前沿语音技术：球谐切片Wasserstein位移插值用于声源与反射密度建模

1. 论文速览

这篇被 ICASSP 2027 收录的论文提出了一种全新的空间房间冲激响应（Spatial Room Impulse Response，SRIR）回声密度建模与插值方法。核心思路是将球谐域（Spherical Harmonic Domain）内的切片Wasserstein位移插值（Sliced Wasserstein Displacement Interpolation）应用于声源及反射的方向密度分布建模。

传统方法在处理移动声源时，需要在路径上密集布设测量点，耗时巨大且插值效果不佳。该研究以直线路径上15个均匀分布测点为实验对象，采用20阶球谐展开拟合各点SRIR回声密度，然后对稀疏采样点进行插值重建。对比实验表明，Wasserstein位移插值的平均KL散度（Kullback-Leibler Divergence）比线性插值降低27个百分点，比几何插值降低19个百分点。更关键的是，在模型降阶至仅10阶时，该方法仍能恢复80%以上的回声路径方向，而线性插值已产生大量虚假声源。

2. 研究背景与挑战

SRIR完整记录了声源及其反射在三维空间中的方向密度分布，是虚拟现实六自由度声渲染、空间声场重建等应用的基础数据。当声源移动时，逐点测量SRIR面临巨大工程挑战——每个位置都需要完整采集多方向冲激响应，路径上密集布点的人力与时间成本难以承受。

插值算法成为破解这一难题的必然选择，但传统线性插值或几何插值存在根本性缺陷。回声密度分布在球面上，本质是一种概率密度函数（Probability Density Function，PDF），必须满足非负性和积分为1的约束。线性插值直接将两个分布做加权平均，会产生模糊化的“虚像源”，破坏原本尖锐的回声方向峰谷结构。几何插值虽有所改善，但在处理多径时空动态时仍无法保持精细的回声路径追踪特征。

Wasserstein度量（Wasserstein Metric）源自最优传输理论（Optimal Transport Theory），能够考虑分布之间的几何结构差异，天然适合密度插值。它衡量的是将一个分布“搬运”为另一个分布的最小代价，因而捕捉的是回声峰值的真实位移而非简单混合。然而，在球谐域内高效计算Wasserstein距离并保证插值密度的非负性，一直是悬而未决的技术难题。

3. 核心方法

论文在方法层面做出了三项关键贡献。

平方幅度和展开（Sum-of-Magnitude-Square Expansion）：传统球谐展开无法天然保证密度的非负性，常需引入额外约束导致优化困难。作者提出将球面密度表示为若干球谐函数系数平方之和——每个分量是一个复数值球谐系数的模平方，再将这些“子密度”叠加。这种参数化从数学构造上确保了全局非负，可直接用最大似然估计（Maximum Likelihood Estimation）进行无约束优化，拟合实测SRIR回声密度。同时，该展开形式支持高效的逆采样（Inverse Sampling），为后续蒙特卡洛计算奠定基础。

球面切片Wasserstein距离：精确计算Wasserstein距离在高维球面上计算量极大。论文借鉴切片思想，将球面分布沿多个随机方向投影为一维边缘分布，计算这些一维分布之间Wasserstein距离的平均值作为球面密度差异的高效近似。一维最优传输有闭式解，计算复杂度大幅降低，使得球谐域内的概率密度建模在工程上可行。

Wasserstein位移插值：区别于线性插值在密度函数空间直接加权，位移插值通过求解最优传输映射（Optimal Transport Map）生成中间密度。它作用于球谐系数形成的“粒子”位置，驱动回声峰沿测地线连续移动，生成物理合理的中间回声密度。这种“无发散”插值避免了虚假源的产生，真实反映了声源移动时回声方向的渐变过程。

4. 实验与结果

实验在一个 6m×4m×3m 虚拟房间中展开。沿 3 米直线路径均匀布置 15 个测量点，用 20 阶球谐展开拟合各点的 SRIR 回声密度，提取真实或镜像声源的方向分布。随后模拟稀疏采样场景，仅保留部分测点，用三种插值算法重建其余位置的密度分布。

定量评估采用 KL 散度衡量插值密度与真实密度之间的差异。Wasserstein 位移插值的平均 KL 散度为 0.31，线性插值为 0.42，几何插值为 0.38。这意味着前者的信息损失比线性插值降低约 27 个百分点，比几何插值降低约 19 个百分点。表格 1 列出了不同插值方法在不同测点位置上的详细对照。

模型阶次压缩实验：当球谐展开阶数从 20 降至 10 时，Wasserstein 插值仍能恢复 80% 以上的回声路径方向，峰值位置偏差控制在 5°以内。同等条件下，线性插值产生了超过 35% 的虚假声源，原本清晰的单个回声峰退化为弥散团块。这表明该方法具备显著的模型降阶优势，在保证精度的同时可大幅压缩数据规模。

5. 创新点与工程价值

论文的创新点可归纳为三个层面。第一，首次将切片Wasserstein位移插值引入球谐域SRIR回声密度建模，打通了最优传输理论与空间声学之间的壁垒。第二，设计平方幅度和展开实现非负密度的无约束高效拟合与逆采样，解决了球谐域内密度估计的长期痛点。第三，通过作用于粒子的位移插值机制，从根本上避免了线性混合带来的物理失真。

工程价值直接指向插值算法对测量效率的倍增效应。以移动声源场景为例，传统方案需在路径上每 20 厘米布设一个测点，3 米路径需要 15 个点。若采用该方法，仅需在首尾及中间布设 3-5 个点，其余位置通过 Wasserstein 插值重建，测量工作量可缩减 60% 至 70%。

适用场景覆盖多个领域：机器人动态声场跟踪中，移动平台可借助该插值方案实时更新周围声场地图；虚拟现实六自由度声渲染需要平滑的空间声场过渡，该方法提供的物理合理插值可直接嵌入渲染管线；汽车舱内回声自适应补偿则利用稀疏麦克风阵列插值重建全舱声场分布，优化主动降噪策略。

6. 我们的思考

南京昱声科技在机器人语音交互和声学检测领域深耕多年，这项研究成果与我们的业务场景高度吻合。

机器人语音交互方面：扫地机器人或导览机器人在移动过程中需持续捕捉唤醒词和语音指令，但房间回声特性随位置变化显著，固定位置训练的声学模型在移动场景下性能退化严重。利用该插值方法，仅需在房间内少数固定测量点采集 SRIR，即可生成全路径上的回声密度分布，为移动声源语音识别提供动态适配的环境模型，提升远场唤醒率和指令识别准确度。

声学检测产品方面：管道检测机器人通常搭载有限数量的声学传感器，在移动中稀疏采集回声信号。引入 Wasserstein 插值可重建管线内壁的三维声场分布，精确定位腐蚀、裂缝等缺陷的位置和形态。相比密集布设传感器阵列的传统方案，该方法在保证检测精度的前提下降低传感器数量和计算开销，直接提升产品的成本竞争力和现场部署效率。

在产线音频质检场景中，产品随传送带移动时的声学特征同样存在空间变化，声学检测系统可借鉴该插值框架，用少量参考位置建模全路径声场，减少校准时间和硬件投入。

原文链接：https://arxiv.org/abs/2609.22028

作者：Yuancheng Luo

发布日期：2026-09-18T17:22:17Z

收录：ICASSP 2027