多通道 MOSRA：基于模拟数据与教师模型的均值意见分数与房间声学估计

以往预测房间声学参数和语音质量指标的方法聚焦于单通道情形，即针对单一录音设备预测房间声学和均值意见分数（MOS）。然而，对于具有多个录音设备的房间，基于质量的选择可能受益于多通道方法，即并行预测多个设备的描述性指标。遵循模型可从多通道训练中获益的假设，我们开发了多通道模型，用于并行对五个通道进行联合 MOS 与房间声学预测（MOSRA）。缺乏带真实标签的多通道音频数据，需要使用声学模拟器创建模拟数据，其中房间声学标签从生成的脉冲响应中提取，MOS 标签则通过基于 wav2vec2 的 MOS 预测模型以师生框架生成。我们的实验表明，多通道模型在直接混响比、清晰度和语音传输指数预测上优于单通道模型，计算量约为其 1/5（即少约 5$\times$），而其他指标性能损失极小。