论文速递

📄 MMAudio-LABEL: Audio Event Labeling via Audio Generation for Silent Video #音频生成 #流匹配 #音频事件检测 #多任务学习 #多模态模型 ✅ 7.5/10 | 前25% | #音频生成 | #流匹配 | #音频事件检测 #多任务学习 | arxiv 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Kazuya Tateishi（索尼集团，日本） 通讯作者：未说明 作者列表：Kazuya Tateishi（索尼集团，日本）、Akira Takahashi（索尼集团，日本）、Atsuo Hiroe（索尼集团，日本）、Hirofumi Takeda（索尼集团，日本）、Shusuke Takahashi（索尼集团，日本）、Yuki Mitsufuji（索尼集团，日本 & 索尼AI，美国） 💡 毒舌点评 这篇论文的亮点在于它巧妙地利用视频到音频生成任务作为“桥梁”，将音频事件检测任务“融入”生成过程本身，通过联合建模显著提升了事件预测的准确性和生成音频的质量，这是一个思路清晰且实用的改进。但其短板也很明显：所有实验仅在一个高度受控、类别单一的“敲击”数据集（Greatest Hits）上进行，结论对于更复杂、声学环境多样的真实世界场景（如电影、自然录音）的泛化能力未经检验，显得说服力不足。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：论文中未提及预训练或微调后模型权重的下载链接。 数据集：论文中未提及具体的数据集下载链接或开源协议，仅说明使用了Greatest Hits dataset。 Demo：论文中未提及在线演示链接。 复现材料：论文中未提及训练配置文件、检查点文件或代码附录等具体复现材料的下载链接。但文中提供了详细的实现细节（3.2节），包括硬件环境、优化器、学习率策略、训练步数等超参数信息。 论文中引用的开源项目： MMAudio：论文中作为基础模型引用，但未提供其开源仓库链接。 MMAudioSep：论文中作为下游任务应用引用，但未提供链接。 VGGish：论文中作为基线模型引用，但未提供链接。 论文中引用的其他方法（如CondFoley等）也均未提供具体开源链接。 补充信息 [细节详述] 补充：论文明确指出，对于材质分类任务中官方测试集未涵盖的材料类别，评估时使用了验证集中的样本（“For materials not present in the test split, we used samples from the validation split.”）。这一做法可能影响评估结果的严格性与公平性，值得在复现和理解其性能数据时加以注意。 [实验结果] 补充：在材质分类任务的讨论中，论文具体指出了即使经过微调，模型在识别地毯、石膏板和玻璃等形状特征不明显的材质时仍面临挑战（“recognizing materials with less distinctive shapes, such as carpet, drywall, and glass remains a challenge”）。这指出了当前方法在细粒度视觉-声音关联建模上的局限性。 [实验结果] 补充：为确保测试时输入时长（2秒）与训练时（8秒）匹配，论文采用了循环拼接（loop and concatenate）策略（“we looped and concatenated each clip to 8 s before running inference. We used the predictions corresponding to the first 2 s for evaluation.”）。这是一种常见的处理方式，但可能引入不自然的重复内容，论文未讨论其对生成音频质量或事件检测的潜在影响。 [细节详述] 补充：论文在讨论联合头架构时指出，为将事件逻辑值（logits）与音频潜变量拼接，需要扩展潜变量维度。具体地，起始点检测任务为21维（20维音频+1维事件），材质分类任务为37维（20维音频+17维事件），并在流预测头输出后进行拆分（“we augmented the audio latent dimensionality with the number of event classes… and split them into audio and event components after the flow head.”）。 📌 核心摘要 这篇论文针对从静音视频生成音频的实用化需求，提出了MMAudio-LABEL框架。其要解决的问题是，现有方法要么只生成音频而缺乏事件级信息，要么采用“生成后检测”的流水线，易受误差累积影响且丢失视觉上下文。方法核心是构建一个“事件感知”的生成框架，联合学习音频生成和帧级声音事件预测，而不是后接独立的分类器。与已有方法相比，新在提出了“联合头”（Joint Heads）架构，将事件逻辑值视为连续变量并加入噪声，与音频潜变量拼接后，由统一的流匹配生成头在同一个生成轨迹内联合预测音频和事件，从而在共享的潜空间中更好地融合视觉、音频和事件信息。主要实验结果显示，在Greatest Hits数据集上，该方法在起始点检测（Onset Detection）的准确率从基线的46.7%提升至75.0%，材料分类（Material Classification）的准确率从40.6%提升至61.0%，同时生成音频的质量（MCD指标）也得到提升。实际意义在于，该方法为视频到音频合成提供了更可解释和实用的输出（音频+对齐的事件标签），有助于音视频内容创作。主要局限性是评估局限于特定的打击类动作数据集，缺乏更广泛音频事件和复杂场景的验证；此外，论文未提供开源代码或模型权重，影响了可复现性。 ...

