空间音频

📄 Sensitivity Analysis of Generative Spatial Audio Metrics: A Study on Responsiveness, Smoothness, and Symmetry #空间音频 #音频生成 7.2/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.8/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 7.2/10 | 前50% | #音频生成 | #空间音频 | arxiv 👥 作者与机构 Purnima Kamath (New York University, New York, USA) Adrian S Roman (New York University, New York, USA) Koichi Saito (Sony AI, New York, USA; Sony Group Corporation, Tokyo, Japan) Yuki Mitsufuji (Sony AI, New York, USA; Sony Group Corporation, Tokyo, Japan) Juan P Bello (New York University, New York, USA) ...

📄 Flow-HOA: Generative Joint Optimization for Ambisonics Encoding via Flow Matching #空间音频 #生成模型 7.9/10 | 创新 1.8/2 | 严谨 1.3/1.5 | 实验 1.1/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.3/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 ✅ 7.9/10 | 前25% | #空间音频 | #生成模型 | arxiv 👥 作者与机构 未在提供的原文片段中明确列出作者和机构信息。 💡 毒舌点评 本文试图用时髦的生成模型（Flow Matching）来解决一个经典的信号处理问题——从稀疏阵列编码HOA。想法是好的，但需要更清醒地认识到问题的本质。将HOA滤波器设计重新表述为生成任务确实提供了新的视角，尤其是在处理非凸、多目标优化时。然而，论文在声称“超越传统方法”时，实验对比的基线（仅ASM）显得过于单薄和陈旧，缺乏与当前最新的数据驱动或混合方法的公平较量，这大大削弱了其结论的普遍说服力。此外，论文花了不少篇幅讨论主观测试中“空间定位”得分无显著差异的IHL现象，并将其归因于非个性化HRTF的渲染链限制。这种解释虽然合理，但更像是在为自家方法在核心空间任务上的“未显著超越”寻找借口，而非坦诚面对可能的方法局限（例如，模型是否真正学习到了更精确的空间特征，还是仅仅优化了信号保真度？）。总体而言，这是一篇扎实的应用型工作，展示了生成模型在信号处理领域的潜力，但在验证其普适性和优越性方面仍需更严厉的自我审视。 📌 核心摘要 本文提出了Flow-HOA，一个用于从稀疏、不规则麦克风阵列生成高阶Ambisonics编码滤波器的生成式联合优化框架。该方法的核心是利用条件流匹配（Conditional Flow Matching）技术，将一个基于物理的初始滤波器（通过约束最小二乘获得）作为先验，通过学习一个向量场将其迭代优化为满足多域保真度目标的最终FIR滤波器。联合优化目标由时域波形误差、多分辨率频谱一致性、子带能量保持和空间指向性四个损失函数加权构成。在合成数据上的客观评估表明，Flow-HOA在信号保真度和空间精度指标上优于基于模型的基线（ASM）。在真实麦克风阵列录音上进行的主观试听测试进一步证实，Flow-HOA能提供更高的整体音质且伪影更少，并展示了从合成训练数据到真实世界采集条件的泛化能力。 🔗 开源详情 代码：论文中在“Conclusion”部分提及代码将开源（“Code will be made publicly available upon publication.”），但未提供具体的仓库链接（如GitHub、GitLab等）。在分析时点视为承诺开源但未发布。 模型权重：论文中未提及提供预训练模型权重的链接。 数据集：论文中明确使用FSD50K作为训练数据源，网址：https://zenodo.org/record/4060432。此外，用于主观测试的Neumann KU 100 HRTF数据集在文献[24]中引用，但未提供直接链接。 Demo：论文中未提及在线演示链接。 复现材料：论文详细描述了模型架构（1D U-Net）、训练配置（优化器AdamW，学习率1e-5，批量大小256）和损失函数权重（Table 1）。然而，未提供具体的复现脚本、测量好的阵列脉冲响应数据或预训练模型。复现的硬件（特定的SPMA原型）和物理测量环境（消声室）是重要的非公开材料。 论文中引用的开源项目： PyTorch：用于模型实现。 webMUSHRA：用于主观听力测试，网址：https://github.com/Spension/webMUSHRA。 🏗️ 方法概述和架构 Flow-HOA框架将高阶Ambisonics编码滤波器的设计重新定义为一个生成式联合优化问题，其目标是从一个基于物理的先验分布中学习，生成满足多维度保真度约束的最优有限脉冲响应（FIR）滤波器。整个框架分为三个核心阶段，具体架构与数据流如下： ...

