arXiv cs.AI· Chenlong Wei, Hanling Wang, Mingjin Lou, Yufan Shi, Yandong Sun, Sheldon Yu, Xiaohui Zhu, Xiaobo Jin, Yiwei Wang·· 3 天前AI 评分22
SonicWorld：面向空间音频推理的以声源为中心的潜在动态模型
SonicWorld: Source-Centric Latent Dynamics for Spatial Audio Reasoning
AI 导读
研究团队提出 SonicWorld，将物理、学习到的声学与语义特征整合为持久声源状态，并投影到 Omni LLM 进行空间推理。配套发布 Sonic-Bench，含 2.8K 一阶 Ambisonics 片段与 28.8K 目标问答对，覆盖 480 个模拟室内场景。
正文 · AI 翻译
摘要：动态空间音频推理要求模型将不断变化的声学观测与正确的声源相关联，并在查询的时间或时间区间内恢复其空间状态，而重叠语音和声源运动加剧了这一挑战。为研究这一问题，我们提出了 Sonic-Bench，包含 2.8K 个一阶 Ambisonics 音频片段和 28.8K 个针对特定目标的问题-答案对，覆盖 480 个模拟室内场景。该基准涵盖单声源和双声源设置下的定位、距离估计和运动推理。我们进一步提出了 SonicWorld，它通过学习的转移和循环更新，将物理、学习到的声学和语义特征整合为持久的声源状态，并将其投影到 Omni LLM 中进行空间推理。在 Sonic-Bench 测试集上与 Spatial-Omni 相比，SonicWorld 将方向准确率从 31.98% 提升至 34.69%，并将方位角误差从 57.22° 降低至 48.01°。在零样本迁移到 Spatial LibriSpeech 时，SonicWorld 保持了强大的定位性能，达到 73.98% 的方向准确率和 19.29° 的方位角误差，而 Spatial-Omni 为 27.14% 和 70.74°。
| 评论： | 37 页，12 幅图，包括附录 |
| 主题： | 声音 (cs.SD)；人工智能 (cs.AI)；音频与语音处理 (eess.AS) |
| 引用为： | arXiv:2610.17131 [cs.SD] |
| （或 arXiv:2610.17131v2 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17131 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Chenlong Wei [查看电子邮件]
[v1]
2026 年 10 月 12 日星期一 17:19:19 UTC（8,412 KB）
[v2]
2026 年 10 月 14 日星期三 07:24:59 UTC（8,412 KB）
来源：arXiv cs.AI · arxiv.org