📄 MMAudioReverbs: Video-Guided Acoustic Modeling for Dereverberation and Room Impulse Response Estimation #语音增强 #跨模态 #预训练 #迁移学习 ✅ 6.0/10 | 前50% | #语音增强 | #预训练 | #跨模态 #迁移学习 | arxiv 学术质量 5.5/7 | 选题价值 1.0/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：Akira Takahashi (Sony Group Corporation, Sony AI) 通讯作者：未明确说明（但第一作者Akira Takahashi与第四作者Yuki Mitsufuji均来自Sony AI，且Yuki Mitsufuji为机构负责人，可能是主要联络人） 作者列表：Akira Takahashi (Sony Group Corporation, Sony AI)、Ryosuke Sawata (Sony AI)、Shusuke Takahashi (Sony Group Corporation)、Yuki Mitsufuji (Sony Group Corporation, Sony AI) 💡 毒舌点评 亮点：该研究巧妙地将一个为视频生成音频（V2A）的基础模型（MMAudio）通过“无需修改架构”的方式，重新用于解决物理声学问题（去混响和RIR估计），这种“模型复用”的思路颇具启发性，展示了预训练多模态模型作为通用物理先验的潜力。短板：实验的局限性过于明显——仅在一个数据集（SoundSpaces-Speech）上进行验证，且与多个SOTA方法（如AV-RIR）对比时，在关键指标（如RIR估计的ΔRT60）上并未显示出稳定优势，使得其“统一框架”的优越性难以服众。同时，完全缺乏开源承诺，极大地削弱了研究的可验证性和社区影响力。 ...

📄 RoboKA: KAN Informed Multimodal Learning for RoboCall Surveillance System #语音伪造检测 #多模态模型 #对比学习 #鲁棒性 #数据集 ✅ 7.0/10 | 前25% | #语音伪造检测 | #多模态模型 | #对比学习 #鲁棒性 | arxiv 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Nitin Choudhury（论文中未提供其具体机构） 通讯作者：论文中未明确标注通讯作者。 作者列表：Nitin Choudhury（未说明）、Nikhil Kumar（未说明）、Aditya Kumar Sinha（未说明）、Abhijeet Anand（未说明）、Hossein Salemi（未说明）、Orchid Chetia Phukan（未说明）、Hemant Purohit（未说明）、Arun Balaji Buduru（未说明）。论文中未提供作者与机构的对应关系。 💡 毒舌点评 论文在解决数据稀缺问题上做得非常扎实，构建了包含心理语言学、情感和声音克隆三大对抗轴的合成数据集Robo-SAr，并进行了严格的人工验证，这为后续研究提供了宝贵的基准。然而，将KAN应用于多模态融合的创新点略显牵强，其带来的性能提升是否完全归功于KAN的特殊性质，还是仅仅因为增加了模型复杂度和非线性度，文中论证不足；此外，承诺开源却迟迟未兑现代码和数据，在当下开源生态中略显扣分。 🔗 开源详情 代码：论文中承诺在审稿后遵循伦理标准发布代码和数据，但当前未提供具体链接。（论文中未提及代码链接） 模型权重：论文中未提及RoboKA模型权重的具体下载链接。论文使用的预训练模型（如Wav2Vec2， BERT等）为开源模型，其权重可在Hugging Face获取，具体链接已在“论文中引用的开源项目”部分列出。 数据集：论文创建了“Robo-SAr”数据集并承诺发布，但当前未提供具体链接。论文中引用了两个现有数据集：Fraud Call India数据集（https://www.kaggle.com/datasets/narayanyadav/fraud-call-india-dataset）和FTC Do Not Call Registry（https://www.consumer.ftc.gov/articles/how-stop-unwanted-calls）。 Demo：论文中未提及。 复现材料：论文提供了部分训练与评估协议细节，包括：使用5折交叉验证、严格的组级划分（按说话人、引擎、情绪、转录本划分以避免数据泄露）、评估设置（T1-T4）、以及超参数（如对比学习中的温度参数τ）。但未提供完整的超参数配置文件、训练日志或检查点。 论文中引用的开源项目： 预训练音频模型：Wav2Vec2 (https://huggingface.co/facebook/wav2vec2-base), WavLM (https://huggingface.co/microsoft/wavlm-base), HuBERT (https://huggingface.co/facebook/hubert-base-ls960) 预训练文本模型：BERT (https://huggingface.co/bert-base-uncased), RoBERTa (https://huggingface.co/roberta-base), GPT-2 (https://huggingface.co/gpt2) 文本转语音模型：Bark (https://github.com/suno-ai/bark), SpeechT5 (https://huggingface.co/microsoft/speecht5_tts), xTTS (来自Coqui TTS: https://github.com/coqui-ai/TTS) 语音识别模型：OpenAI Whisper (https://github.com/openai/whisper) 情感预测模型：roberta-base-conv-emotion (https://huggingface.co/waves/hubert-base-superb-er， 论文中引用[35]但未给出具体链接，此处为最可能对应的Hugging Face模型) 📌 核心摘要 解决的问题：针对Robocall（自动语音电话）欺诈检测，现有研究因隐私问题受限于有限的公开数据集，且现有防御系统在面对高级对抗性策略时鲁棒性不足。 方法核心：提出RoboKA框架，首先使用跨模态对比学习对齐从预训练音频（如Wav2Vec2）和文本（如BERT）模型提取的特征，然后使用基于Kolmogorov-Arnold Networks的模块进行非线性融合与分类，以捕获复杂的跨模态交互。同时构建了名为Robo-SAr的对抗性合成数据集。 与已有方法相比新在哪里：a) 首次构建了系统化、多对抗轴（心理语言学操控、情感诱导、声音克隆）的Robocall合成数据集Robo-SAr；b) 首次将KAN架构引入多模态Robocall检测的融合与分类阶段，用以替代传统的线性/MLP头，以建模更丰富的非线性关系；c) 采用不确定性感知的损失融合策略平衡对比学习和分类目标。 主要实验结果：在四个评估设置（TTS引擎留出、情感留出、20%数据留出、真实世界DNCR数据OoD测试）下，RoboKA（最优组合HuBERT + BERT）全面超越单模态和现有双模态基线。例如，在最具挑战性的OoD测试（T4）上，RoboKA对“无需电话”的召回率（uRc）达到82.21，比最强基线（HuBERT⊗BERT的67.21）高出15个百分点。消融实验证明了多模态、CMCL和KAN的各自贡献。 实际意义：为Robocall检测研究提供了首个公开的、涵盖多种对抗策略的基准数据集，并提出了一种更鲁棒的多模态检测框架，有助于推动该领域防御技术的进步。 主要局限性：a) 研究仅限于英语；b) 真实世界评估集（DNCR）仅包含负面样本，无法评估精确率；c) 合成数据与真实世界声学条件仍可能存在领域差距。 🏗️ 模型架构 模型架构图（图1） ...

