MIT 可微分声学模拟器：从录音反推 32 段声管形状
maier_ak · x · 2026-11-12
MIT 的 Eric Ming Chen、Jin Woo Lee 与 Vincent Sitzmann 被 NeurIPS 2026 接收为 spotlight 的论文，让计算机像孩子学说话一样「听声辨形」——从录音反推出产生它的发声道形状。
核心方法
- 沿用语音学的「声源-滤波器」框架：声带产生蜂鸣，咽喉/口腔/嘴唇将其整形为元音辅音
- 发声道建模为一根沿长度和时间变化宽度、分 32 段的声管，按标准声学方程计算口部输出
- 关键创新是一个可微分、速度足以嵌入深度学习管线的滤波器模拟器：从管形猜测出发模拟发声，将频谱图与真实录音对比，用误差梯度逐步反推管形
作者指出的局限
- 问题本身病态：不同形状可发出相同声音
- 真实解剖只在 6 个元音上验证；MRI 视频来自在相同说话人上训练的生成器
- 未建模鼻腔声道，代码尚未公开
「研究」频道最新
- 教授自述：2019 年提出的 ChromDragoNN 范式，如今被前沿模型验证可行 — anshulkundaje · 2026-11-12
- 细胞状态条件化架构或成统一序列模型与多模态细胞编码的自然路径 — anshulkundaje · 2026-11-12
- 斯坦福教授：虚拟细胞不需要十亿参数基础模型，改版 scVI 就够用 — anshulkundaje · 2026-11-12
- 斯坦福学者：单细胞编码无需十亿参数基础模型 — anshulkundaje · 2026-11-12
- 2048 块 TPUv4 训出基因调控模型，教授详解数据与工程如何榨干数据集 — anshulkundaje · 2026-11-12
- 教授：基因调控模型非暴力堆算力，架构与损失函数皆为领域专家精雕 — anshulkundaje · 2026-11-12