论文解读
不改脸只改声：把保护藏进人耳听不见的掩蔽阴影
语音合成 | 4.3/10
论文速递
论文解读
类型未知时如何判真假：用两套耳朵听同一段音频
音频伪造检测 | 6.3/10
论文解读
长字幕为什么总在最后两层才说谎：用问答把数据、训练和推理锁在一起
音频字幕生成 | 6.8/10
论文解读
用对比学习给 JEPA 当老师：7M 参数如何靠目标设计逼近 330M 大模型
音乐理解 | 6.5/10
论文解读
用最轻的耳蜗换最高的精度：HLP 脉冲编码为何在干净数据上赢、在嘈杂数据上输
语音识别 | 6.8/10
论文解读
在并行与记忆之间找缝隙：WhisperX 如何既跑得快又记得住
语音识别 | 7.4/10
论文解读
在一条潜流里同时生成两条音轨：解耦语义与声学后的少步分离
音乐源分离 | 5.3/10
论文解读
从一次性生成到先诊断再重做：LoopTTS 如何让语音大模型当韵律医生
语音合成 | 7.0/10
论文解读
把咳嗽声拆开：用高斯对齐让模型忘记敏感属性
音频分类 | 5.5/10
论文解读
7B 做原生音画同步：用门控与路由把对齐做轻，而不是把参数做大
扩散模型 | 5.9/10
论文解读
会打断、会附和，还要听得懂分寸：把“何时说话”从“说什么”里拆出来
语音交互 | 7.3/10
论文解读
朗读课文不该读出抑郁：用证据边界把筛查关进可审计的笼子
语音情感识别 | 7.0/10
论文解读
在噪声里听见和弦：一次卷积如何让田野录音带上调性色彩
音乐生成 | 5.9/10
论文解读
听见是谁在说：用反事实声纹逼语音模型从猜文本回到听声音
说话人日志 | 7.0/10
论文解读
文字比原声更懂情绪：把生成音乐放进效价-唤醒坐标系来称重
音乐生成 | 6.0/10
论文解读
当模型听得懂阿拉伯语，却看不懂阿拉伯文化：ImageEval 2026 的三重拷问
语音识别 | 8.1/10
论文解读
当语音 Token 不再像自然语言：13 个编解码器在噪声下的语言统计学分化
语音编码 | 6.3/10
论文解读
把 2M 维坐标压到一条曲线上：BOGE 如何用物理先验与贝叶斯优化校准水下柔性阵
声源定位 | 5.7/10
论文解读
给大模型加声学缰绳：用 0.6 nats 的似然约束把翻译式幻觉拉回转录
语音识别 | 7.8/10
论文解读
口音不是噪声，是距离：当母语离英语越远，ASR 的潜空间就越把你推开
语音识别 | 6.9/10