📄 Timing is Everything: Temporal Scaffolding of Semantic Surprise in Humor #音频事件检测 #模型评估 #数据集 ✅ 6.5/10 | 前50% | #音频事件检测 | #模型评估 | #数据集 | arxiv 学术质量 5.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Yuxi Ma (共同第一), Yongqian Peng (共同第一) (Peking University) 通讯作者：Chi Zhang (Peking University), Yixin Zhu (Peking University) 作者列表： Yuxi Ma (Peking University, Institute for Artificial Intelligence; School of Psychological and Cognitive Sciences; School of Intelligence Science and Technology; Yuanpei College; State Key Laboratory of General Artificial Intelligence; Beijing Key Laboratory of Behavior and Mental Health) Yongqian Peng (Peking University, Institute for Artificial Intelligence; School of Psychological and Cognitive Sciences; Yuanpei College; State Key Laboratory of General Artificial Intelligence; Beijing Key Laboratory of Behavior and Mental Health) Junchen Lyu (Peking University, Institute for Artificial Intelligence; Yuanpei College) Chi Zhang (Peking University, School of Intelligence Science and Technology; State Key Laboratory of General Artificial Intelligence) Yixin Zhu (Peking University, Institute for Artificial Intelligence; School of Psychological and Cognitive Sciences; School of Intelligence Science and Technology; State Key Laboratory of General Artificial Intelligence; Beijing Key Laboratory of Behavior and Mental Health) 💡 毒舌点评 亮点：论文用828个真实脱口秀表演的大数据，硬生生把“抖包袱的节奏”从艺术直觉变成了可量化的认知科学问题，并发现“停得久”比“说得怪”对搞笑更重要，这比很多堆砌BERT变体的幽默计算研究更接地气。短板：作为一项观察性研究，它只能证明“成功的喜剧人停顿更长且更会挑时机”，却无法证明“是停顿让观众更觉得好笑”，这种因果倒置的风险在解读时需要非常小心。 ...

📄 Towards Improving Speaker Distance Estimation through Generative Impulse Response Augmentation #声源定位 #数据增强 #生成模型 #空间音频 🔥 8.5/10 | 前25% | #声源定位 | #数据增强 | #生成模型 #空间音频 | arxiv 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 0.3 | 置信度 中 👥 作者与机构 第一作者：Anton Ratnarajah（论文中未提及机构） 通讯作者：未说明 作者列表：Anton Ratnarajah（未说明）、Mehmet Ergezer（未说明）、Arun Nair（未说明）、Mrudula Athi（未说明） 💡 毒舌点评 亮点在于将生成式RIR合成与严格的质量过滤流程工程化，成功地将距离估计的MAE降低了一个数量级（约60%），证明了在有限真实数据下，高质量的合成数据可以极大提升下游任务性能。短板在于其核心的距离估计模型本身是现成的（论文[2]），创新边界止于如何更有效地“喂”数据给现有模型，且对小于1米的近场估计能力明显不足，显示了生成模型在极端条件下的局限性。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：论文中未提及。 数据集：论文中未提及数据集的具体获取链接或开源协议。文中提及了GWA、Treble、C4DM和VCTK等数据集名称。 Demo：论文中未提及。 复现材料：论文中未提及具体的训练配置、检查点或附录材料链接。 论文中引用的开源项目： FastRIR（快速漫射房间脉冲响应生成器）：论文中提及为开源项目，但未提供具体链接。其常见代码仓库地址为：https://github.com/RoyChao19477/Fast-RIR。 MESH2IR：论文中提及并引用了相关文献[4, 3]，但未提供具体链接。其常见代码仓库地址为：https://github.com/sp-uhh/mesh2ir。 注：以上两个开源项目的链接基于其广泛认知的代码仓库，论文原文仅在引用部分提及名称与参考文献编号。 补充信息 [核心摘要/论文自我声明的局限性] 补充：论文在误差分析部分明确指出，模型在距离大于1米时保持一致的性能，误差通常在0.5米左右。