返回
Sci-Phi: A Large Language Model Spatial Audio Descriptor
DOI:10.1109/OJSP.2026.3657300.png)
摘要
En 中文
声景感知涉及对声音类型、时间、方向和距离,以及响度和混响的描述。尽管音频语言模型在声音识别方面表现出色,但单声道输入从根本上限制了空间理解能力。本研究提出Sci-Phi,一种具有双空间和频谱编码器的空间音频大型语言模型,可估算所有声源和周围环境的完整参数集。通过学习超过4,000小时的包含元数据的合成一阶全向声录音,Sci-Phi能够在一次处理中枚举和描述最多四个方向性声源,同时处理非方向性背景声音和房间特征。我们采用置换不变协议和15项涵盖内容、位置、时间、响度和混响的指标对模型进行评估,并分析其在声源数量、信噪比、混响水平以及声学、空间或时间上相似源的复杂混合物方面的鲁棒性。值得注意的是,Sci-Phi仅需轻微性能下降即可泛化到真实房间脉冲响应。总体而言,本研究建立了首个能够进行完整空间场景描述的音频大型语言模型,具有实际部署的巨大潜力。演示:https://sci-phi-audio.github.io/demo
Keyword:
Spatial audio
Reverberation
Metadata
Vectors
Three-dimensional displays
Location awareness
Training
Spectrogram
Large language models
Computer architecture
large language model
acoustic scene understanding
期刊
IF:
2.7
论文数:
156
被引数:
535
机构
引用论文
Exploring Self-supervised Contrastive Learning of Spatial Sound Event Representation探索空间声音事件表示的自监督对比学习