📄 SHB-AE: Spherical harmonic beamforming based Ambisonics encoding and upscaling method for smartphone microphone array #鲁棒性 #空间音频 6.7/10 | 创新 1.4/2 | 严谨 0.9/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.2/1.5 | 复现 0.4/0.5 | 工程 0.9/1.5 ✅ 6.7/10 | 前50% | #音频编码 | #鲁棒性 | #空间音频 | arxiv 👥 作者与机构 论文标题：SHB-AE: Spherical harmonic beamforming based Ambisonics encoding and upscaling method for smartphone microphone array 会议：Accepted for presentation at AES Europe 2025 Convention (AES 158th Convention)， Warsaw, Poland, May 22-24, 2025. 机构/支持：本工作得到国家重点研发计划（No.2024YFB2808902）和北京大学高性能计算平台的支持。（注：论文未明确列出作者个人所属机构，仅列出致谢信息）。 ...

📄 From Numbers to Perception, Energy Decay Curves Prediction #空间音频 #神经网络 #信号处理 #模型评估 #声学仿真 ✅ 7.2/10 | 前50% | #空间音频 | #神经网络 | #信号处理 #模型评估 | arxiv 学术质量 4.9/7 | 影响力 1.0/2 | 可复现性 1.3/2 | 置信度 中 👥 作者与机构 第一作者：Imran Muhammad（TU Ilmenau, Applied Media Systems） 通讯作者：未明确说明 作者列表：Imran Muhammad, Gerald Schuller (两人均来自 TU Ilmenau, Applied Media Systems) 💡 毒舌点评 本文在作者团队前期工作的基础上，实现了从宽带到多频带能量衰减曲线（EDC）预测的跨越，并引入了轻量化的1D-CNN架构和设计精巧的对数域坡度损失函数，模型参数量骤减90%，为实时交互式声学仿真提供了可行的技术路径。然而，整个工作犹如在无菌实验室里完成——所有评估均基于单一“鞋盒”房间的模拟数据，对真实世界声学复杂性的泛化能力未见丝毫验证，且缺乏与近期其他学习型声学建模方法的对比，使得其效率提升的价值在缺乏真实性背书的情况下大打折扣。此外，论文对关键训练细节的吝啬描述，也让可复现性蒙上一层阴影。 📌 核心摘要 问题：准确高效地预测房间脉冲响应（RIR）及其能量衰减曲线（EDC）对于虚拟现实（VR）等实时空间音频渲染至关重要。传统物理模拟计算昂贵，而直接用神经网络合成高维RIR波形易产生非物理伪影。以紧凑的EDC作为中间表示是有效思路，但早期工作多局限于宽带预测，且模型复杂度高。 方法核心：提出一个基于1D-CNN的端到端框架，直接从16维房间特征（尺寸、位置、频率依赖吸收系数）预测24个三分之一倍频程（100 Hz - 20 kHz）的多频带EDC。核心创新是自定义的复合损失函数，在对数域（dB）同时优化能量水平和衰减斜率（坡度惩罚），强制物理一致性。 与已有方法相比新在哪里：相较于作者此前的LSTM宽带模型，新方法：a) 多频带扩展：从单一宽带EDC预测扩展为24个频带，能更精细地建模材料的频率选择性吸收；b) 架构效率革命：用1D-CNN解码器（含线性插值上采样）取代LSTM，模型参数量从约9000万减少至约900万（减少90%），推理速度提升约5倍；c) 物理约束损失：引入坡度惩罚项，有效抑制了序列模型常见的“阶梯”伪影，确保预测EDC的平滑单调衰减。 主要实验结果：在6000个模拟鞋盒房间的测试集上，模型表现如下： EDC预测准确性： 参数 RMSE MAE R² EDT (s) 0.10 0.07 0.79 T20 (s) 0.06 0.04 0.93 T30 (s) 0.07 0.05 0.90 C50 (dB) 0.47 0.35 0.67 感知关键指标：预测的T30误差（MAE=0.05s）大部分落在5%的“刚好可察觉差异”（JND）阈值内（见图4），表明预测在感知上接近参考值。 与旧模型（LSTM）对比：扩展为多频带后，早期衰减时间（EDT）的MAE从0.033s上升至0.07s，这是为获得更精细频谱建模能力所付出的代价。 效率提升：模型复杂度降低90%，推理时间减少约80%（速度提升约5倍）。 实际意义：为需要实时、低延迟声学模拟的VR、游戏等交互式音频应用，提供了一个高效且感知准确的RIR/EDC预测方案。 