这是一个重要的性能基线，已有分析未具体提及。 [模型架构/创新点] 补充：在修改FastRIR架构时，论文明确采用了MESH2IR [4, 3] 中提出的RIR表示方案，其目的是确保在不同源-接收距离下RIR的能量分布保持一致。这是实现“位置专用条件生成”的关键技术细节之一，已有分析仅提及名称但未强调其目的。 [论文自我声明的局限性] 补充：论文对近距离（<1米）误差增大的原因进行了更具体的归因分析：1）生成模型在该近距离范围内的训练示例有限；2）非常近距离的声学现象具有独特性，若无专门训练数据则难以建模。这比已有分析中仅指出“样本不足”更为具体。 📌 核心摘要 解决的问题：在房间声学和说话人距离估计（SDE）任务中，真实测量的房间脉冲响应（RIR）数据稀疏且昂贵，限制了SDE模型的性能，尤其是在中远距离。 方法核心：采用一个修改的生成式RIR模型（基于FastRIR），该模型仅以说话人和听者的位置为条件进行训练，以生成大量合成RIR数据。随后，设计了一个严格的质量过滤流程（基于T60、DRR等声学指标），筛选出与真实数据分布一致的高质量合成RIR，用于微调现有的SDE模型。 创新之处：与简单使用现成RIR生成器相比，本文创新在于：a) 专注于位置条件的生成模型改造；b) 建立了明确的、基于声学物理指标的质量过滤标准；c) 针对GWA和Treble两种不同模拟特性的数据集分别进行微调，以提升领域适应性。 主要实验结果：使用约26万条过滤后的合成RIR进行微调后，SDE模型的平均绝对误差（MAE）显著降低。对于GWA测试房间，MAE从基线的1.66m降至0.6m；对于Treble测试房间，从2.18m降至0.69m。消融实验表明，针对特定数据集微调的专用模型能进一步获得5%-10%的MAE提升。具体结果见下表及图2。 数据集 基线模型 MAE (m) 本文模型 MAE (m) GWA Rooms (11-20) 1.66 0.6 Treble Rooms (1-10) 2.18 0.69 图2展示了模型在所有测试房间（顶行）、Treble房间（中行）和GWA房间（底行）上的性能。左列是真实距离分布，中列是预测距离分布，右列是预测与真实距离的散点图。结果显示预测值与真实值高度相关，尤其在GWA房间上表现更佳（MAE 0.6m， 相关系数更高）。 ...

📄 Transformer-based End-to-End Control Filter Generation for Active Noise Control #主动噪声控制 #Transformer #无监督学习 #实时处理 #模型比较 ✅ 7.0/10 | 前25% | #主动噪声控制 | #Transformer | #无监督学习 #实时处理 | arxiv 学术质量 6.2/7 | 选题价值 1.3/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：Ziyi Yang（论文未说明其具体所属机构） 通讯作者：未说明 作者列表：Ziyi Yang（未说明）、Zhengding Luo（未说明）、Yisong Zou（未说明）、Boxiang Wang（未说明）、Qirui Huang（未说明）、Woon-Seng Gan（未说明） 💡 毒舌点评 这篇论文的核心工作是将Transformer“嫁接”到了固定滤波器主动噪声控制的框架中，并且通过巧妙的端到端可微设计，绕开了监督学习需要“标签”的难题，在真实噪声上取得了不错的改进，思路清晰，实验扎实。不过，模型参数量和计算量相比基线方法（CNN）显著增加，这对于追求低延迟、低功耗的嵌入式ANC设备来说是个不小的挑战，论文对此权衡的讨论略显不足，且未提供任何开源代码。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：论文中未提及模型权重链接。 数据集：论文中提及了训练和测试所用数据集的具体描述（83,977个合成带限噪声样本，用于测试的真实噪声类型包括飞机、压缩机等），但未提供公开下载链接或开源协议。 Demo：论文中未提及Demo链接。 复现材料：论文中提供了详细的训练配置、超参数、模型架构及评估结果，具体信息如下，但未提供额外的检查点文件或附录文档链接。 数据集：83,977个1秒时长、13kHz采样率的合成带限噪声（覆盖20-1900 Hz）。划分：79,977训练样本，2,000验证样本，2,000测试样本。训练时在参考信号上添加了SNR 10dB的高斯噪声。测试用到真实噪声和合成噪声。 声学路径：使用一个覆盖10-3000 Hz的合成声学路径，训练和测试中保持一致。 模型配置： 输入帧长度 L=13,000 样本，控制滤波器长度 N=512。 Conv1d前端：1输入通道，256输出通道，卷积核64，步长4，填充30；后接BatchNorm、ReLU、最大池化（步长4）。 Transformer编码器：d_model=256，8个注意力头，1层编码器，前馈维度1024，dropout 0.1，使用Pre-Norm。 输出头：Linear(256->512)，ReLU，Dropout(0.1)，Linear(512->512)。 总可训练参数：1,201,152。 训练超参数：优化器Adam，权重衰减10⁻⁴，初始学习率5×10⁻⁴，批大小128，训练40轮。使用StepLR调度器（步长5，衰减因子0.5）。 评估指标：噪声降低（NR）分贝数。每个测试噪声运行5秒，在最后1秒计算NR，报告平均NR。 基线模型：FxNLMS（滤波器长度512，步长0.001）；GFANC（CNN co-processor，参数211,215，详见论文）。 论文中引用的开源项目：未提及。 补充信息 [模型架构] 补充：论文明确指出，Transformer编码器采用Pre-Norm（预归一化）设计。这是影响训练稳定性的关键设计选择，但未在分析中强调。同时，分析中提到输入帧L=13,000采样点，但未点明这对应于约1秒的音频（采样率13kHz），这是理解系统实时性的关键。 ...

