把调制解耦出去：U2A-Net 为何用超声输入重做参量阵建模

英文题目：U2A-Net: Physically Motivated Ultrasound‑to‑Audio Neural Modeling for Parametric Array Loudspeakers

会议身份：conference:interspeech:2026:conference-paper-id:li26ea_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：#CNN #空间音频 #语音 #音频生成

评分：6.4/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 1.0/1 | 影响力 0.7/1.5 | 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

• Mengtong Li：机构信息未能从会议 PDF 纯文本可靠映射
• Yu Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Jia-Xin Zhong：机构信息未能从会议 PDF 纯文本可靠映射
• Jing Lu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

参量阵列扬声器需从基带音频经超声调制、换能器辐射与空气非线性传播后预测可听声，难点在于调制、频率响应与自解调级联纠缠，且谐波与互调产物幅度小却决定听感。所提超声到音频网络以192 kHz采样的已调制超声驱动信号为输入，经扩张因果卷积堆提取长时超声特征，再由两级步长卷积实现4倍可学习下采样，最终在48 kHz输出可听声估计。网络以时域波形均方误差与幅度谱均方误差联合训练，使高分辨率超声特征逐步整合映射至低速率可听带，容量集中于二次非线性主导的自解调。与音频到音频黑盒映射及超声到全频带建模不同，该重构不再同时学习调制过程，也避免重建高能量超声载波，因而更契合Westervelt方程描述的超声到可听声物理变换。在1.8 m消声室上边带调幅系统评测设置下，U2A-Net的THD指标为0.52%，低于A2A-Net的THD指标1.86%。同条件下其IMD为1.26%。该结论适用边界受限于单阵列、单距离与500 Hz至7550 Hz步进正弦评估，尚未验证其他阵列尺寸、聆听距离与连续语音音乐激励下的失败条件。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

输入是什么，输出是什么，为什么失真指标才是判据？

本文的输入是给参量阵扬声器的期望基带音频与实际调制后的超声驱动信号，目标是准确预测在空气中自解调后产生的可听声，特别是其中的非线性失真成分。先用白话解释关键术语：参量阵扬声器，英文 parametric array loudspeaker，缩写 PAL，是用大量超声换能器发射高强度超声波，利用空气本身的非线性在传播中解调出方向性很强的可听声的扬声器；自解调，英文 self-demodulation，是指两个频率接近的超声波在非线性介质中相互作用产生差频可听声的过程，不需要接收端再做解调。

参量阵扬声器 × 自解调： 参量阵扬声器负责把调制后的高强度超声波辐射到空气中，自解调负责在空气非线性传播中由超声包络差频生成可听声，二者搭配的原因是方向性来自超声载波的准直传播而可听声来自传播中的 2 次非线性，组合意义是建模目标应是超声压力场到可听声的变换而不是基带音频到可听声的黑盒。

对刚入门的研究生，沿一个样本走一遍有助于建立坐标：取一段语音或音乐基带信号 sa(t)，经上边带幅度调制形成 40 kHz 附近的超声信号 su(t)，经放大器推动换能器阵列辐射出去，在 1.8 米处用传声器收到全频带声压 y(t)，其中包含很强的超声残留 yu(t) 与我们关心的可听成分 ya(t)。建模的输出不是把超声也重建出来，而是只预测 ya(t)，并且评价时不只看波形均方误差，因为基频能量会淹没小幅度谐波与互调产物，论文因此把总谐波失真与互调失真曲线的复现精度作为主要判据。

开场必须保留的信息是：事实来源只有论文原文证据与本次收到的官方原图像素，本次未发现来源绑定且完成验证的开源资源，因此不能声称代码模型或数据已公开；输出是 1 篇可核对可复述方法的技术解读，后文按任务路线、方法全景、组件计算、训练构造、实验条件、结果反证、复现收束展开。

已有路线为何在强非线性下不够用？

论文把已有工作归为 3 类，理解它们的输入输出域是关键。第一类是解析模型，以 Berktay 远场解为代表，它把可听声压近似写成调制包络平方的函数，属于音频到音频思想的解析实例，优点是给出平方律的物理直觉，局限是依赖弱非线性、准直平面波与远场假设，在真实大信号与复杂阵列下误差显著。

