论文速递

📄 Drift-Augmented Scoring: Text-Derived Noise Robustness for Zero-Shot Audio-Language Classification #音频分类 #数据增强 #鲁棒性 10/10 | 创新 2/2 | 严谨 1.5/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 10/10 | 前25% | #音频分类 | #数据增强 | #鲁棒性 | arxiv 👥 作者与机构 Tu Vo, Sheir Zaheer, Chan Y. Park, Anonymous Authors (具体机构未在论文中说明) 💡 毒舌点评 这篇论文像一把精巧的“瑞士军刀”，主刀是文本漂移向量。它不追求华丽的数学模型，而是用一个巧妙的观察（文本在噪声描述下也会“漂移”）来修复一个实际痛点（CLAP在噪声下的脆弱性）。优势在于其“无为而治”的理念：不碰模型，不改嵌入，只在评分环节加一个“小费”。这种思路对于工程部署极具吸引力，堪称“四两拨千斤”。然而，其“软肋”也显而易见：当核心假设（文本漂移≈音频漂移）不成立时（例如对合成高斯噪声），增益就大幅缩水（见Table 4）。这好比用一套固定尺码的鞋去套所有人的脚，多数时候合脚，但总会有人觉得挤或松。它回避了最困难的测试时适应问题（如何在线校准），选择了一条更安全、更易复现的路径，这在追求SOTA的顶会氛围中，既是其稳健性的体现，也可能被诟病为“不够深入”。最终，它是一份出色的工程实践报告，但距离理论突破还有一步之遥。 📌 核心摘要 本文针对零样本音频-语言模型（CLAP）在声学噪声下性能严重下降的问题，提出了一种简单、高效、免训练的测试时评分增强方法——漂移增强评分（DAS）。DAS的核心思想是：类别c的噪声音频嵌入在空间中的漂移方向，可以由该类别的文本提示在噪声条件下的漂移方向来近似。基于此，DAS为每个类别计算一个离线的、仅基于文本的“漂移方向”向量 \(\hat{\delta}_c\)。在测试时，对每个音频片段，除了计算标准的文本-音频余弦相似度 \(z \cdot C_c\) 外，还额外计算一个漂移奖励 \(z \cdot \hat{\delta}_c\)，并通过超参数 \(\beta\) 将两者加权组合作为最终评分。该方法无需访问测试批次或音频池，完全基于文本侧信息，且推理开销极低（每类仅增加一次内积）。在LAION CLAP骨干网络上的实验表明，在多种噪声条件、数据集和信噪比下，DAS均能稳定提升零样本分类性能，且显著优于近期相关工作（Acevedo et al.）的四种变体方法。 ...

📄 Entity Binding Failures in Speech LLM Reasoning: Diagnosis and Chain-of-Thought Intervention #语音问答 #多模态模型 7.5/10 | 创新 1.4/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 ✅ 7.5/10 | 前25% | #语音问答 | #多模态模型 | arxiv 👥 作者与机构 主要作者：Ming-Hao Hsu (hsuminghao1006@gmail.com), Xiaohai Tian, Jun Zhang, Zhizheng Wu (wuzhizheng@cuhk.edu.cn)。机构为中国香港中文大学（深圳）数据科学学院和字节跳动。 💡 毒舌点评 这篇论文的诊断工作做得相当扎实，把“语音推理不行”这个笼统问题精准定位到了“实体绑定失败”这个具体病灶上，并且用EA-CoT这个“对症下药”的提示方法取得了显著疗效。实验设计也体现了严谨性，通过设置结构化控制提示和token预算对照组，努力剥离了“指令内容”和“生成长度”的混淆效应，这种实验洁癖值得肯定。消融实验也清晰地量化了“实体枚举”这一核心组件的贡献。然而，其提出的解决方案（EA-CoT）本质上是一种推理时的提示工程，而非模型架构的根本性改进，这使得其“修复”的普适性和效率存疑。论文承认这会显著增加推理延迟，在实际部署中可能是个硬伤。此外，评估完全依赖于合成语音和两个7B规模的模型，对真实世界噪声环境和更大规模模型的泛化能力，我们只能保持谨慎乐观。总体而言，这是一篇诊断清晰、验证严谨、但处方略显保守的工作。 📌 核心摘要 本研究深入剖析了语音大语言模型（SLLMs）在复杂推理任务上性能逊于文本模型的“模态差距”问题。作者发现，这种差距并非均匀分布，而是高度集中于需要连续跟踪实体状态的逻辑推理任务（如“谎言之网”），在这些任务上语音输入的准确率甚至降至随机水平。论文将问题根源诊断为“实体绑定失败”：语音编码器的下采样机制虽然保留了全局语义，却模糊了细粒度的声学细节和离散令牌边界，导致模型在隐式推理过程中无法稳定关联实体与其动态属性。