论文解读
当文字当指挥：MAESTRO 如何让声画专家按序就位
音视频理解 | 6.0/10
论文速递
论文解读
别再比谁更像人：当生成音乐的评价回到音乐人的工作台
音乐生成 | 7.3/10
论文解读
当发言意愿也需要先验：用 Beta 倾向补全多通道日志的贝叶斯闭环
说话人日志 | 6.6/10
论文解读
提示词动了，词错误率为什么不动：一次生产级口述史转录的预注册阴性消融
语音识别 | 7.4/10
论文解读
议会里的声音政治学：当情感、犹豫与重音在四种斯拉夫语中分道扬镳
语音情感识别 | 5.6/10
论文解读
干净本身成了开关：当语音增强的理想输出反噬自身
语音增强 | 6.4/10
论文解读
把循环拆成并行：用时带混合与自适应回退让增强前端不再拖累识别
语音增强 | 6.2/10
论文解读
听得更干净，却想得更错：当语音增强把大模型带偏
语音增强 | 8.0/10
论文解读
把声学公式写进损失：PhysWave 如何让扩散模型不再猜方向
音频生成 | 6.6/10
论文解读
同一音高多条路：用扩散与可演奏约束把吉他谱写对、写得能弹
音乐转录 | 8.2/10
论文解读
在只有 204 个婴儿的世界里，为什么 97.9% 的准确率不值得庆祝
音频分类 | 8.1/10
论文解读
一句里装不下两种心情：HybridEmo 如何让 TTS 先走完轨迹再调好混合
语音合成 | 7.5/10
论文解读
把混音师的耳朵写成奖励：SPHERE 如何让 3B 音频语言模型学会摆位
音乐生成 | 6.9/10
论文解读
1500 个音频 token 真的都需要吗？用等间隔抽样戳破 Whisper 的时域冗余
语音识别 | 7.2/10
论文解读
给声音装上刻度：TEMPO 如何让大音频语言模型学会报时
音频事件检测 | 7.1/10
论文解读
别再只调大模型：用 88 行文字把声音的破绽说给 LLM 听
语音伪造检测 | 6.4/10
论文解读
相位越不准，幅度越要背锅：用频带加权把流式增强从过衰减里拉回来
语音增强 | 6.4/10
论文解读
韵律能猜出多少句法？把停顿与时长放进互信息的秤上称重
Transformer | 7.6/10
论文解读
当一句“右转航向 150”必须找到那架飞机：语音与轨迹如何在同一个地图上相遇
对比学习 | 7.5/10
论文解读
当视频自己听不见节拍：VIBE 如何让背景音乐既对上画面，又听懂文字指令
音乐生成 | 7.1/10