自检（?selftest=1）
盲 RIR 估计：名词与发现的可视化说明
这两天的实验到底发现了什么，每个词是什么意思。
- 一条 RIR 的频率响应可以用倒谱拆成两部分：整体形状（频谱包络）和细密起伏（频谱精细结构）。
- 最强的现有系统（公开 Rec-RIR）精细结构较好、频谱包络偏差大；我们的系统 A 频谱包络较准、精细结构较差；把两者按倒谱拆开再拼起来，在我们的主指标上四个测试集都更好。
- 换成更接近人耳的度量（梅尔频带、只看有语音的帧）后，拆分方案仍优于 J2（四个测试集）和 Rec-RIR（点估计四个测试集都更好，ACE 的区间碰到零）；主指标上的收益 91% 以上来自 1 kHz 以下；C50、DRR、EDC 几乎不变。以上重评尚未独立审计。
全页统一配色
页面里带虚线下划线的词，鼠标悬停（触屏点一下）会给出一句话解释；完整解释见第 12 节术语表。所有演示信号都在浏览器里按 16 kHz 现场合成，随机种子固定。
1. RIR 是什么
一句话：在房间里拍一次手，话筒录到的那一整段声音，就是这个房间的 RIR。
声音从声源出发，一条直线走到话筒（直达声），另外一些先撞墙再拐到话筒。撞墙的路更长，所以来得更晚、更弱。把"撞一次墙"画成"墙对面有一个镜像声源"，就能一眼看出每条回声的到达时间。
点"拍手"看波前扩散；右图同步画出 RIR。
右图：① 直达声（5 ms） ② 早期反射（其后几十毫秒，能分辨出一个个回声） ③ 晚期混响（密集、按指数衰减）
要点
- RIR＝房间对一次"拍手"的完整回应。本项目把它截为 0.65 s、10440 个采样点（16 kHz）。
- 最高的尖峰是直达声；随后几十毫秒里能分辨出一个个回声，叫早期反射；再往后是密集、按指数衰减的晚期混响。
- 旧称"核"＝RIR。"卷积核"是信号处理里的泛称，本领域直接说 RIR。
2. 卷积：干声 ⊛ RIR ＝ 混响语音
一句话：卷积就是"把干声的每一个瞬间都换成一次拍手的回响，再全部叠起来"。
盲估计的处境：只给你最下面那条混响语音，上面两条都看不到，要把 RIR 猜出来。
三条波形：干声探针（2 s 合成"类语音"）、RIR、两者卷积的结果。
要点
- 混响语音的每一个采样，都是干声在各个延迟上按 RIR 加权叠加的结果。
- 干声估计＝网络从混响语音里猜出来的干声（旧称"源"）。第 8 节的方案要用到它。
3. RIR 的频率响应
一句话：同一条 RIR 换个角度看——每个频率上它有多强，这就是频率响应。
下图是合成 RIR 的对数幅度谱（16384 点 FFT，0–8 kHz）。可以看到两种尺度的变化同时存在：大范围的缓慢起伏（例如低频偏重、高频偏暗）和非常细密的上下抖动。下一节用倒谱把两者分开。
合成 RIR 的对数幅度谱
4. 倒谱：把"整体形状"和"细密起伏"分开
一句话：对对数幅度谱再做一次傅里叶变换，就得到倒谱；倒谱的低端是频谱包络，高端是频谱精细结构。
横轴的单位仍然是时间（毫秒），因为它是"频谱上起伏的周期"换算回来的——为了区别于普通时间，习惯上叫倒频率。拖动滑块改变倒谱截断点，三张图同时变化。
上：对数幅度谱（灰）＋频谱包络（橙）。中：倒谱，竖线是截断点。下：频谱精细结构＝对数谱 − 包络。
要点
- "对数谱再做一次傅里叶变换"就是倒谱（cepstrum），1963 年为分析回声而发明，是经典工具，不是本项目的发明。
- 倒谱低端（截断点以内）＝频谱包络：RIR 频率响应的整体形状，音频工程里也叫 coloration／EQ（旧称"着色"）。
- 倒谱高端＝频谱精细结构：反射造成的细密梳状起伏（旧称"纹理"）。
- 截断点越小，包络越平滑。实验里用 4 ms；截断点取 2 ms 或更小时，合成测试集上的收益消失。
5. 一个回声为什么在倒谱上是一个尖峰
一句话：延迟 τ 的一个反射，让频谱出现周期为 1/τ 的梳状起伏，倒谱就在 τ 处冒出一个尖峰。
这里的 RIR 只有两个点：直达声，加一个延迟 τ、幅度 g 的反射。拖动两个滑块看三张图怎么变。