为此，论文提出“实体感知思维链”（EA-CoT）推理时干预策略，强制模型在文本空间显式地枚举实体并记录其属性主张，从而绕过脆弱的声学隐式跟踪。实验证明，EA-CoT在实体密集型任务上实现了高达24.4个百分点的绝对准确率提升，有效弥合了模态差距，且该方法即使在实体名称被错误识别时仍能保持有效。消融实验进一步确认，性能增益完全源于显式的语义绑定过程。 🔗 开源详情 代码：论文中未提及代码链接或开源代码仓库。 模型权重：论文中提及了 Qwen2.5-Omni-7B [33] 和 Phi-4-Multimodal [34] 两个模型，并说明在它们的发布配置下评估，但未提供具体的权重下载链接（如 HuggingFace 或 ModelScope）。 数据集：论文中提及使用了 VoiceBench BBH [5] 的四个类别（共 1,000 条样本）和 MMSU [35] 数据集进行实验，未提及这些数据集的具体开源链接或协议。 Demo：论文中未提及。 复现材料：论文中未提及训练配置、检查点等复现材料。 论文中引用的开源项目： VoiceBench：论文引用了该基准，未提供直接链接。引用来源为[5]: Y. Chen, X. Yue, C. Zhang, X. Gao, R. T. Tan, and H. Li, “Voicebench: Benchmarking llm-based voice assistants,” CoRR, vol. abs/2410.17196, 2024. MMSU：论文引用了该基准，未提供直接链接。引用来源为[35]: D. Wang, J. Wu, J. Li, D. Yang, X. Chen, T. Zhang, and H. Meng, “MMSU: A massive multi-task spoken language understanding and reasoning benchmark,” CoRR, vol. abs/2506.04779, 2025. Qwen2.5-Omni：论文提及该模型并引用了技术报告，未提供权重或代码链接。引用来源为[33]: J. Xu, Z. Guo, J. He, H. Hu, T. He, S. Bai, K. Chen, J. Wang, Y. Fan, K. Dang, B. Zhang, X. Wang, Y. Chu, and J. Lin, “Qwen2.5-omni technical report,” CoRR, vol. abs/2503.20215, 2025. Phi-4-Multimodal：论文提及该模型并引用了技术报告，未提供权重或代码链接。引用来源为[34]: A. Abouelenin et al., “Phi-4-mini technical report: Compact yet powerful multimodal language models via mixture-of-loras,” CoRR, vol. abs/2503.01743, 2025. Qwen-Audio：论文在背景部分提及，未提供直接链接。引用来源为[4]: Y. Chu, J. Xu, X. Zhou, Q. Yang, S. Zhang, Y. Yan, C. Zhou, and J. Zhou, “Qwen-audio: Advancing universal audio understanding via unified large-scale audio-language models,” 2023. [Online]. Available: https://arxiv.org/abs/2311.07919 SALMONN：论文在背景部分提及，未提供直接链接。引用来源为[2]: C. Tang, W. Yu, G. Sun, X. Chen, T. Tan, W. Li, L. Lu, Z. Ma, and C. Zhang, “SALMONN: towards generic hearing abilities for large language models,” in ICLR. OpenReview.net, 2024. SpeechGPT：论文在背景部分提及，未提供直接链接。引用来源为[3]: D. Zhang, S. Li, X. Zhang, J. Zhan, P. Wang, Y. Zhou, and X. Qiu, “Speechgpt: Empowering large language models with intrinsic cross-modal conversational abilities,” in EMNLP (Findings), ser. Findings of ACL, vol. EMNLP 2023. Association for Computational Linguistics, 2023, pp. 15 757–15 773. CORD：论文在相关工作中提及，未提供直接链接。