在預定于下個月在國際聲學，語音和信號處理國際會議(ICASSP)上發表的技術論文中，一組亞馬遜研究人員提出了一種AI驅動的方法來進行多源本地化，或者是估計聲音質量的問題。使用麥克風音頻定位。他們說，在涉及真實和模擬數據(前者來自AV16.3語料庫)和多達三個同時活動的聲源的實驗中，與最新的信號相比，該方法顯示出將近15%的改進，處理模型。

解決多源本地化問題是開發足夠強大的智能揚聲器，智能顯示器甚至視頻會議軟件的必不可少的步驟。這是因為它是波束賦形的核心，它是一種將信號(在這種情況下為聲音)聚焦到接收設備(麥克風)的技術。亞馬遜自己的Echo系列產品利用波束賦形來提高語音識別的準確性，谷歌的Nest Hub和蘋果的HomePod也是如此。

朝向麥克風陣列傳播的聲音將在不同的時間到達每個麥克風，這種現象可被用來查明聲源的位置。對于單個聲源，計算相對簡單，但是對于多個聲源，計算卻成倍地復雜。

已經提出了針對多源本地化問題的各種AI和機器學習解決方案，但其中許多都有局限性。

當可能的聲音數量超過模型輸出的數量時，可能會懷疑哪個聲音對應哪個輸出。例如，如果模型學習將一組坐標與一個說話者關聯，并將另一組坐標與兩個其他說話者關聯，則不清楚當另外兩個說話者同時講話時哪個輸出與哪個說話者關聯。一種解決方案是將麥克風陣列周圍的空間表示為3D網格，從而在給定一組輸入信號的情況下，使模型能夠輸出一種聲音源自每個網格點的概率。但這具有主要缺點，其中主要的困難在于本地化離網資源，創建包含每個點的所有聲音組合的語料庫以及提高超出網格分辨率的準確性的困難。

亞馬遜團隊的模型首先將聲音定位到粗略定義的區域，然后將聲音精確地定位在這些區域內。如果它包含至少一個源，則認為該區域處于活動狀態，并且假定在任何活動區域中最多可以有一個活動源。因為每個粗略區域在模型的輸出層中都有一組指定的節點，所以對于給定區域中的哪個聲源與位置估計相關聯不會有任何歧義。

對于每個區域，模型都會計算該區域包含一個源的概率，以及源與麥克風陣列中心之間的距離以及源相對于陣列的角度。它從麥克風中攝取多通道原始音頻，并輸出上述三個量，從而是端到端的—該模型處理原始音頻，從而避免了預處理或后處理的需要。