空间音频渲染

Ananas 针对分布式空间音频需要多节点严格同步的问题，用 Teensy 4.1 节点加 PTP 同步、多播音频与发现协议和 DAW 控制，在 16 通道 WFS 演示中报告约 80 纳秒平均不同步，但每包通道数和长时间稳定性仍受以太网包长与时钟微调条件限制。

Rel2Traj 针对多声源相对运动约束问题，把描述解析为关系图与锚点后联合生成轨迹再渲染双耳音频，在未见过的运动与关系组合上关系满足率达到 0.983，代价是轨迹抖动较大且依赖受控语言与合成数据。

针对新场地不知音箱位置、又想在现场听着真实音箱做空间创作的问题，Spatial DJ 用 AR 对准采集布局、以后端距离增益实时渲染，并以 18 只音箱房的校准误差、控制延迟和 18 人听感实验说明效果与边界。

共分析 48 篇语音/AI 论文

本文用 DAW 插件做声场设计加 Teensy 单片机网络分担解码来解决集中式多通道声卡贵且难同步的问题，三阶 16 通道实例显示包长 523 字节且模块间约 200 ns 同步，但仍需手工配置且未做主观听音评估。

共分析 47 篇语音/AI 论文

AV-QTSS 用类别查询先分离目标单声道、再用稠密绑定定位图给出方向并渲染三路方向通道，在 1 到 4 声源合成集上把角度误差降到 23.3 度并在真实录音适配后提升定位，代价是只处理封闭集内且处于活动状态的查询。

该文只改宽域 DirAC 渲染中的插值权重，用轻量图网络从实测声场特征预测场景相关的组合权重，实验显示在未见房间和布局下能量和指向性图相似度提升，但扩散度基本持平，且模型很小。

Ambit 用可执行的场景计划连接自回归规划与整流流渲染，并配合全向恢复与通道间监督的连续变分自编码器和联合在轨自蒸馏，在语音音乐环境声的生成与编辑评测中提升内容与空间指标，但结论只在约 15 秒内、四声道一阶 Ambisonics 与原文数据划分下成立。

共分析 80 篇语音/AI 论文

本文解读《Resonance and Depth》如何用个人打击乐语料、多智能体重组与对象化空间把音色和空间写成 9 分钟沉浸式演出的形式，证据是作者在 SAT 穹顶的现场演出记录与系统分工描述，代价是缺乏可量化的音色与空间效果评估。

pyFDN 针对人工混响与去相关的反馈延迟网络实验需要反复建网、听感渲染、看模态再调参的问题，把矩阵构造、时域分块处理、模态转换与基于 FLAMO 的可微优化用统一的数值构建和 JSON 预设串起来，0.5.0 版本明确不做性能与听感优劣断言，复现依赖版本、种子与数值设置的同时记录。

论文把一发多收的 UWB 音频拆成电子发射时刻、单听者声到达时刻和全员同块交付三件事，用仿真证明电子钟可以很准但声到达仍超 30 微秒目标、全员交付远严于平均交付，而加副本又会占满时隙。

共分析 34 篇语音/AI 论文

该文把单声道转立体声看作已知下混算子的逆问题，用冻结的立体声流模型做先验保证真实感，再用声道间相干与声级差分布奖励在推理时塑造声像，并在 MUSDB18-HQ 上以空间真实感见长但中频波形保真度有所牺牲。

共分析 146 篇语音/AI 论文

PLACE 面向文本、视频、可选音频任意组合到双耳波形的生成问题，选择冻结 AudioX 与 SAO 解码器并外挂空间对齐与低秩潜适配器，在 MRSAudio 上小规模微调并用解码音频的 ILD 与 ITD 监督方向，在 FAIR-Play 多数客观指标上优于 ViSAGe 且在 BEWO-1M 上保持部分竞争力，代价是在部分文本到音频指标与分布内主观评分上 …

输入文本提示与听者轨迹，方法先建全景三维代理并发现声源再用几何声传播渲染双耳音频，在 80 个场景上以隔离源 6.91°方向误差和人类首选 79.5% 支持空间一致性，代价是离线多阶段流水线与静态几何假设。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对实测方向响应中未知空间平移破坏有限阶球谐处理的问题，论文提出最大化有限阶能量比的有限阶质心做声学校准，并在插值平滑、方向已知编码与 HRTF 对称性校准三类任务上显示其可用性，代价是高阶目标变平坦需正则与分频段搜索且不能解决非平移失真。