第二类是 Volterra 滤波器，英文 Volterra Filter，缩写 VF，它用多阶核显式表达非线性，早期用于参量阵辨识，但系数随阶数指数增长，可靠估计困难，现有实用版本多限于低阶，论文指出这不足以描述实际级联高阶非线性。第 3 类是深度学习的音频到音频网络，例如单速率 WaveNet 直接从 48 kHz 基带音频映射到 48 kHz 可听声，容量大时精度不错，但它把超声调制、换能器频率响应与空气传播非线性压成一个黑盒，要求模型同时学会调制机制与解调非线性，训练难度与复杂度偏高。

还有一支超声驱动的 Volterra 工作采用超声到超声映射，从 su(t) 预测全频带 y(t)，虽然输入符合物理激励，但输出被能量高数个量级的超声载波主导，模型容易优先重建载波而忽略真正关心的低能量音频失真细节。论文的判断是：任务重构比单纯加容量更重要，这直接引出超声到音频的提法。

三种建模范式在信号域上到底差在哪里？

论文用信号生成链定义问题。基带音频 sa(t) 先经调制得到超声驱动 su(t)，再经超声换能器与空气非线性得到总声压 y(t) 等于 yu(t) 加 ya(t)。白话是：调制决定超声长什么样，换能器决定电声转换的频率特性，空气非线性决定超声如何变成可听声。3 种范式的区别只在输入输出取哪两端：音频到音频是 sa(t) 到 ya(t)，超声到超声是 su(t) 到 y(t)，超声到音频是 su(t) 到 ya(t)。

超声调制 × 空气非线性： 超声调制负责把基带音频搬移到 40 kHz 附近载波上形成驱动信号 su(t)，空气非线性负责在传播中对 su(t) 做平方型及更高阶相互作用生成可听分量 ya(t)，二者必须搭配解释是因为传统音频到音频映射把两者压成一个映射，组合后拆开才能让模型只学第二段本征非线性。

论文在物理上引用 Westervelt 方程说明可听声来自超声压力场的 2 次非线性项，忽略损耗项以简化表述，强调本征变换应是 su(t) 到 ya(t) 而不是 sa(t) 到 ya(t)。音频到音频的复合映射记为 ya(t) 等于 FA2A(sa(t))，超声到超声记为 y(t) 等于 FU2U(su(t))，超声到音频记为 ya(t) 等于 FU2A(su(t))。教学例子是：同样一段 1 kHz 纯音，音频到音频模型看到的是 1 kHz 正弦输入，必须自己想象出调制边带与解调谐波；超声到音频模型看到的已经是 40 kHz 附近的已调波形，只需学习传播中的差频与失真生成，任务更聚焦。下面这张信号流程图把 3 条箭头的起终点画得很清楚，读图时先看主链再看跨接箭头。

看图路径： 1. 先沿中间灰色主链看从调制到超声换能器再到空气非线性的箭头方向；2. 再对比顶部蓝色 A2A 长箭头与底部紫色 U2A 箭头的起点与终点差异；3. 确认红色 U2U 箭头终点是全频带 y(t) 而 U2A 终点是可听分量 ya(t)；4. 注意输出端 y(t) 被写成 yu(t) 与 ya(t) 之和的标注位置

论文图 1。原论文 Figure 1：“The signal generation process of a PAL and three formulation of identification: A2A, U2A, and U2U.”。

这张图从左到右是调制方框、超声换能器方框、空气非线性方框再到输出求和式，顶部蓝色长箭头从 sa(t) 跨到 ya(t) 表示音频到音频，底部紫色箭头从 su(t) 跨到 ya(t) 表示超声到音频，红色短箭头从 su(t) 指向全频带 y(t) 表示超声到超声。可见超声到音频同时实现了解耦与聚焦：解耦指不再学习调制过程，聚焦指不再重建主导能量的超声载波，模型的表达能力可以全部用于超声到可听的非线性行为，这也是后文多速率结构的前提。

