FOA Tokenizer：基于空间一致性损失的 First Order Ambisonics 低比特率神经编解码器
声音
2025-10-28 v1
摘要
神经音频编解码器已广泛用于单声道和立体声信号，但空间音频仍 largely 未探索。我们提出了首个针对一阶 Ambisonics（FOA）的离散神经空间音频编解码器。基于 WavTokenizer 架构，我们将其扩展以支持四通道 FOA 信号，并引入一种新型空间一致性损失，以在高度压缩的表征下保持重建信号中的方向线索。我们的编解码器将 4 通道 FOA 音频压缩至 24 kHz 采样率下 75 个离散 token 每秒，对应比特率为 0.9 kbps。在仿真混响混合信号、非混响干净语音以及带真实房间脉冲响应的 FOA 混合信号上的评估显示，重建准确，分别在三种条件下的平均角度误差为 13.76°、3.96° 和 25.83°。此外，来自我们编解码器派生的离散潜在表征为下游空间音频任务提供了有用的特征，作为在 STARSS23 真实录音上的声音事件定位与检测的结果加以证明。
引用
@article{arxiv.2510.22241,
title = {FOA Tokenizer: Low-bitrate Neural Codec for First Order Ambisonics with Spatial Consistency Loss},
author = {Parthasaarathy Sudarsanam and Sebastian Braun and Hannes Gamper},
journal= {arXiv preprint arXiv:2510.22241},
year = {2025}
}
备注
Submitted to ICASSP 2026