超越交叉重构：基于探测的声学传送编解码器解耦评估

一些神经音频编解码器将语音解耦为编码内容、说话人身份和声学信息的潜在子空间，从而实现声学传送和语音转换。现有评估依赖于交叉重构质量，这无法可靠地检测跨分区的信息泄漏。我们扩展了一个基于探测的框架，通过回归房间声学参数（混响时间、清晰度和直达混响比）并对说话人身份进行分类来评估解耦程度，使用预期分区与非预期分区之间的差距作为解耦度量。应用于声学传送编解码器时，我们发现说话人身份在很大程度上被限制在其分区内，而由于训练目标，声学信息泄漏到语音嵌入中。声学嵌入在0.02秒内即可达到与监督基线相当的盲估计房间参数性能，表明在没有显式监督的情况下涌现了物理上有意义的结构。