语音/音乐/音频论文速递 2026-05-04 共分析 14 篇论文 ⚡ 今日概览 📥 抓取 14 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音频生成 2篇 ██ #说话人验证 1篇 █ #声源定位 1篇 █ #音频深度伪造检测 1篇 █ #模型评估 1篇 █ #多模态模型 1篇 █ #主动噪声控制 1篇 █ #音乐理解 1篇 █ 📊 论文评分排行榜（14 篇，按分数降序） 排名 论文 评分 分档 主任务 🥇 LASE: Language-Adversarial Speaker Encoding for Indic C 8.5分 前25% #说话人验证 🥈 Towards Improving Speaker Distance Estimation through G 8.5分 前25% #声源定位 🥉 Alethia: A Foundational Encoder for Voice Deepfakes 8.0分 前25% #音频深度伪造检测 4. Beyond Decodability: Reconstructing Language Model Repr 7.5分 前25% #模型评估 5. Fast Text-to-Audio Generation with One-Step Sampling vi 7.5分 前25% #音频生成 6. MMAudio-LABEL: Audio Event Labeling via Audio Generatio 7.5分 前25% #音频生成 7. Group Cognition Learning: Making Everything Better Thro 7.5分 前25% #多模态模型 8. Transformer-based End-to-End Control Filter Generation 7.0分 前25% #主动噪声控制 9. GaMMA: Towards Joint Global-Temporal Music Understandin 7.0分 前25% #音乐理解 10. RoboKA: KAN Informed Multimodal Learning for RoboCall S 7.0分 前25% #语音伪造检测 11. From Birdsong to Rumbles: Classifying Elephant Calls wi 6.5分 前50% #音频分类 12. Timing is Everything: Temporal Scaffolding of Semantic 6.5分 前50% #音频事件检测 13. CustomDancer: Customized Dance Recommendation by Text-D 6.5分 前50% #音频检索 #音乐理解 14. MMAudioReverbs: Video-Guided Acoustic Modeling for Dere 6.0分 前50% #语音增强 📋 论文列表 🥇 LASE: Language-Adversarial Speaker Encoding for Indic Cross-Script Identity Preservation 🔥 8.5/10 | 前25% | #说话人验证 | #领域适应 | #多语言 #开源工具 | arxiv ...

语音/音乐/音频论文速递 2026-05-03 共分析 13 篇语音/AI 论文 🎯 任务分类 点击任务标签查看该方向所有论文： 音乐信息检索（2篇） 语音识别（2篇） 音频生成（1篇） 发音错误检测（1篇） 说话人识别（1篇） 音乐理解（1篇） 音频场景理解（1篇） 语音质量评估（1篇） 语音对话系统（1篇） 音频问答（1篇） 音频事件检测（1篇） ⚡ 今日概览 📥 抓取 13 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音乐信息检索 2篇 ██ #语音识别 2篇 ██ #音频生成 1篇 █ #发音错误检测 1篇 █ #说话人识别 1篇 █ #音乐理解 1篇 █ #音频场景理解 1篇 █ #语音质量评估 1篇 █ 📊 论文评分排行榜（13 篇，按分数降序） 排名 论文 评分 分档 主任务 🥇 UniSonate: A Unified Model for Speech, Music, and Sound 8.5分 前25% #音频生成 🥈 Beyond Acoustic Sparsity and Linguistic Bias: A Prompt- 8.5分 前25% #发音错误检测 🥉 DM-ASR: Diarization-aware Multi-speaker ASR with Large 8.0分 前25% #说话人识别 4. Transformer-Based Rhythm Quantization of Performance MI 8.0分 前25% #音乐信息检索 5. Audio Effect Estimation with DNN-Based Prediction and S 8.0分 前25% #音乐理解 6. Listening with Time: Precise Temporal Awareness for Lon 8.0分 前25% #音频场景理解 7. TTS-PRISM: A Perceptual Reasoning and Interpretable Spe 7.5分 前25% #语音质量评估 8. Spectrographic Portamento Gradient Analysis: A Quantita 7.5分 前25% #音乐信息检索 9. Advancing automatic speech recognition using feature fu 7.0分 前25% #语音识别 10. Identifying and typifying demographic unfairness in pho 7.0分 前50% #语音识别 11. Full-Duplex Interaction in Spoken Dialogue Systems: A C 6.5分 前25% #语音对话系统 12. Audio Video Verbal Analysis (AVVA) for Capturing Classr 6.0分 前50% #音频问答 13. Earable Platform with Integrated Simultaneous EEG Sensi 5.5分 后50% #音频事件检测 📋 论文列表 🥇 UniSonate: A Unified Model for Speech, Music, and Sound Effect Generation with Text Instructions 🔥 8.5/10 | 前25% | #音频生成 | #流匹配 | #扩散模型 #统一音频模型 | arxiv ...