U2A-Net 的全景：输入表示如何一步步变成可听输出？

U2A-Net 的全景可以按一个样本的旅程复述。输入是 192 kHz 采样的已调超声波形 su(t)，它中心在载波频率附近，需要高采样率才能无混叠地表示波形细节；输出是 48 kHz 表示的可听波形预测值，记为预测 ya(t)，有效带宽在音频范围。用白话解释术语：多速率，英文 multi-rate，指输入输出采样率不同，本文是 4 倍关系；WaveNet 骨干指一叠空洞因果卷积残差块，擅长捕捉长时依赖，适合高采样率下需要大感受野的情形。

音频到音频 × 超声到音频： 音频到音频负责以基带音频 sa(t) 为输入直接预测可听声 ya(t)，超声到音频负责以已调超声 su(t) 为输入预测同一 ya(t)，二者搭配比较的原因是前者隐含调制器频率响应与解调非线性两段过程而后者与 Westervelt 方程描述的物理激励一致，组合意义是论文用输入域的改变来简化学习任务而不是单纯增大网络容量。

具体旅程是：192 kHz 超声先经逐点卷积升维，再依次通过 16 个残差块提取高分辨率特征，每个残差块的输出都经可学习下采样逐步降分辨率，最后由线性混合器汇总多层特征并输出 48 kHz 可听波形。训练时用同步采集的输入输出对 su(t) 与 ya(t) 监督参数化映射，损失是时域均方误差加频谱幅度均方误差的联合时频损失。论文强调这种安排的理由是：均匀用 192 kHz 处理输入输出会引入冗余与计算浪费，而单速率 48 kHz 又无法表示超声输入，因此必须在网络内部桥接 4 倍时间分辨率差。

下采样模块插在最终线性混合之前，用两层步长 2 核长 64 的 1 维卷积实现渐进 4 倍降采样，使网络先在高分辨率上提取超声细节再映射到低速率可听频带。

残差块与下采样模块各自算什么，为何要逐层汇入混合器？

组件层面需要拆开残差块与下采样模块的分工。残差块内部是空洞 1 维卷积加门控非线性：空洞卷积负责以指数增大的空洞率扩大感受野而不增加参数，门控由双曲正切分支与 Sigmoid 分支逐点相乘实现非线性选择，再经逐点 1 维卷积变换并与输入残差相加，既保留梯度通路又逐层提炼超声包络与载波相互作用的特征。论文给出的超参数是 16 个残差块，空洞模式从 1、2、4 直到 2 的 15 次方，卷积核长为 6，通道数为 16 并与逐点卷积共享，这种深而窄的配置是为了覆盖高采样率下的长时相关。

多速率 × 可学习下采样： 多速率负责承认输入 192 kHz 与输出 48 kHz 存在 4 倍时间分辨率差异，可学习下采样负责用两层步长为 2、核长 64 的 1 维卷积在残差块后逐步压缩高分辨率超声特征，二者搭配的原因是固定重采样会丢弃与解调有关的包络细节，组合意义是在保留感受野的同时把特征对齐到可听频带再做线性混合。

下采样模块负责分辨率对齐，它不是固定抽取，而是两层可学习卷积，每层步长 2 核长 64，逐层把时间长度压缩为 1/4。逐层汇入线性混合器的设计意味着不同深度的特征在降采样后都被保留：浅层保留载波与边带细节，深层保留经大感受野整合的包络演化，混合器再做线性加权得到最终可听样本。这种多尺度汇入对自解调很关键，因为可听声的某一时刻输出依赖于超声过去一段较长窗口的包络历史，单层特征难以同时兼顾细节与上下文。下面这张结构图把主干纵链、右侧蓝色下采样列与最右混合器画得很直观。

看图路径： 1. 从顶部 192 kHz 输入沿纵向残差块链向下看主干深度；2. 观察每个残差块向右引出的蓝色下采样块再汇入右侧线性混合器；3. 对照左侧虚线放大框确认空洞卷积加门控与逐点卷积加残差的结构；4. 确认底部输出标注为 48 kHz 以验证 4 倍分辨率桥接

论文图 2。原论文 Figure 2：“Architecture of the multi-rate WaveNet for U2A mod- eling.”。

这张图顶部标注 192 kHz 输入，经逐点卷积进入纵向残差块链，每个残差块向右引出一块蓝色下采样，再统一进入右侧线性混合器，底部输出 48 kHz，左侧虚线框放大了一个残差块，显示空洞卷积下接双分支门控再经逐点卷积与残差相加。复述时记住动作顺序：高采样特征提取在左列完成，分辨率压缩在中间蓝色列完成，跨速率映射在右列混合器完成，三者缺一不可。论文未报告优化器类型、学习率、批量大小与训练轮数等细节，这是复现时需要补齐的缺项，不能从 WaveNet 名称推定训练实现。