主要局限性：模型仅在理想的“鞋盒”房间几何上训练和测试，对现实世界中复杂的非规则房间几何、材料散射与衍射等现象的泛化能力未得到验证。实验数据完全来自模拟（Pyroomacoustics），缺乏真实测量RIR数据的评估。 🔗 开源详情 代码：https://github.com/TUIlmenauAMS/LSTM-Model-Energy-Decay-Curves 模型权重：论文明确声明在上述GitHub仓库中提供“pre-trained model weights”（预训练模型权重）。 数据集：论文明确声明在上述GitHub仓库中提供“dataset generation scripts”（数据集生成脚本），但未提供生成数据集的直接下载链接。 Demo：论文中未提及。 复现材料：论文中提及“source code, pre-trained model weights, and dataset generation scripts”已通过上述GitHub仓库公开，但未单独列出详细的训练配置文件、检查点或附录等独立链接。 论文中引用的开源项目： Pyroomacoustics：论文明确引用 [12]，用于数据集生成。链接：https://github.com/RLV-lab/pyroomacoustics 🏗️ 方法概述和架构 本论文提出一个端到端的深度学习框架，旨在建立从低维房间物理参数到高维多频带声学能量衰减特性（EDC）的直接映射。整个流程是：输入描述房间几何与材料属性的特征向量，经过神经网络编码、解码与归一化，输出一组对应于不同频带的EDC序列。该EDC序列可通过后处理（微分与随机符号分配）重建完整的房间脉冲响应（RIR）。 ...

📄 Spatial Power Estimation via Riemannian Covariance Matching #空间音频 #声源定位 #信号处理 #波束成形 #黎曼几何 ✅ 6.5/10 | 前25% | #声源定位 | #信号处理 | #空间音频 #波束成形 | arxiv 学术质量 7.0/8 | 影响力 0.5/2 | 可复现性 0.0/1 | 置信度 高 👥 作者与机构 第一作者：Or Cohen（以色列理工学院 Andrew and Erna Viterbi 电气与计算机工程系） 通讯作者：Or Cohen（以色列理工学院 Andrew and Erna Viterbi 电气与计算机工程系） 作者列表：Or Cohen（以色列理工学院 Andrew and Erna Viterbi 电气与计算机工程系）、Alon Amar（以色列理工学院 Andrew and Erna Viterbi 电气与计算机工程系）、Ronen Talmon（以色列理工学院 Andrew and Erna Viterbi 电气与计算机工程系） 💡 毒舌点评 论文为欧氏和黎曼协方差匹配准则建立了清晰的渐近等价性与鲁棒性理论联系，这是一个扎实的理论贡献。提出的SERCOM算法在计算效率上具有明确优势。然而，实验对比局限于与SPICE、SAMV等同框架经典方法的比较，缺乏与近年来性能更优或范式不同的稀疏恢复、深度学习方法的对比，严重削弱了结论的时效性和对方法“先进性”的定位。此外，所有实验均为仿真，未提供真实数据验证，且未开源代码，可复现性为零。 ...

📄 NDF+: Joint Neural Directional Filtering and Diffuse Sound Extraction #空间音频 #神经网络 #波束成形 #多任务学习 #音频增强 ✅ 6.5/10 | 前30% | #空间音频 | #神经网络 | #波束成形 #多任务学习 | arxiv 学术质量 5.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 未提及。论文仅在致谢部分感谢了FAU的HPC资源和DFG资助。 💡 毒舌点评 这篇论文工整地做了一道“拆分重组”的数学题：把估计A，拆成估���A的一部分和另一部分，再加起来。思路清晰，工程上也有其价值——特别是那个能调β的漫射声控制，对于需要精细调节“干湿比”的录音师来说，可能是个不错的玩具。然而，整套验证全在自家后院（合成数据）里完成，没敢拉到真实世界的泥潭里打滚，这让“性能媲美NDF”和“优于传统基线”的结论，听起来有点像在真空环境下的胜利。创新性扎实但有限，像给一辆好车加了个炫酷的控制旋钮，而非发明了新引擎。对于追求原理性突破的读者，可能会觉得不够过瘾；但对于寻求实用工具的工程师，或许值得一瞄。 📌 核心摘要 本文提出了NDF+，一个用于在紧凑麦克风阵列上联合实现定向滤波与漫射声提取的神经网络框架。其核心创新是将传统NDF的单一目标（虚拟定向传声器信号估计）重新表述为两个耦合子任务：去混响VDM重建（相干声估计）与漫射声提取。通过端到端联合训练双掩模网络，NDF+能在保持最终VDM重建质量与原始NDF相当的同时，提供对输出信号中漫射声成分的显式、连续控制。