引用来源为[18]: J. Hu, D. Zhu, X. Luo, D. Zhang, S. He, Y. Lei, H. Zheng, S. Feng, J. He, Y. Sun, H. Wu, and H. Wang, “CORD: bridging the audio-text reasoning gap via weighted on-policy cross-modal distillation,” CoRR, vol. abs/2601.16547, 2026. Closing the modality reasoning gap for speech large language models：论文在相关工作中提及，未提供直接链接。引用来源为[19]: C. Wang, H. Lu, X. Zhang, S. Liu, Y. Lu, J. Li, and Z. Wu, “Closing the modality reasoning gap for speech large language models,” CoRR, vol. abs/2601.05543, 2026. Anatomy of the modality gap：论文引用了同一作者团队的相关工作，未提供直接链接。引用来源为[9]: M.-H. Hsu, X. Zhang, X. Tian, J. Zhang, and Z. Wu, “Anatomy of the modality gap: Dissecting the internal states of end-to-end speech llms,” 2026. [Online]. Available: https://arxiv.org/abs/2603.01502 🏗️ 方法概述和架构 论文方法的核心在于诊断“实体绑定失败”这一特定瓶颈，并设计针对性的推理时干预策略EA-CoT。整个方法框架可视为一个“诊断-治疗”系统。 ...

📄 Feasibility of Time-Domain DNN-Based Speech Enhancement on Embedded FPGA for Hearing Aid #语音增强 #助听器 7.2/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.4/1.5 | 复现 0.4/0.5 | 工程 0.9/1.5 ✅ 7.2/10 | 前50% | #语音增强 | #助听器 | arxiv 👥 作者与机构 Feyisayo Olalere, Umut Altin, Kiki van der Heijden, Marcel van Gerven 机构：Radboud University, Donders Institute for Brain, Cognition, and Behaviour, The Netherlands；Columbia University, USA. ...

📄 Flow-HOA: Generative Joint Optimization for Ambisonics Encoding via Flow Matching #空间音频 #生成模型 7.9/10 | 创新 1.8/2 | 严谨 1.3/1.5 | 实验 1.1/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.3/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 ✅ 7.9/10 | 前25% | #空间音频 | #生成模型 | arxiv 👥 作者与机构 未在提供的原文片段中明确列出作者和机构信息。 💡 毒舌点评 本文试图用时髦的生成模型（Flow Matching）来解决一个经典的信号处理问题——从稀疏阵列编码HOA。想法是好的，但需要更清醒地认识到问题的本质。将HOA滤波器设计重新表述为生成任务确实提供了新的视角，尤其是在处理非凸、多目标优化时。然而，论文在声称“超越传统方法”时，实验对比的基线（仅ASM）显得过于单薄和陈旧，缺乏与当前最新的数据驱动或混合方法的公平较量，这大大削弱了其结论的普遍说服力。此外，论文花了不少篇幅讨论主观测试中“空间定位”得分无显著差异的IHL现象，并将其归因于非个性化HRTF的渲染链限制。这种解释虽然合理，但更像是在为自家方法在核心空间任务上的“未显著超越”寻找借口，而非坦诚面对可能的方法局限（例如，模型是否真正学习到了更精确的空间特征，还是仅仅优化了信号保真度？）。总体而言，这是一篇扎实的应用型工作，展示了生成模型在信号处理领域的潜力，但在验证其普适性和优越性方面仍需更严厉的自我审视。 📌 核心摘要 本文提出了Flow-HOA，一个用于从稀疏、不规则麦克风阵列生成高阶Ambisonics编码滤波器的生成式联合优化框架。