📄 AppTek Call-Center Dialogues: A Multi-Accent Long-Form Benchmark for English ASR #语音识别 #基准测试 #多语言 #数据集 #鲁棒性 ✅ 6.5/10 | 前50% | #语音识别 | #基准测试 | #多语言 #数据集 | arxiv 学术质量 5.0/7 | 选题价值 1.0/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Eugen Beck（AppTek.ai） 通讯作者：未说明 作者列表：Eugen Beck（AppTek.ai）， Sarah Beranek（AppTek.ai）， Uma Moothiringote（AppTek.ai）， Daniel Mann（未说明）， Wilfried Michel（未说明）， Katie Nguyen（未说明）， Taylor Tragemann（未说明） 💡 毒舌点评 这篇论文最大的亮点在于“以身作则”地解决了一个评测领域的老大难问题——创建了一个干净、无污染、多口音的长对话评测集，堪称ASR评测界的“良心工程”。但硬币的另一面是，它本质上是一个“靶子”而非“箭”，作为纯数据集和基准论文，缺乏算法上的惊艳创新，且角色扮演的数据获取方式终究让其在“真实性”上打了折扣，难以完全替代真实世界数据的价值。 🔗 开源详情 代码：论文中未提及具体代码仓库链接。 模型权重：论文中提及了多个开源ASR模型进行基准测试（如NVIDIA Canary-1B v2, Parakeet 0.6B TDT, Whisper Large, Qwen3-ASR, Granite Speech, Phi-4 Multimodal等），但未在文中提供这些模型权重的直接下载链接。 数据集：AppTek Call-Center Dialogues 名称：apptek-com/apptek_callcenter_dialogues 链接：https://huggingface.co/datasets/apptek-com/apptek_callcenter_dialogues 开源协议：Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) Demo：论文中未提及在线演示链接。 复现材料：论文中未提供训练配置、检查点或附录等用于完全复现的材料。文中详细描述了评估设置（分割策略、评分协议等），但未提供用于复现其评分归一化脚本或评估环境的具体代码或配置文件链接。 论文中引用的开源项目： Silero VAD: https://github.com/snakers4/silero-vad Hugging Face OpenASR Leaderboard: https://huggingface.co/spaces/speech-io/open_asr_leaderboard 补充信息 [核心摘要] 补充：在“与已有方法相比新在哪里”部分，论文在Related Work中明确指出了其数据集相较于最接近的同类工作（Earnings-22）的多项具体优势：(a) 数据完全非公开来源，降低了被大型模型训练集污染的风险；(b) 口音标签基于说话人自我认同和验证，而非基于公司所在地，标注更直接；(c) 内容为任务导向的、自发的双人对话，与包含大量朗读内容和有限互动的财报电话不同。这些对比是论文定位自身贡献的关键。 [实验结果] 补充：论文在第4.2节Results中明确给出了一个具体实例来说明“平均性能与鲁棒性不相关”的观点：对于Canary-1B模型，其最佳与最差口音间的WER相对差距为26%，平均WER为11.2%；而对于平均WER更低（9.2%）的Parakeet V3模型，该相对差距却高达48%。这一具体数据对比强化了论文的核心发现之一。 [开源详情] 补充：论文在第3.6节提到了数据集的一个“多语言扩展”用途：一个子集（约5小时）已被专业翻译成中文、德语、日语和西班牙语，将用于未来的机器翻译评测。这是数据集潜在应用价值的补充。 📌 核心摘要 要解决什么问题：现有英语ASR公开基准测试集大多为短时、朗读式语音，或缺乏明确的方言标注，难以评估ASR系统在真实、长时对话场景下（如呼叫中心）对多种英语口音的鲁棒性。此外，基准数据可能泄露至大型模型的预训练语料中，影响评估有效性。 方法核心是什么：本文创建并开源了“AppTek Call-Center Dialogues”数据集。这是一个专门为评估而收集的自发、角色扮演式呼叫中心对话语料库，覆盖14种英语口音和16个服务场景，总计128.6小时。收集过程确保音频和文本非公开来源。同时，论文使用该数据集对多种开源ASR模型在不同语音分割策略下进行了基准测试。 与已有方法相比新在哪里：相比Earnings-22等现有对话数据集，本文数据集：(a) 完全为评估而生，数据非公开来源，降低与训练集重叠风险；(b) 系统性地覆盖了14种英语口音，且每类口音样本量充足；(c) 完全由角色扮演的、自发的双人对话构成，更贴近呼叫中心交互模式。 主要实验结果如何： 分割策略影响：手动分割通常能取得最佳WER，自动分割策略（如Silero VAD、固定分段）性能稍差，表明准确的语音边界检测对长对话ASR至关重要。部分模型（如Qwen3-ASR）对长段输入更鲁棒。 