在合成数据上的系统实验表明，NDF+在子任务性能上显著优于级联基线，其可控性在立体声录音应用中得到了验证。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：论文中未提及。 数据集： 训练集和验证集使用了 LibriSpeech 数据库（子集：train-clean-360 和 dev-clean）。获取链接：https://www.openslr.org/12/。 测试集使用了 EARS 数据集。获取链接：https://github.com/facebookresearch/ears （根据论文引用[richter2024ears]推断）。 Demo：论文中未提及。 复现材料：论文中未提及训练配置、检查点等具体复现材料。 论文中引用的开源项目：论文中引用的基线方法或工具如下，但论文中未提供其具体开源链接： FT-JNF (框架)：引用 [FT-JNF]。 RIRGenerator (房间脉冲响应生成器)：引用 [RIRGenerator]。 AWPE (加权预测误差去混响算法)：引用 [4960438]。 DRSwWPE (一种实时去混响算法)：引用 [huang2024practical]。 Diffuse BF (漫射声波束成形器)：引用 [diffuse_beamformer]。 Dynamic Acoustic Scene Generator (动态声景生成器)：引用 [DASGenerator]。 Monte Carlo RIR (蒙特卡洛房间脉冲响应模拟)：引用 [MonteCarloRIR]。 作者与机构 未提及。论文仅在致谢部分感谢了FAU的HPC资源和DFG资助。 ...

ICLR 2026 - 空间音频 共 1 篇论文 ← 返回 ICLR 2026 总览 排名 论文 评分 分档 🥇 OWL : Geometry-Aware Spatial Reasoning for Audio Large Langu 8.0分 前25% 📋 论文详情 🥇 OWL : Geometry-Aware Spatial Reasoning for Audio Large Language Models 🔥 8.0/10 | 前25% | #空间音频 | #音频大模型 | #声源定位 #多任务学习 👥 作者与机构 第一作者：未说明（论文标注Subrata Biswas和Mohammad Nur Hossain Khan为共同第一作者） 通讯作者：未说明 作者列表：Subrata Biswas（Worcester Polytechnic Institute电气与计算机工程系）、Mohammad Nur Hossain Khan（Worcester Polytechnic Institute电气与计算机工程系）、Bashima Islam（Worcester Polytechnic Institute电气与计算机工程系） 💡 毒舌点评 ...

📄 OWL : Geometry-Aware Spatial Reasoning for Audio Large Language Models #音频大模型 #空间音频 #声源定位 #多任务学习 #数据集 🔥 8.0/10 | 前25% | #空间音频 | #音频大模型 | #声源定位 #多任务学习 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.8 | 置信度 高 👥 作者与机构 第一作者：未说明（论文标注Subrata Biswas和Mohammad Nur Hossain Khan为共同第一作者） 通讯作者：未说明 作者列表：Subrata Biswas（Worcester Polytechnic Institute电气与计算机工程系）、Mohammad Nur Hossain Khan（Worcester Polytechnic Institute电气与计算机工程系）、Bashima Islam（Worcester Polytechnic Institute电气与计算机工程系） 💡 毒舌点评 这篇论文为音频大模型装上了“空间几何眼睛”，通过“模拟训练-纯音频推理”的巧思和详实的课程学习，确实把空间定位和推理精度提升了一个台阶；但美中不足的是，其所有辉煌战绩（包括新建的百万级数据集）均建立在精心构建的合成世界里，在真实嘈杂、反射复杂的声学环境中，这套“几何内功”的实战效果还有待“出关”检验。 🔗 开源详情 代码：论文明确提供代码仓库链接：https://github.com/BASHLab/OWL。表明将在该仓库发布代码。 模型权重：未明确提及是否公开预训练模型权重，但根据“our dataset and code are available”的表述，模型权重可能包含在开源计划内。 