该方法的核心是利用条件流匹配（Conditional Flow Matching）技术，将一个基于物理的初始滤波器（通过约束最小二乘获得）作为先验，通过学习一个向量场将其迭代优化为满足多域保真度目标的最终FIR滤波器。联合优化目标由时域波形误差、多分辨率频谱一致性、子带能量保持和空间指向性四个损失函数加权构成。在合成数据上的客观评估表明，Flow-HOA在信号保真度和空间精度指标上优于基于模型的基线（ASM）。在真实麦克风阵列录音上进行的主观试听测试进一步证实，Flow-HOA能提供更高的整体音质且伪影更少，并展示了从合成训练数据到真实世界采集条件的泛化能力。 🔗 开源详情 代码：论文中在“Conclusion”部分提及代码将开源（“Code will be made publicly available upon publication.”），但未提供具体的仓库链接（如GitHub、GitLab等）。在分析时点视为承诺开源但未发布。 模型权重：论文中未提及提供预训练模型权重的链接。 数据集：论文中明确使用FSD50K作为训练数据源，网址：https://zenodo.org/record/4060432。此外，用于主观测试的Neumann KU 100 HRTF数据集在文献[24]中引用，但未提供直接链接。 Demo：论文中未提及在线演示链接。 复现材料：论文详细描述了模型架构（1D U-Net）、训练配置（优化器AdamW，学习率1e-5，批量大小256）和损失函数权重（Table 1）。然而，未提供具体的复现脚本、测量好的阵列脉冲响应数据或预训练模型。复现的硬件（特定的SPMA原型）和物理测量环境（消声室）是重要的非公开材料。 论文中引用的开源项目： PyTorch：用于模型实现。 webMUSHRA：用于主观听力测试，网址：https://github.com/Spension/webMUSHRA。 🏗️ 方法概述和架构 Flow-HOA框架将高阶Ambisonics编码滤波器的设计重新定义为一个生成式联合优化问题，其目标是从一个基于物理的先验分布中学习，生成满足多维度保真度约束的最优有限脉冲响应（FIR）滤波器。整个框架分为三个核心阶段，具体架构与数据流如下： ...

📄 Gauss Circle Lattices with Geometric Convolutions for Synthesizing High Dimensional Image-Source Room Impulse Responses 6/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 0.3/1.5 | 开源 0.8/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 6/10 | 前50% | arxiv 👥 作者与机构 Yuancheng Luo，小米大模型核心团队 💡 毒舌点评 这篇论文就像用高维数学造了一把更锋利的“小刀”来切一个特定形状的奶酪。理论上，这把刀（O(Nk^2 log k)）确实比原来的瑞士军刀（O(k^N)）高效得多。问题是，它只能切“整数坐标奶酪”，并且忽略了奶酪的“纹理”（指向性）和“复杂风味”（频率相关、角度相关反射）。更尴尬的是，为了展示这把新刀的威力，作者没有去挑战厨房里现有的任何流行切法（如与现有高效ISM或混合模型对比），而是自己做了一堆超现实的高维奶酪（N=4,5,6）来切，并证明自己切得挺快。切出来的“成品”（RIR）听起来可能不错（展示了回声密度），但缺乏一个公认的“品鉴标准”（如与标准场景下的SOTA方法对比，或使用PESQ等感知评估）。整篇论文更像是一次精彩的数学和计算声学探索，而非一项能直接放入声学工程师工具箱的实用工作。对于顶级ML会议来说，这种“自说自话”式的验证和狭窄的适用边界是硬伤。 📌 核心摘要 本论文提出了一种名为GCP-ISM的框架，用于在高维矩形房间中加速图像源模型（ISM）的计算。核心思想是将计算图像源晶格点数的问题，等效为经典的高斯圆问题（GCP），并利用递归关系和快速几何卷积将不同维度的解联系起来。论文推导了扩展的GCP-ISM体积函数，该函数支持坐标平移、缩放和复数反射系数加权。基于此体积函数，论文提出了前向有限差分和逆向插值（使用Lanczos核）两种构造房间脉冲响应（RIR）的方法，并通过缩放参数\(\lambda\)来提升距离分辨率。理论分析表明，所提方法将计算复杂度从直接ISM的\(O(k^N)\)降低至\(O(Nk^2 \log k)\)。实验部分展示了高维（\(N=4,5,6\)）下的回声密度统计特性，并验证了误差与运行时间随\(\lambda\)变化的权衡关系。 🔗 开源详情 代码：https://github.com/yluo1/GCP-ISM 模型权重：未提及 数据集：未提及 Demo：未提及 复现材料：未提及 论文中引用的开源项目：未提及 🏗️ 方法概述和架构 GCP-ISM方法的核心架构分为四个主要阶段，旨在高效计算高维房间的RIR。 ...