模型 (尺寸) 手动分割 RD分割 Silero分割 固定30s 固定60s Parakeet v3 (0.6B) 8.8 9.0 9.2 9.9 12.1 Qwen3-ASR (1.7B) 7.9 8.0 8.3 7.8 7.4 Canary-1B v2 (1B) 10.6 11.2 11.2 10.9 13.3 Whisper Large v3 (1.6B) 10.7 18.9 15.0 42.9 - Granite Speech (8B) 10.5 10.9 11.9 12.2 13.8 表2：不同模型在不同分割策略下的平均WER（%） * 口音差异巨大：模型在不同口音上的表现差异显著。例如，使用Silero分割时，多数模型在 `en_US_General`（通用美音）和 `en_AU`（澳洲英语）上表现最好，而在 `en_SG`（新加坡英语）、 `en_CN`（中式英语）和 `en_GB_SCT`（苏格兰英语）上错误率明显偏高。最佳与最差口音间的WER绝对差距可超过10%。 * 性能与鲁棒性不完全相关：平均WER更低的模型（如Parakeet v3, 9.2%）其口音间相对差异（48%）反而大于某些平均WER较高的模型（如Canary-1B, 11.2%），表明提升平均性能不自动保证口音鲁棒性。 口音 Parakeet v2 Parakeet v3 Qwen3-ASR (1.7B) Canary-1B Whisper v2 平均 en_AU 5.6 5.2 4.7 6.6 9.3 6.2 en_US_General 6.2 5.5 5.0 7.6 11.0 7.1 en_IN 9.9 9.7 10.3 12.9 33.0 13.9 en_SG 12.4 12.4 10.9 14.9 15.9 14.8 所有口音平均 9.6 9.2 8.3 11.2 16.0 - 表3：使用Silero分割时，各模型在不同口音上的WER（%） 实际意义是什么：为ASR社区，特别是对话AI领域，提供了一个高质量、无污染、针对多口音长对话场景的标准评估基准。这有助于更公平、更真实地比较和推动ASR模型在实际应用中的鲁棒性发展。 主要局限性是什么：(a) 数据为角色扮演而非真实呼叫中心对话，其语言风格和场景复杂度可能与真实数据有差异；(b) 尽管鼓励人口多样性，但部分口音组内性别分布不平衡；(c) 口音标签基于自我认同和验证，类别内部变异性和边界未严格定义；(d) 针对自发语音的逐字标注存在固有挑战，可能存在少量标注错误。 🏗️ 模型架构 本文是一篇基准测试和数据集论文，并未提出新的ASR模型架构。其核心工作围绕数据集构建和对现有模型的评估展开。因此，没有适用于本文的“模型架构”图或描述。论文评估的模型包括Parakeet, Canary, Qwen3-ASR, Whisper, Granite Speech等，均为已发表的开源ASR模型，其架构细节非本文贡献。 ...

📄 InteractWeb-Bench: Can Multimodal Agent Escape Blind Execution in Interactive Website Generation? #基准测试 #多模态模型 #大语言模型 ✅ 7.5/10 | 前25% | #基准测试 | #多模态模型 | #大语言模型 | arxiv 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Qiyao Wang (1,2) （1 深圳先进技术研究院，2 中国科学院大学） 通讯作者：Yuan Lin (3†)， Min Yang (1,5†) （3 大连理工大学，1 深圳先进技术研究院，5 深圳大学先进技术研究院） 作者列表：Qiyao Wang（深圳先进技术研究院，中国科学院大学），Haoran Hu（大连理工大学），Longze Chen（深圳先进技术研究院，中国科学院大学），Hongbo Wang（大连理工大学），Hamid Alinejad-Rokny（UNSW Sydney），Yuan Lin（大连理工大学），Min Yang（深圳先进技术研究院，深圳大学先进技术研究院） 💡 毒舌点评 亮点：论文敏锐地指出了当前网站生成智能体“盲目执行”的真实痛点，并首次构建了系统模拟非专业用户（包括歧义、冗余、矛盾等）的交互式评估框架，其“约束槽”评估体系设计严谨。短板：论文本身并未提出任何新的生成模型或交互算法，而是对现有模型进行评估，其核心贡献在于“发现问题”而非“解决问题”；此外，尽管声称评估交互能力，但用户智能体仍由另一模型模拟，与真实人类交互存在差距。 🔗 开源详情 代码：论文中未提及代码链接。论文指出其交互环境基于 bolt.diy 框架实现，并使用 Playwright 作为浏览器内核，但未提供这些工具的具体开源仓库链接。 模型权重：论文中未提及。论文评估了 Qwen、Gemma、GPT、Gemini 等系列多个现有模型，但未提供或提及任何新模型的权重。 数据集：InteractWeb-Bench。论文指出其包含从 WebGen-Bench 扩展而来的 404 个测试用例，但未提供具体的数据集下载链接或开源协议。 Demo：论文中未提及。 复现材料：论文中未提及。论文在附录中提供了评估模型的详细规格、API成本及人类评估细节，但未提供训练配置、模型检查点等复现材料。 论文中引用的开源项目： bolt.diy: 论文指出被用作网站生成代理的基础框架。