数据集：论文明确表示将发布BiDepth数据集（“we construct and release BiDepth”），包含约110万QA对。 Demo：未提及在线演示。 复现材料：附录提供了完整的训练超参数（表10，表11）、特征提取公式（B.1）、模型架构细节（B.2， B.3）和数据集生成细节（A节），复现指引非常充分。 论文中引用的开源项目：依赖SoundSpaces v2.0和Matterport3D进行模拟；音频编码器初始化自AudioMAE；语言模型使用LLaMA-2-7B；投影模块参考Q-Former；微调使用LoRA。 📌 核心摘要 要解决什么问题：现有的音频大语言模型（ALLMs）在空间推理方面能力薄弱，主要依赖粗糙的双耳线索和单步推理，导致在声源方向（DoA）和距离估计上精度不足，且推理过程缺乏可解释性。 方法核心是什么：提出OWL框架，其核心是创新的几何感知音频编码器SAGE。SAGE在训练时利用全景深度图和模拟房间脉冲响应（RIR）作为监督信号，让编码器学会将声学特征与3D空间几何结构对齐，但在推理时只需音频输入。OWL进一步将SAGE与空间接地的链式思维（CoT） 推理相结合，支持从感知到多步推理的课程学习。 与已有方法相比新在哪里：首次将显式的几何监督（通过RIR预测任务）引入音频编码器训练；构建了首个大规模（约110万QA对）耦合双耳音频、RIR和深度图的数据集BiDepth用于几何感知训练；引入了针对音频空间推理的多阶段课程学习和CoT监督机制，使模型能生成可解释的推理路径。 主要实验结果如何：在BiDepth和SpatialSoundQA两个基准上，OWL显著超越了现有方法。SAGE相比SOTA（Spatial-AST），在BiDepth数据集上平均角度误差（MAE）降低25.52%，距离错误率（DER）降低31.34%。OWL相比BAT，在BiDepth上的空间推理二分类准确率（BA）提升24.9%（77.89% vs. 69.46%），在SpatialSoundQA上的推理平均准确率达79.06%（BAT为76.89%）。OWL在真实世界音频场景分类和声源定位任务上也展现出良好的泛化能力。 实际意义是什么：该工作推动了音频大模型从“听到什么”向“声音在哪里、如何关联”的空间理解迈进，为构建更接近人类听觉感知的智能系统（如机器人、智能家居助手、助听设备）提供了关键技术组件和评估基准。 主要局限性是什么：训练和评估严重依赖合成数据（BiDepth），而真实世界声学环境更为复杂多变，模型的鲁棒性有待验证；目前的推理任务限于单轮问答，尚未扩展到多轮对话式空间推理；几何监督依赖于预先生成的深度图和RIR，限制了其在完全未知环境中的应用。 🏗️ 模型架构 OWL是一个完整的空间音频问答系统，其架构（如图4所示）由三个主要部分串联而成，旨在将原始双耳波形转化为带有空间推理的文本输出。 ...

📄 Physics-Informed Audio-Geometry-Grid Representation Learning for Universal Sound Source Localization #声源定位 #物理信息 #麦克风阵列 #空间音频 🔥 8.0/10 | 前25% | #声源定位 | #物理信息 | #麦克风阵列 #空间音频 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.7 | 置信度 高 👥 作者与机构 第一作者：Min-Sang Baek（Hanyang University, Department of Electronic Engineering） 通讯作者：Joon-Hyuk Chang（Hanyang University, Department of Electronic Engineering） 作者列表：Min-Sang Baek（Hanyang University, Department of Electronic Engineering）、Gyeong-Su Kim（Hanyang University, Department of Electronic Engineering）、Donghyun Kim（Hanyang University, Department of Electronic Engineering）、Joon-Hyuk Chang（Hanyang University, Department of Electronic Engineering） 💡 毒舌点评 亮点：论文系统性地将“物理规律”（如TDOA仅依赖麦克风相对位置）转化为可学习的网络模块（如rMPE和LNuDFT），这种“物理信息引导”的思路比纯粹的黑盒数据驱动更优雅，也显著提升了对未见阵列的泛化能力。短板：提出的框架在极端密集网格（如D>4096）下，于真实数据集上的性能收益不明显甚至略有下降，这暗示了模型在处理微小扰动时的稳定性或表示空间的极限可能仍有探索空间。 ...

