실내 음향 시뮬레이션 (Room-acoustic simulations)은 딥러닝 기반 음성 향상 (speech enhancement)을 위한 학습 데이터를 증강하는 데 널리 사용됩니다. 대부분의 파이프라인은 단순화된 기하 음향 (geometrical acoustics)에 의존하지만, 파동 기반 (wave-based) 접근 방식은 더 높은 물리적 정확도를 제공합니다. 본 연구에서는 시뮬레이션 충실도 (simulation fidelity)가 다채널 음성 향상 성능에 어떠한 영향을 미치는지 조사합니다. 이를 위해, 다양한 실내 음향 시뮬레이션 방법을 통해 증강된 데이터셋으로 SpatialNet을 학습시키고, 측정된 데이터로 결과 모델을 평가합니다. 우리는 기하 음향에 기반한 저충실도 데이터셋을 고급 음향 모델링 (acoustic modelling)을 사용한 고충실도 데이터셋, 그리고 파동 기반 및 기하 음향 시뮬레이션의 하이브리드 조합과 비교합니다. 고충실도 데이터셋으로 학습했을 때, 저충실도 대안들과 비교하여 중앙값 단어 오류율 (median word error rate)이 최대 38% 상대적으로 감소하는 결과를 얻었습니다. 이러한 결과는 고충실도 실내 음향 시뮬레이션을 통한 데이터 증강이 다채널 음성 향상 성능의 직접적인 향상으로 이어진다는 것을 보여줍니다.