链接：https://github.com/stackblitz-labs/bolt.diy Playwright: 论文指出交互环境使用基于 Playwright 的浏览器内核实现。链接：https://github.com/microsoft/playwright WebVoyager: 论文指出用于最终评估的视觉审计器。链接：https://github.com/MinorJerry/WebVoyager Set-of-Mark (SoM) Prompting: 论文指出与 WebVoyager 结合用于视觉审计。链接：https://github.com/yuweihao/SAM-SoM vLLM: 论文指出用于部署小型开源模型。链接：https://github.com/vllm-project/vllm ClarifyCoder: 论文在相关工作中提及。链接：论文中未提及。 HumanEvalComm: 论文在相关工作中提及。链接：论文中未提及。 ClarifyMT-Bench: 论文在相关工作中提及。链接：论文中未提及。 SWE-bench: 论文在相关工作中提及。链接：https://github.com/princeton-nlp/SWE-bench InterCode: 论文在相关工作中提及。链接：论文中未提及。 Design2Code: 论文在相关工作中提及。链接：论文中未提及。 Web2Code: 论文在相关工作中提及。链接：论文中未提及。 WebGen-Bench: 论文指出其种子任务部分源于此。链接：论文中未提及。 Persona2Web: 论文在相关工作中提及。链接：论文中未提及。 补充信息 [核心摘要] 补充：论文明确声称 InteractWeb-Bench 是第一个用于评估多模态智能体在非专家低代码用户条件下网站生成能力的交互式基准。这一“首个”定位是其核心贡献之一。 [核心摘要] 补充：论文在局限性部分明确指出三点：1) 用户交互仍为模型模拟，非真实人类；2) 基准本身的用户智能体、评估器（WebVoyager+GPT-5-mini）是黑盒，可复现性受限；3) 侧重发现问题，未提出解决方案。分析中已提及前两点，第三点在分析中虽有提及，但可更明确。 [细节详述] 补充：论文在附录A中提供了详细的API成本分析，列出了各模型在InteractWeb-Bench上的单网站评估成本（从0.016美元到0.475美元不等），这对评估基准的经济性有重要参考价值。 [实验结果] 补充：论文在附录B中报告了人类评估的详细结果：三位计算机科学博士生参与评估，评估者间表现出中等程度的一致性（Kendall’s τ = 0.5675）。同时，MLLM评估器与人类评估结果呈现中等相关性（Kendall’s τ = 0.4490），这为基准评估的效度提供了依据。 [开源详情] 补充：论文指出其交互环境基于开源框架 bolt.diy 实现，并提供了该框架的GitHub链接。但需明确，这指的是被评估的智能体的实例化框架，而非评估框架本身。评估框架的用户智能体、评估器等核心组件的开源状态在论文中未明确。 [毒舌点评] 补充：论文在第5节结论及后续讨论中，不仅指出了局限性，也提出了四个明确的未来研究方向：1) 从“执行者”到“协作者”的意图对齐；2) 多模态反馈的高效利用；3) 更真实的人类交互评估；4) 探索主动澄清与高效生成之间的平衡。这些方向直接源于其发现，对未来研究具有明确的指导意义。 [模型架构] 补充：在“用户响应设计”部分，论文强调了其“检索-过滤”流水线的一个关键设计：防止信息泄露。即用户智能体在回答时，只提供被明确询问到的那部分黄金指令信息，从而避免一次性暴露所有正确答案，确保了评估的有效性。 📌 核心摘要 要解决什么问题：现有网站生成基准假设用户提供清晰、完整的指令，但在真实场景中，非专业用户常给出模糊、冗余甚至矛盾的低质量指令，导致多模态智能体陷入“盲目执行”陷阱，即被动执行错误指令而非主动澄清意图。 方法核心：提出InteractWeb-Bench，一个交互式基准。它包含四个基于需求工程缺陷理论设计的用户角色模拟器（极简、冗长、直觉、矛盾），以及一个为智能体设计的统一行动空间（澄清、实现、验证、提交），使其能在模拟环境中迭代地澄清需求、生成代码并进行视觉验证。 与已有方法相比新在哪里：首次将评估重点从静态的代码生成准确性，转向动态的用户意图澄清和多模态反馈（代码+视觉）利用能力。引入了基于用户角色的指令扰动和交互式多路径执行环境，更贴近真实开发流程。 主要实验结果：对9个前沿多模态模型进行了评估。关键发现：所有模型任务完成率（TCR）普遍偏低（最高为Qwen3.6-Plus的38.78%）；模型在理解模糊意图（IAS >3.9）上尚可，但主动澄清命中率（CHR）低于40%，证实了“盲目执行”；模型倾向于通过生成过量代码（如Qwen3.6-Plus平均1415行）来补偿信息缺失，反而导致更高的幻觉率（62.4%）。模型对“信息缺失”（P-MIN）比“噪声干扰”（P-RAM）更敏感。 实际意义：为评估和提升多模态智能体的真实人机协作能力提供了新基准和方向，指明了未来智能体需在主动需求澄清和有效利用多模态反馈上重点突破。 主要局限性：1) 用户交互仍为模型模拟，非真实人类；2) 基准本身的用户智能体、评估器（WebVoyager+GPT-5-mini）是黑盒，可复现性受限；3) 侧重发现问题，未提出解决方案。 主要实验结果表格： ...