空间音频渲染

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。

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。

针对只有单声道而缺空间线索的问题，AURA 先用混合 U-Net 做粗双耳估计再用条件流匹配做细化，在同一数据集上 Wave-L2 做到 0.123 并以 11.26 M 参数运行，但计算量与相位指标仍有代价。

该文要解决无实测条件下的人头相关传输函数个性化问题，选择在神经场上加被试参数与域参数并用仿真重建梯度一步反推被试参数，最强证据是在 SONICOM 上把平均谱误差降到 3.60 dB 并在 HUTUBS 上优于已有精修方法，代价是仍只建模对数幅度谱且依赖高质量头模仿真。

针对无声视频需要分轨可编辑和空间可控配音的问题，VisionSFX 用视觉语言模型拆事件、每个事件独立调用预训练音频模型生成、再用光流加深度做免训练双耳渲染，代价是本研究未报告客观音质与定位精度指标且依赖现场演示条件。

针对车内多座位语音串扰问题，该研究把心理声学掩蔽权重写入多用户 MIMO 加权最小均方误差预编码，在实车测得脉冲响应上报告 MU-MIMO-Perceptual 取得 STOI 0.859 与 ViSQOL 4.191 的最高语音质量，代价是在部分频段声对比度不及只压能量的 ACC 与 PM。

针对稀疏测量下个性化头相关传输函数难以估计的问题，论文用数据库检索先验与双耳声音感知线索做双分支协同预测，在 SONICOM 上以对数谱失真为指标在各测量点数下取得最低误差，但语音等窄带声音与定位偏差仍需专门处理。

针对参量阵列扬声器非线性解调导致传统声区控制失效的问题，论文把超声载波从固定背景变为与边带交替优化的控制量，在相同功率约束下用声对比度控制验证，实验报告宽带声对比度提升 11.2 dB 且亮区声压级提升 7.0 dB，代价是每阶段都要重测传递函数且载波优化只在 1 kHz 单频上完成。

TTBA 针对文本到双耳音频中方向不可控与声道间线索不稳的问题，采用交叉排列离散表征加空间提示编码器与 Transformer 自回归生成，并在 BEWO-1M 上以内容蒸馏稳定语义，多声源条件下语义与空间指标多优于 SpatialSonic，但单静态与单动态子集的部分指标仍有反复。

针对 360 度视频加单声道全指向声缺失方向分量的问题，论文用音频视觉分割先验定位再用复数域 U-Net 渲染补回 Y、Z、X 三通道，在自建 8.9 小时 YT-SPEECH 上取得更低重建与角度误差和更高语音质量，但噪声与重叠声源下仍不稳定。

针对离散采样与网格重采样丢失耳廓细节的问题，GISNO 把三维头型到边界声压学成连续算子再用可微亥姆霍兹积分渲染到任意场点，在 HUTUBS 上把对数谱失真降到 2.92 dB，代价是验证仍局限于较小数据集与仿真零样本条件。

针对单声道到双耳合成中耳间差异难复现的问题，Spec2Spatial 先做时域几何对齐再在时频域学习左右耳关联与位置调制，在 Binaural Speech 上取得 DILD 1.250、DITD 0.034 和 MRSTFT 1.174，代价是仍依赖小规模同域录音与位置姿态输入。

针对听力图难解释真实交流困难的问题，该工作在 Apple Vision Pro 上构建咖啡馆、火车站与客厅三场景的空间语音加噪声演示流程，用 20–30 秒对话加理解问答和 Easy/Medium/Hard 预设呈现难度变化，8 人临床初步演示显示可用但尚未在听损人群验证。

针对可穿戴少麦克风阵列在高直混比下双耳信号匹配退化的问题，论文提出由卷积循环网络直接回归视场中心与张角并加权匹配滤波器的 FoV-BSM-Net，在仿真单声源数据上把全条件改善做到 1.0 dB、高直混比下做到 1.7 dB，但评估限于仿真且本次无可验证的开源链接。

该文把固定脉冲与随样本指数加长的滤波器做时变卷积并扩展到球谐域，用近最小相位滤波器拟合由非平稳高斯过程采样的方向相关混响时间，以快速分治卷积从噪声或已有脉冲生成新的空间脉冲响应，代价是滤波器阶数不足时指数放大会放大拟合误差且长混响方向必须更平滑。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

论文要解决的是作曲家无需技术人员即可在可变扬声器穹顶上精确定位与编排声音运动的问题，选择向量幅度平移加后期高阶环绕声的可移植路线，以三代软件迭代与上千场音乐会实践为证据，代价是长期依赖 macOS 与人工搭建调音链路。