📄 SmartDJ: Declarative Audio Editing with Audio Language Model #音频编辑 #音频大模型 #扩散模型 #空间音频 🔥 8.5/10 | 前25% | #音频编辑 | #音频大模型 | #扩散模型 #空间音频 学术质量 6.5/7 | 选题价值 2.0/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Zitong Lan（宾夕法尼亚大学WAVES实验室） 通讯作者：未明确说明（论文未指定通讯作者） 作者列表：Zitong Lan（宾夕法尼亚大学WAVES实验室）、Yiduo Hao（宾夕法尼亚大学WAVES实验室）、Mingmin Zhao（宾夕法尼亚大学WAVES实验室） 💡 毒舌点评 亮点：本文最大的亮点在于提出了“声明式”音频编辑的范式，并通过一个设计精巧的“ALM规划器+LDM编辑器”框架实现了它，同时配套构建了首个可扩展的声明式音频编辑数据集合成管道，形成了一个完整的技术闭环。 短板：实验完全依赖于合成数据集，虽然合成过程逼真，但真实世界中的复杂声场、噪声和语义歧义可能对ALM的推理和LDM的执行构成远超合成环境的挑战，其泛化能力在论文中未得到真实场景验证。 🔗 开源详情 代码：论文中未提及代码仓库链接。但承诺在论文接受后发布代码。 模型权重：未提及是否公开预训练的ALM和LDM权重。但论文承诺发布预训练模型。 数据集：论文中未提及公开合成数据集的具体获取方式。但承诺发布合成数据集。 Demo：未提及提供在线演示。 复现材料：提供了极其详细的实现细节，包括模型架构（层数、维度、参数量）、训练配置（学习率、批大小、优化器、训练步数/轮数）、数据合成流程（提示词模板、声学模拟参数），以及消融实验设置。附录非常完整。 论文中引用的开源项目：CLAP（用于音频编码）、FLAN-T5（用于文本编码）、Stable-Audio-Open（作为部分基线）、PyRoomAcoustics（用于声学模拟）、AudioSep（作为对比模型）、GPT-4o（用于数据合成）。 📌 核心摘要 要解决什么问题：现有音频编辑模型依赖于模板化指令（如“添加鸟鸣”），需要用户指定具体操作，无法理解用户高级的、声明式的意图（如“让这个声音听起来像在阳光明媚的森林里”）。同时，现有系统普遍局限于单声道音频，无法编辑空间信息。 方法核心是什么：提出SmartDJ框架。它包含两个核心组件：(1) 音频语言模型（ALM）作为规划器，接收原始音频和用户的高级声明式指令，输出一个原子编辑步骤序列（如“移除雨声”、“在左边添加鸟鸣”）；(2) 潜在扩散模型（LDM）作为编辑器，按照ALM规划的步骤顺序，逐步执行编辑操作，最终生成目标立体声音频。 与已有方法相比新在哪里：首次实现了“声明式”音频编辑范式，将用户意图理解与音频信号操作分离。首次将音频语言模型的推理能力系统性地引入音频编辑流程。首次构建了支持立体声、包含声明式指令-原子操作-音频轨迹的配对数据集生成管道。首次系统评估了编辑操作对空间音频特性的影响。 主要实验结果如何：在声明式编辑任务和多种单步原子操作上，SmartDJ在各项客观指标（FD, FAD, LSD等）和主观用户偏好率上均显著优于端到端训练的Audit模型以及多种零样本基线（SDEdit, ZETA等）。例如，在声明式编辑任务中，SmartDJ的FAD得分为1.52，远优于最佳基线Audit的5.67；用户研究显示，在音频质量和与指令的对齐度上，SmartDJ的胜率在80%-95.5%之间（详见表1）。 框架 方法 训练 速度 FD↓ FAD↓ KL↓ LSD↓ CLAP↑ 无ALM Audit 是 2.07s 28.56 10.00 3.07 1.93 0.11 有ALM SDEdit 否 301s (74.6s) 19.66 3.71 3.25 2.22 0.17 Audit 是 11.6s (2.07s) 21.50 5.67 2.80 1.49 0.18 SmartDJ (ours) 是 13.1s (2.40s) 10.60 1.52 2.84 1.40 0.21 实际意义是什么：该工作为下一代智能、直观的音频编辑工具铺平了道路，有望革新VR/AR、游戏、影视制作等领域的音频后处理工作流，提升创作效率和沉浸感。 主要局限性是什么：整个框架的训练和评估完全依赖于合成数据集，其在真实、复杂、非结构化声场中的性能未被验证。ALM生成步骤的推理时间（约4.8秒）和多步编辑的累积时间（13.1秒）相比端到端方法仍有优化空间。框架对新增编辑操作类型的扩展需要重新训练。 🏗️ 模型架构 SmartDJ的框架由两个独立训练的核心模块组成：音频语言模型（ALM）规划器和潜在扩散模型（LDM）编辑器。其整体数据流与交互如图1和图2所示。 ...