📄 Masked Wavelet Scattering Transform Neural Field for Sound Field Reconstruction #音频质量评估 #低资源 6.7/10 | 创新 1.7/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 0.1/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 ✅ 6.7/10 | 前50% | #音频质量评估 | #低资源 | arxiv 👥 作者与机构 作者：Xinmeng Luan, Samuel A. Verburg, Efren Fernandez-Grande, Gary Scavone。论文未明确列出作者所属机构信息。 💡 毒舌点评 动机成立，但验证有点“偷懒”：用WST作为先验来解决小样本问题的点子不错，但把它用在HRTF上采样这个相对“成熟”的任务上，作为“概念验证”是可以的，却也无形中限制了工作的冲击力。为什么不试试更复杂的动态声场或者更难的跨领域迁移？总感觉是在舒适区里打转。 “随机选择”目标？有点玄学：第一阶段的散射损失（式6）需要一个“随机选择”的目标实现\(p'\)来计算系数差异。这个“随机”到底是怎么个随机法？是每个batch随机挑一个样本，还是每个样本的每个系数随机找一个目标？这个细节不说清楚，别人复现时怎么保证一致性？万一换了随机种子结果就天差地别呢？ 参数选择的“黑箱”：WST里那么多参数（\(J\), \(L\)等），论文里一个没提怎么选的，也没有消融实验。就像做菜不告诉你盐放几克，最后说“反正挺好吃”，这让人怎么信服？这些参数对性能的影响可能比那个mask还大。 对比基线有点“过时”：和SH、NF比是应该的，但和近年来那些基于哈希网格、多分辨率表示的神经场方法（Instant NGP之类）比了吗？这些方法在效率和效果上可能已经进化了不少。不和最新的工作比，怎么突出你这个框架在2024年的新意？ 通用性宣称要谨慎：论文结尾说框架可以推广到其他问题，但全文只在一个任务、一个数据集上验证。在没看到其他领域（比如天气预报、医学成像）的应用结果前，“通用性”这个词最好加个“潜在”作为前缀。 📌 核心摘要 本文针对稀疏观测下的声场重建问题，提出了一种名为“掩蔽小波散射变换神经场（MSNF）”的新框架。其核心创新在于利用具有多尺度分析特性和数学可解释性的小波散射变换（WST）作为统计先验，并通过一个两阶段学习过程将其嵌入到神经场的训练中。第一阶段（掩码识别）在一个小规模多主体数据集上，联合优化一个场估计器和一个二值掩码，旨在学习跨主体一致的WST系数模式。第二阶段（神经场重建）为每个待重建的个体信号训练一个独立的神经场，其损失函数结合了稀疏观测点的数据保真度项和由学习到的掩码加权的WST系数正则化项，并采用渐进式训练策略。在HRTF上采样任务的验证表明，所提MSNF方法在各项评估指标上均优于传统的球谐插值方法以及作为消融研究的基线神经场方法，证明了掩蔽的WST先验能有效提升小样本重建的质量。 ...

📄 Multilingual Long-Form Speech Instruction Following: KIT's Submission to IWSLT 2026 #语音识别 #语音合成 #语音翻译 #多模态模型 #数据增强 #参数高效微调 #模型集成 10/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 10/10 | 前10% | #语音识别 | #数据增强 | #语音合成 #语音翻译 | arxiv 👥 作者与机构 Enes Yavuz Ugan, Maike Züfle, Yuka Ko, Supriti Sinhamahapatra, Fabian Retkowski, Seymanur Akti, Jan Niehues, Alexander Waibel 1 Karlsruhe Institute of Technology (KIT) 2 Carnegie Mellon University ...