上：只含直达声＋一个反射的 RIR。中：对数幅度谱，呈梳状。下：倒谱，在 τ 处有尖峰。
要点
- 梳齿的间距正好是 1/τ Hz：τ 越大，梳齿越密；倒谱上的尖峰也越往右。
- 所以晚于截断点（4 ms）的反射落在频谱精细结构里；早于截断点的（例如直达声前后 ±2 ms 内的换能器响应、很近的桌面反射）落在频谱包络里。
- 直达声的绝对到达时间在幅度谱里完全看不到——整体平移只改变相位，不改变幅度谱。
6. 三层：频谱包络、时间能量、频谱精细结构
一句话：一条 RIR 可以分成三层；声学参数（T60、C50、DRR、EDC）只盯住"时间能量"这一层，对"频谱包络"几乎不反应。
下面用合成 RIR 当"真实 RIR"。三组滑块各自只改一层，五个量都与真实 RIR 比较（都是越小越好，0 表示完全一致）。
左：对数幅度谱（灰＝真实，红＝扰动后）。右：EDC 能量衰减曲线（三个频带取平均）。
① 频谱包络误差
② 时间能量误差
③ 频谱精细结构误差
要点
- 只动频谱包络时，重卷积谱距离明显变差，而分频带计算的 C50、DRR、T60、EDC 几乎不变——因为它们都是同一频带内的能量比值，一个频带整体乘以增益会被约掉。这正是实验里观察到的现象：频谱包络替换让主指标降低 0.05–0.07，C50、DRR、EDC 几乎不动。
- 只动时间能量时，T60、EDC、C50 跟着变。
- 只动精细结构时，T60 基本不变，重卷积谱距离变差。
- 所以"声学参数"（T60、C50、DRR、EDC）属于时间能量层，不属于频谱包络层。
7. 频谱包络替换 旧称着色移植
一句话：保留 X 的精细结构，把它的频谱包络换成 Y 的——两条都有明显缺陷的估计，拼起来就接近真实 RIR。
三条演示 RIR：X＝真实 RIR 的精细结构＋偏差很大的频谱包络（高频 −10 dB、低频 +6 dB）；Y＝真实 RIR 的频谱包络＋被打乱的精细结构（反射时刻随机偏移、尾巴换成同能量包络的另一段噪声）。
灰＝真实 RIR 的对数幅度谱，彩色＝当前选中的那条。
要点
- X 对应公开 Rec-RIR（精细结构较好、频谱包络偏差可达 ±10 dB）；Y 对应我们的系统 A（先估干声、再做幅度匹配求解；频谱包络较准、精细结构较差）。
- 被替换包络的 RIR（旧称"底座"）就是 X。替换全程不使用真实 RIR，所以仍然是盲的。
- 同一个做法作用在 Rec-RIR 自己的 RIR 上，与作用在"最小二乘辨识出的 RIR"上，主指标几乎相同——主指标上的收益来自换对了包络；在对包络不敏感的时间结构度量（M3，见第 10 节）上，被替换包络的 RIR 的时间结构才是区分方法的部分。
8. 实际方案流程 旧称分解式链路
一句话：两条支路各出一样东西——一条出精细结构，一条出频谱包络——最后按倒谱拼成一条 RIR。
点任意一个方框看它的说明。
要点
- 输入只有混响语音。两条支路都不使用真实 RIR，所以整条流程是盲的。
- 虚线旁支：公开 Rec-RIR 自己输出的 RIR 也可以当 RIR_X，结果几乎相同。
9. 结果
一句话：在四个测试集上，拆分方案的重卷积谱距离都比公开 Rec-RIR、J2 和 A 低。
重卷积谱距离（越低越好）。虚线框＝Rec-RIR ＋ 真实 RIR 的频谱包络，是真值辅助的上限参照，不是可用系统。
262 条输入、131 条 RIR、46 个房间组。按房间配对的 bootstrap 95% 区间，拆分方案相对 Rec-RIR 与 J2 在四个测试集上全部低于零；去掉开发子集的 12 条 RIR 或其整个房间组后，16 个比较中 15 个仍成立；换六条新评分语音和 384／1536 窗后排序不变。
同数据检验（24 条输入的开发子集）：灰＝替换包络前，红＝替换包络后。
旧称"前端底座仍更弱"的意思是：两种 Rec-RIR 从包络替换得到的改善差不多（0.084、0.071），剩下的差距来自精细结构，而精细结构的好坏取决于训练数据规模。
为什么固定一条曲线不行：能解释真值校正曲线多少变化。
注意
