谱时干扰混淆了空间音频基础模型中的相位编码

最近的空间自监督音频模型在定位任务上实现了高性能，引发了关于其微秒耳间相位精细结构编码的问题。我们提出了一个基于双耳掩蔽水平差异的心理声学基准来评估这一点。使用均衡取消基线和 GCC PHAT 正控制，我们评估了涵盖双耳 SSL、单耳 SSL 和神经音频编解码器的九种冻结音频模型。四个单耳阴性对照产生零 BMLD，证实了双耳特异性。两个通用双耳 SSL 模型表现出最小的相位灵敏度，而专用双耳空间 SSL 模型则实现与分析基线相当的 BMLD。渐进式物理消融表明通用双耳 SSL 模型依赖于频谱时间干扰纹理而不是跨通道相位计算。语音的高检测率反映出对宽带包络而不是真正的相位编码的令人困惑的依赖。