📄 Neural Radiated-Noise Fields for Unmanned Underwater Vehicle Noise Spectrum Prediction in Three-Dimensional Scenes 5.1/10 | 创新 1.3/2 | 严谨 0/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 0.3/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 📝 5.1/10 | 前50% | arxiv 👥 作者与机构 作者：Yan Wu, Yang Yang, Jun Fan, Bin Wang 机构：上海交通大学，海洋智能装备与系统教育部重点实验室 💡 毒舌点评 这篇论文将神经辐射场（NeRF）的思想迁移到水下噪声预测上，想法有一定新意。然而，其“新颖性”更多是方法应用上的迁移，而非基础原理的突破。论文最大的短板在于实验对比严重不足：文中完全没有与任何现有的水下噪声预测方法（无论是物理模型还是数据驱动方法）进行对比，这使得其声称的“有效性”和“优越性”缺乏支撑。读者无法知道3.5 dB的误差是优秀还是平庸。此外，实验仅在单一、简单的水库环境中进行，模型的泛化能力声明过于乐观——作者自称“未来将探索多场景”，但当前的结论（如“水平外推最容易”）可能仅在该特定环境下成立。对场景特征网格的解释略显模糊，其学习到的特征具体表征了什么物理意义并未阐明。总体而言，工作是完整且清晰的，但因其缺乏横向对比和更广泛的验证，影响力大打折扣。 📌 核心摘要 本文针对传统物理建模方法对水下航行器（UUV）结构信息和环境边界条件依赖性强、难以实现三维场景连续频谱建模的问题，提出了神经辐射噪声场（NRNF）模型。该模型将UUV辐射噪声功率谱密度（PSD）表示为UUV位置、水听器位置、UUV偏航角及频率的连续函数，支持对任意空间位置的频谱查询。NRNF的核心创新在于引入了一个可学习的三维场景特征网格，并通过交叉注意力机制动态聚合与UUV和水听器位置相关的环境上下文特征，从而显式建模环境结构和声传播效应。实验基于浙江湖州水库的湖试数据，设计了三种渐进式的测试场景（水平外推、深度外推、跨次运行泛化）。结果表明，NRNF在50-5000 Hz频带内的平均预测误差约为3.5 dB，其中水平外推性能最佳，深度外推最具挑战性。消融实验证实了场景特征网格对提升模型泛化能力的关键作用。本研究为水下噪声特征评估提供了一种连续、数据驱动的新范式。 🔗 开源详情 代码：论文未提及代码开源。 模型权重：论文未提及模型权重开源。 数据集：论文说明数据集可向通讯作者申请获取（yang_dl@sjtu.edu.cn），未提供公开下载链接。 Demo：论文未提及。 复现材料：论文未提供训练脚本、配置文件或预训练模型。但第4节“Results and Discussion”详细描述了模型实现的关键参数，包括场景特征网格的计算域（\(x\in[-110,100], y\in[-25,25], z\in[0,10]\)）、网格分辨率（\(\Delta x=2, \Delta y=1, \Delta z=1\)）、节点特征维度（64维）、优化器（Adam）、初始学习率（\(5\times10^{-4}\)）、学习率衰减策略、硬件环境（NVIDIA GeForce RTX 4090 GPU）等。 🏗️ 方法概述和架构 NRNF的模型架构旨在学习一个从输入条件到连续频谱输出的映射，其核心设计包含特征组成和隐式解码两大阶段。如论文图1所示，架构处理流程如下： ...

📄 Plan First, Judge Later, Run Better: A DMAIC-Inspired Agentic System for Industrial Anomaly Detection #工业应用 5.8/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.3/1.5 | 开源 0.3/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 📝 5.8/10 | 前50% | #工业应用 | #工业应用 | arxiv 👥 作者与机构 Yongzi Yu (香港科技大学（广州）), Ao Li (香港科技大学), Le Wang (上海财经大学), Ziyue Li (慕尼黑工业大学), Fugee Tsung (香港科技大学), Yuxuan Liang (香港科技大学（广州）), Man Li† (西南财经大学) ...

📄 Read What You Hear: Reference-Free Hypotheses Evaluation with Acoustic Discrepancy #语音识别 #语音合成 #自回归模型 #无监督学习 #鲁棒性 #多任务学习 8.6/10 | 创新 1.7/2 | 严谨 1.4/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.5/1.5 🔥 8.6/10 | 前25% | #语音识别 | #多任务学习 | #语音合成 #自回归模型 | arxiv 👥 作者与机构 作者：Zhihan Li, Hankun Wang, Yiwei Guo, Bohan Li, Kai Xie, Yu Chen（论文中作者列表顺序与此不同，但姓名与邮箱可对应） 机构：X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University, China；MoE Key Lab of Artificial Intelligence, Jiangsu Key Lab of Language Computing, China（合作机构） ...