提升，实际上对比度只管两区能量比，不管亮区音色，音质仍需另行主客观评价。
收束是：用大网络离线学会失真并冻结成可微仿真器，用小网络在线学会抵消并用锚定保住亮区，是本文在非线性声区任务中的中心选择；在报告条件下它带来了 3.78 dB 与 1.80 dB 的平均声对比度增益，但增益的前提、方差与成本仍需补验证。
⚖️ 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