论文解读
想练好一句难开口的话，机器得先学会怎么“演人”：Conversation Coach 的延迟与演技取舍
语音交互 | 6.3/10
论文速递
论文解读
听见了却不听从：音频大模型在编码器里记住语气，在解码器里忘记语气
语音情感识别 | 6.0/10
论文解读
别只看频谱长什么样：用 19 维力学视角重写环境声音的描述方式
音频分类 | 5.7/10
论文解读
把“像不像”拆开问：当音乐相似度被迫按属性回答时，人与机器在哪儿对齐、又在哪儿分叉
音乐检索 | 7.3/10
论文解读
从“只会抽叶子”到“整棵树都能点名”：用本体距离重塑目标声音提取的条件空间
音频分离 | 5.7/10
论文解读
听不见的指纹更可信？把语音伪造溯源拆成可感知与不可感知两条线索来验
语音伪造检测 | 7.4/10
论文解读
一句里换一种口音：用帧级掩码把全局引导切开
语音合成 | 8.2/10
论文解读
别再让大模型把“3.45 美元”直接念出来：用 40 个可解释特征把文本对齐到可朗读
语音合成 | 7.4/10
论文解读
不做硬切分：用连续说话人占比给 Whisper 注入重叠感知
语音识别 | 6.2/10
论文解读
会听不会定时：当大音频模型在 20 分钟里找不到那 2.7 秒
音频理解 | 6.9/10
论文解读
三个人怎么把话说完：TEIDAN 用统一的停顿尺子量出日英对话的节奏差
多模态模型 | 5.1/10
论文解读
掐点说话：TimeSteer 把联合音视频扩散模型的隐式时间搬到明处
音视频生成 | 7.2/10
论文解读
不用真谱也能学会听谱：TUTTI 用 36 万首合成曲喂饱纯 Transformer
音乐转录 | 7.4/10
论文解读
相位不再复用：当 Transformer 学会看懂复数谱图
语音增强 | 6.4/10
论文解读
只记得你说了什么，却忘了你怎么说的：长程副语言记忆的缺口
语音情感识别 | 7.1/10
论文解读
单麦克风里拆出心跳与呼吸：小波、时序与可解释潜空间为何要一起工作
音频分离 | 6.6/10
论文解读
没有配对报告时，如何让呼吸声自己找到临床语义？
音频分类 | 7.8/10
每日研究速递
语音/音乐/音频论文速递 2026-09-02
共分析 23 篇语音/AI 论文
论文解读
把响度与形状拆开：用归一化解耦让板混响参数在病态地形中收敛
音乐理解 | 6.3/10
论文解读
当解码器缺的不是声音，而是下一词的语义证据
语音识别 | 8.4/10