用什么数据监督，损失如何同时约束波形与频谱？

训练过程本质是有监督的系统辨识，不是无监督生成。构造流程是：准备多样基带音频作为激励，包括语音、音乐与环境声，经 USBAM 调制生成超声驱动，同时录制辐射的可听响应，所有测量在消声室中于轴向 1.8 米固定距离完成，共约 3 小时同步输入输出数据，切分为 1.37 秒固定长度片段，按 7 比 2 比 1 随机划分为训练验证测试子集。监督来源是实测对：输入为调制超声 su(t)，目标为净化后的可听输出 ya(t)，模型参数通过最小化联合损失逼近本征超声到音频非线性变换。

损失由两项相加：目标波形与预测波形的均方误差，加两者频谱幅度的均方误差，前者约束时域形状，后者直接约束谐波与互调产物的频谱能量，避免模型只拟合大 amplitude 基频而忽略小幅度失真。论文未给出梯度路径是否截断、频谱变换的窗长跳长、是否对验证集早停等实现细节，也未报告归一化与数据增强方式，因此只能复述已明确的监督对与损失形式，不能猜测优化步骤。

需要区分的是：音频到音频基线用同样 WaveNet 骨干与超参数但关闭下采样保持 48 kHz 单速率，且使用同样总时长数据，保证比较的公平性；2 阶 Volterra 基线则在超声到音频公式下训练，作为剥离模型类别影响的对照。

样机、激励与指标如何组织才能只考非线性？

实验条件围绕代表性 USBAM 参量阵样机组织。样机由 576 个村田 MA40S4S 圆形超声发射器组成，谐振频率 40 kHz，半径 5 毫米，排成边长约 24 厘米的紧凑方形阵。调制方式采用上边带幅度调制，英文 upper sideband amplitude modulation，缩写 USBAM，它抑制一个边带，在理想条件下显著降低解调谐波失真，但空气非线性传播仍带来显著互调失真，因此该样机的失真模式是总谐波失真相对较低而互调失真相对较高，考验的是复杂交叉频率非线性而不是简单谐波生成。

总谐波失真 × 互调失真： 总谐波失真负责度量单音激励下谐波能量相对总能量的占比，互调失真负责度量双音激励下交叉频率产物的相对强度，二者搭配的原因是 USBAM 样机在理想条件下谐波较低但空气传播仍产生强交叉调制，组合意义是只看波形均方误差会被基频主导而掩盖小幅度但听感显著的非线性伪影。

评价协议是：用步进正弦测线性频响与总谐波失真，中心频率按 1/12 倍频程从 500 赫兹覆盖到 7550 赫兹；测互调失真时再加一个 1.7 kHz 纯音且幅度为步进正弦的 4 倍，具体互调产物聚合按标准计算，总谐波失真按谐波功率和相对总功率开方计算，报告预测与实测失真曲线的绝对偏差。对比对象有 3 个可运行策略：多速率 WaveNet 实现的 U2A-Net、单速率 48 kHz WaveNet 实现的 A2A-Net、2 阶 Volterra 实现的 U2A-VF，后者记忆长度为 1 阶 480、2 阶 240。4 个激励电平 0.3、0.5、0.7 与 1.0 用于考察从弱非线性到大信号强非线性的泛化，其中 1 代表最大输入电平。

下面整理原文字面给出的采集与样机条件，便于复现时核对信息条件是否一致。

表后需要说明代价与边界：该表只交代数据与配置，不能替代失真精度的数字结果。

所有测量固定于单点轴向距离与消声室条件，未评测离轴指向性、混响房间与不同载波频率下的表现；训练与推理的硬件预算、延迟与实时因子原文未报告，不能承诺实际延迟得到改善。未胜出项的伏笔是 2 阶 Volterra 在同样超声到音频公式下仍显著落后，说明任务重构有益但模型表达能力同样关键。