- 用一条全局固定曲线校正几乎无效（ACE 上反而变差 0.073）。
- 各测试集自己的平均曲线能解释真值校正曲线 73% 的变化，全局一条只能解释 24%。
- A 的包络与真值校正曲线的逐输入相关 0.61——包络需要逐条输入地估，不能预先写死。
10. 主指标是什么，以及它的局限
一句话：重卷积谱距离＝"拿两段新干声分别过一遍估计 RIR 和真实 RIR，听起来的频谱有多像"。
主指标的计算流程
为什么这个领域报 T60、C50、DRR、EDC
- 任务历史：2015 年 ACE 挑战赛就是盲估 T60 与 DRR。
- ISO 3382 标准里的量，有感知含义。
- 它们对频谱包络和测量设备的频响不敏感——这是有意的设计。
- 频谱包络与说话人音色混在一起，盲条件下难以分辨。
主指标的频率加权（更正了此前的猜测）
主指标由两项组成：对数幅度 L1 按线性频点等权，0–8 kHz 的频点有一半在 4 kHz 以上；谱收敛按能量加权，而语音的能量绝大部分在 1 kHz 以下。拖动分界线看三种加权下"分界线以下"各占多少。
三条横条：线性频点的分布、本页类语音探针的能量分布、ERB（人耳频带）刻度。
重评结果（固定文本）
- 包络替换带来的主指标改善，全部来自谱收敛这一项，其中 91% 以上来自 1 kHz 以下、41%–133% 来自 250 Hz 以下；4 kHz 以上的贡献为 −36%…−2%。
- 此前"主指标高估高频"的担心不成立，它实际上偏重低频。
其他局限
- 真实 RIR 带着测量扬声器和话筒的频响，主指标会奖励复现它。
- 尚未与听感对照验证。
用途对照表
| 用途 | 主指标是否对口 |
|---|---|
| 声学匹配／渲染 | 对口 |
| 数据增广 | 部分相关 |
| 去混响／逆滤波 | 会误导：只匹配幅度、相位随机的 RIR 也能得高分，但不能用于逆滤波 |
| 房间分析、距离估计 | 应看参数指标（T60、C50、DRR、EDC） |
三种补充度量的重评（262 条输入，未独立审计）
| 度量 | 看什么 | 结果 |
|---|---|---|
| M1 梅尔频带对数距离 | 梅尔频带、只看有语音的帧 | 拆分方案比 J2 低 0.20–0.57 dB（四个测试集区间都低于零）；比 Rec-RIR 低 0.24–0.60 dB（ACE 区间 [−0.52, +0.06] 碰到零） |
| M2 长时音色误差 | 1/3 倍频程、去掉整体音量 | 拆分方案与 A 相差不到 0.15 dB——它拿到的是 A 的音色 |
| M3 混响时间结构误差 | 每个频带各自归一后比较能量随时间的变化，对频谱包络不敏感（真值包络校正只让它变 0.01–0.03 dB） | Rec-RIR 优于 J2（0.26–0.50 dB）和 A（0.45–0.93 dB）；拆分方案与它保留的最小二乘 RIR 相同，在三个实测测试集上优于 Rec-RIR（低 0.35–0.47 dB），在合成测试集上差 0.40 dB |
含义
- 三层的分工在这些度量下得到印证：音色（M2）来自 A，时间结构（M3）来自被替换包络的 RIR。
- J2 与 Rec-RIR 在主指标上接近，是因为 J2 音色更好、时间结构更差。
- 此前审计说"辨识出的结构对主指标没有贡献"只对主指标成立；在 M3 上它正是区分方法的部分。
11. 上界阶梯：主指标需要 RIR 的什么信息
一句话：在这个主指标下，多分辨率幅度（含 128 ms 长窗）几乎就够了，相位基本不需要。
重卷积谱距离（越短越好）。前四项使用真实 RIR 的部分信息，是参照而非可用系统；最后两项是同一 24 条开发输入上的实际系统。
要点
- 只给短窗能量包络远远不够；补上 128 ms 长窗的幅度之后，距离就掉到很低的水平。
- 这只说明"这个指标需要什么"，不说明 RIR 物理上只由幅度决定。
12. 术语表
一句话：统一用法在左，旧的自造叫法只出现在最后一列。
| 统一用法 | 英文 | 白话解释 | 旧称 |
|---|