DARAS：用于盲声学房间脉冲响应估计的动态音频-房间声学合成
音频与语音处理
2025-11-05 v2 声音
摘要
房间脉冲响应（Room Impulse Response，RIR）准确地描述室内环境的声学特性，在诸如语音增强、语音识别以及增强现实（AR）和虚拟现实（VR）中的音频渲染等应用中发挥着关键作用。现有的盲估计方法难以实现实际的准确性。为此，我们提出了动态音频-房间声学合成（DARAS）模型，这是一个专为从单声道回响语音信号中进行盲 RIR 估计而设计的新型深度学习框架。首先，一个专门的深度音频编码器有效地提取了相关的非线性潜在空间特征。其次，采用高效 Mamba 状态空间模型（SSM）的 Mamba 基于自监督的盲声学参数估计（MASS-BRPE）模块准确估计关键声学参数和特征。最后，系统集成了混合路径跨注意力特征融合模块，增强了音频与声学特征之间的深度集成。最后，我们提出的动态声学调谐（DAT）解码器适应性地分割早期反射和晚期混响，以提高合成 RIR 的真实性。实验结果，包括基于 MUSHRA 的主观听觉研究，表明 DARAS 在现有基准模型之上显著优于，为实际的盲 RIR 估计提供了稳健且有效的解决方案。
引用
@article{arxiv.2507.08135,
title = {DARAS: Dynamic Audio-Room Acoustic Synthesis for Blind Room Impulse Response Estimation},
author = {Chunxi Wang and Maoshen Jia and Wenyu Jin},
journal= {arXiv preprint arXiv:2507.08135},
year = {2025}
}
备注
14 pages, 9 figures, accepted for publication in IEEE/ACM Transactions on Audio, Speech, and Language Processing