大信号下谁还能跟住实测的失真曲线？

主结果按失真曲线是否跟住实测组织。先提比较问题：在 4 个输入电平下，3 种可运行模型预测的频响、总谐波失真与互调失真曲线与实测的平均绝对偏差是多少，指标越小越好，公平条件是同一样机、同一总时长数据、同 WaveNet 骨干超参数。下表用原文连续句逐字覆盖的数字整理 4 个电平下的平均偏差，单位为百分比，左组为总谐波失真偏差，右组为互调失真偏差。

表后解释主要收益与具体代价：U2A-Net 在全部 4 个电平上均为最低，总谐波失真平均误差从 0.17 到 0.52 百分比，互调失真从 1.62 到 1.26 百分比，摘要中低于 1.62 百分比的平均非线性失真建模误差与此对应。

A2A-Net 随电平升高退化明显，在 1.0 电平时互调偏差达 8.86 百分比，且在低频与 3 kHz 附近出现大误差与中频高估；U2A-VF 的预测失真接近零，互调偏差在 1.0 电平时达 22.40 百分比，说明 2 阶核只能捕捉有限 2 次相互作用。未胜出项是 A2A-Net 在 0.3 弱激励下与 U2A-Net 差距最小，个别频点甚至接近，支持的判断是 U2A-Net 的优势在强非线性大信号下更显著，而不是在所有条件下均匀成立。线性频响顶行三者均与实测接近，说明总谐波与互调差异主要来自非线性自解调建模而非线性部分。

下面这张 12 宫格曲线是核心证据，读图时按行列与颜色逐格核对。

看图路径： 1. 先按行确认顶行是声压级频响中行是总谐波失真底行是互调失真；2. 再按列确认从左到右激励电平 0.3 到 1.0 依次增大；3. 对照图例颜色确认蓝色实测红色 U2A-Net 绿色 A2A-Net 紫色 U2A-VF；4. 重点观察中行低频段与底行中频段绿色曲线的偏离与抖动

论文图 3。原论文 Figure 3：“Frequency response (top row), THD (middle row), and IMD (bottom row) curves under different audio input level for the measured PAL output and the synthesized outputs from the…”。

这张图共三行四列，顶行纵轴为声压级单位分贝，中行纵轴为总谐波失真单位百分比，底行纵轴为互调失真单位百分比，横轴均为频率单位赫兹，四列从左到右对应激励电平 0.3、0.5、0.7 与 1.0。蓝色实测与红色 U2A-Net 在中行与底行多数频段紧贴，尤其在大电平右列仍保持跟踪；绿色 A2A-Net 在中行低频抖动剧烈并在 3 kHz 附近出现尖峰，在底行中频系统性偏高；紫色 U2A-VF 在中行与底行长期贴近零线，明显低估失真。像素不能精确读出的具体峰值不要硬写，以上趋势以原文表格数字为准。

换输入域与换模型类别各自贡献了多少？

论文没有做常规的模块消融，而是用两个对照实现反证，这对理解因果很关键。第一个对照是固定 WaveNet 骨干只换输入域：A2A-Net 与 U2A-Net 共享残差块数、空洞模式、核长与通道数，区别仅在于前者关闭下采样做 48 kHz 到 48 kHz 映射，后者启用下采样做 192 kHz 到 48 kHz 映射，且数据总时长相同。在此控制下，总谐波与互调偏差的差距可归因于任务公式而非容量差异，结果显示 U2A-Net 全面更低且随电平升高差距拉大，支持输入域重构有效。

第二个对照是固定输入域只换模型类别：U2A-VF 与 U2A-Net 同为超声到音频公式，区别是 2 阶 Volterra 与深度 WaveNet，结果显示 Volterra 全面落后且预测接近零，说明仅有好的公式而无足够表达能力仍不够。原文还指出高阶 Volterra 理论上可提升能力，但系数随阶数与记忆长度快速增长，估计与部署困难，因此未实际评测更高阶版本。教学上要区分直接报告与有限解释：偏差数字是直接报告，关于 2 次相互作用不足与级联高阶机制的解释是有限解释，关于更高阶必然改善或必然不可训则是未验证推测。

