arrow
返回

Sci-Phi: A Large Language Model Spatial Audio Descriptor

delete2026-01-01
delete0
PRE
AI
X
Xilin Jiang
H
Hannes Gamper
S
Sebastian Braun *
DOI:10.1109/OJSP.2026.3657300delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

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

IEEE Open Journal of Signal Processing 封面图
IEEE Open Journal of Signal Processing
IF:
2.7
论文数:
156
被引数:
535

机构

 
 columbia university
学者数:
2.3K
论文数: 945
被引数: 0
M
microsoft
学者数:
384
论文数: 185
被引数: 17
引用论文

引用论文

err分享
err收藏
Joint Measurement of Localization and Detection of Sound Events
err2019-10-01
err0
PREAI
errAnnamaria Mesaros; Sharath Adavanne; Archontis Politis; Toni Heittola; Tuomas Virtanen
err分享
err收藏
err分享
err收藏
Can Large Language Models Understand Spatial Audio?
err
err0
PREAI
errTang,Changli; Yu,Wenyi; Sun,Guangzhi; Chen,Xianzhao; Tan,Tian; Li,Wei; Zhang,Jun; Lu,Lu; Ma,Zejun; Wang,Yuxuan; Zhang,Chao
err分享
err收藏
学者 查看更多内容