未评测边界包括不同阵列尺寸、不同调制方式与不同传播距离，总体趋势不等于每组每步都成立，0.3 电平下 U2A-Net 在互调上仅以 1.62 对 1.66 微弱领先就是反例。

哪些条件没测，哪些开销没报？

局限要按证据逐项交代。首先是数据与场景局限：仅在一套 576 元方形阵、USBAM 调制、消声室轴向 1.8 米单点条件下采集约 3 小时数据，未覆盖离轴方向性、房间反射、温湿度变化与大动态真实节目素材的长期稳定性，扫频评估限于 500 到 7550 赫兹，超出此频段的表现未知。

其次是模型与训练缺项：未报告优化器、学习率、批量、轮数、频谱损失的窗参数与早停策略，也未报告参数量、浮点运算量、训练时长与推理实时因子，因此不能从失真精度推定延迟或成本改善，训练资源与推理开销需分别讨论。再次是基线局限：Volterra 仅评测 2 阶记忆长度 480 与 240 的典型实现，未搜索更高阶或稀疏自适应变体，不能把 2 阶的失败推广为所有 Volterra 必然失败。

A2A-Net 虽共享骨干但输入采样率不同，感受野的物理时间跨度并不完全等同，公平性是数据时长与骨干一致而非感受野严格对齐。最后是统计局限：原文只报告平均绝对偏差而未报告置信区间、多次随机种子方差或显著性检验，百分比与百分点的表述需注意，偏差本身已是百分比单位的差值，不能再换算为相对百分比夸大收益。缺失证据不是技术错误，但复现与选型时必须把这些未测量量补上才能做部署决策。

要复现这套超声到音频辨识，先做什么？

复现的第一步是重建信息条件而不是直接搭网络。需要准备 USBAM 调制器与 40 kHz 换能器阵列，在消声或近消声条件下固定轴向距离，同步采集 192 kHz 超声驱动与可听响应，确保时钟同步与电声延迟对齐，切分为 1.37 秒片段并按 7 比 2 比 1 划分，多样激励应覆盖语音音乐与环境声以激发充分互调。网络侧按原文可重放部分搭建：16 残差块、空洞 1 到 2 的 15 次方、核长 6、通道 16、2 层步长 2 核长 64 的下采样、线性混合器输出 48 kHz，损失为波形均方误差加频谱幅度均方误差。

原文模型配置的对照表如下，用于核对超参数是否与评估条件一致。

表后说明可运行性：表中 U2A-Net 与 A2A-Net 均为实际可运行的神经策略，U2A-VF 为实际可运行的 2 阶滤波器策略，不存在搜索最优或事后最优替代可部署收益的问题。

但优化器与训练预算缺失意味着即使结构一致也可能因训练细节不同而复现出差距，建议先复现 0.3 弱激励下的接近性能再挑战 1.0 大信号下的鲁棒性，并额外补测多次种子方差、推理耗时与内存占用。本次证据未提供代码模型或数据的可达性声明，因此应按无公开资源做独立实现，不要假设权重可下载。

何时值得尝试超声到音频，何时不必？

综合判断是：当系统输入在物理上本就是已调超声而评价目标只是可听失真时，值得尝试超声到音频重构，因为它把调制学习负担与载波重建负担同时去掉，让容量集中于自解调非线性，本文在 USBAM 样机上大信号下的总谐波与互调跟踪优势支持这一选择。当只有基带音频而无法获取或同步采集 192 kHz 超声驱动时，不必强行套用，因为信息条件不满足，多速率结构的优势无从发挥，此时音频到音频仍是可行退路，但要接受大信号下波动更大的代价。

当模型类别受限只能用低阶多项式时，仅换输入域不够，2 阶 Volterra 在同样公式下接近零预测的失败就是提醒，需要先保证模型有足够表达能力再谈任务重构。论文特有的误解需要澄清：超声到音频不是超声到超声，它不预测高能量载波；多速率不是简单重采样，它是可学习压缩与多层汇入；低失真误差不是波形误差小，它是失真曲线偏差小。

对研究生的行动建议是：先沿单样本走通调制到采集再到损失的闭环，再用步进正弦复现失真曲线而非只看波形信噪比，最后补上离轴、混响与效率验证，才能把这套物理动机的建模真正转为可部署的定向语音与音频方案。

⚖️ 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