论文速递

📄 DELTA-TTS: Adapting Autoregressive Model into Diffusion Language Model for Text-to-Speech #语音合成 #扩散模型 #参数高效微调 #低资源 7.5/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ✅ 7.5/10 | 前25% | #语音合成 | #扩散模型 | #参数高效微调 #低资源 | arxiv 👥 作者与机构 第一作者：Junwon Moon（未说明） 通讯作者：未说明 作者列表：Junwon Moon、Seungbeom Kim、Yejin Lee、Hoseong Ahn、Sewoong Park、Heeseung Kim、Kyuhong Shim（七位作者均未说明所属机构，但从致谢与主观评测部分可推断其隶属韩国学术机构） 💡 毒舌点评 本文把“先做容易的”这条直觉从文本领域搬运到语音合成，工程上灵巧干净，仅用585小时数据就在WER上掀翻了自家骨干和若干数据量百倍于己的对手。但数据量的鸿沟是荣耀也是隐忧，零开源更是让所有这些漂亮数字只能停留在纸面上，社区无法验证，只能姑妄听之。 📌 核心摘要 要解决的问题：传统自回归（AR）文本转语音（TTS）模型采用严格的从左到右依次生成语音token的方式，推理速度随序列线性增长，且无法利用未来上下文信息，导致在序列起始等证据不足的位置置信度极低，容易产生幻觉和错误累积。 方法核心：提出DELTA-TTS，一个基于LoRA的轻量级适配框架。它冻结预训练的AR TTS骨干网络，通过增加双向注意力、块级LoRA适配器和Conformer风格卷积模块，将其转换为一个按置信度排序生成的离散扩散语言模型（dLLM）。 新颖性：首次将AR-to-dLLM的转换范式从文本领域迁移到语音TTS。针对语音信号强烈的局部时序相关性，引入了卷积模块来弥补全局双向注意力对局部结构建模的不足，并设计了配套的1/t加权损失和时间偏移推理调度策略，系统性地实现了“先易后难”的生成顺序。 主要实验结果：仅使用585小时的LibriTTS数据训练，在Seed-TTS test-en基准上取得了1.75%的词错误率（WER），优于其AR骨干CosyVoice3的2.02%，并超越了多个参数量和数据量远大于它的基线模型，同时推理速度提升3.3倍。 类型 模型 参数量 训练数据 (小时) Seed-TTS test-en WER (%) ↓ SIM ↑ AR CosyVoice3 0.5B 1000K Multilingual 2.02 0.692 AR Seed-TTS N/A N/A 2.25 0.762 AR VoxCPM 0.5B 1800K Multilingual 1.85 0.729 NAR MaskGCT (50 NFE) 1.1B 100K Emilia 2.62 0.714 NAR F5-TTS (32 NFE) 0.3B 100K Emilia 2.00 0.647 Ours DELTA-TTS 0.5B+94M 0.585K LibriTTS 1.75 0.688 实际意义：为工业界大规模部署的AR TTS模型提供了一条低成本（仅需15%新增参数和少量适配数据）、高效率的升级路径，能显著提升推理速度并缓解幻觉问题，尤其是在长语音合成场景下加速效果更佳（4.46倍）。 主要局限性：目标语音长度目前依赖于一个基于文本长度的启发式规则，不够鲁棒；方法目前仅在英语和CosyVoice3这一单一骨干模型上进行了验证。 🔗 开源详情 代码：否。论文中未提及代码链接。 模型权重：否。论文中未提及。 数据集： 训练数据：LibriTTS（585小时），论文中未提供下载链接。 评估数据：Seed-TTS test‑en（1088条）、LibriSpeech‑PC test‑clean Subset B（1127条），论文中未提供下载链接。 Demo：否。论文中未提及。 复现材料：否。附录A.1提供了部分实现细节（LoRA配置、卷积核大小、学习率、batch size、混合精度训练等），但未提供代码、配置文件或模型检查点。 论文引用的开源项目或资源链接： CosyVoice: https://github.com/FunAudioLLM/CosyVoice CosyVoice HuggingFace评估页: https://huggingface.co/FunAudioLLM/CosyVoice-300M Spark TTS: https://github.com/SparkAudio/Spark-TTS FireRedTTS(FireRedTTS2): https://github.com/FireRedTeam/FireRedTTS2 IndexTTS2: https://github.com/IndexTeam/IndexTTS2 Llasa: https://github.com/LlasaTeam/Llasa VoxCPM: https://github.com/VoxCMTeam/VoxCPM DiTAR: https://github.com/DiTAR-project/DiTAR MaskGCT: https://github.com/open-mmlab/Amphion/tree/main/models/tts/maskgct E2 TTS: https://github.com/SWivid/E2-TTS F5-TTS: https://github.com/SWivid/F5-TTS Whisper: https://github.com/openai/whisper faster-whisper: https://github.com/SYSTRAN/faster-whisper WavLM: https://github.com/microsoft/unilm/tree/master/wavlm SpeechMOS (UTMOS): https://github.com/tarepan/SpeechMOS LoRA (Hu et al., 2022): https://github.com/microsoft/LoRA Conformer (Gulati et al., 2020): 未提供单独开源链接（通常指ESPnet等实现） 🏗️ 方法概述和架构 DELTA-TTS的整体流程是一个将预训练AR TTS模型转换为离散扩散语言模型（dLLM）的框架。其核心思想是冻结原AR模型的主体参数，仅通过添加少量可训练模块来改变其生成范式。输入为标准零样本TTS输入（文本、提示语音等），输出为目标语音波形。 ...

📄 Deriving Benchmarking Datasets from Long-Form Recordings: Challenges and Opportunities #基准测试 #数据集 #开源工具 #数据清洗 7.7/10 | 创新 1/2 | 严谨 1/1.5 | 实验 0.5/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ✅ 7.7/10 | 前25% | #基准测试 | #数据集 | #开源工具 #数据清洗 | arxiv 👥 作者与机构 第一作者：Kaveri K. Sheth (LAAC, LSCP, DEC, ENS, EHESS, CNRS, PSL University, Paris, France) 通讯作者：Kaveri K. Sheth (ksheth@ens.psl.eu) 作者列表：Kaveri K. Sheth (1); Lawrence Borst (未说明, 推测1); Tarek Kunze (未说明, 推测1); Marvin Lavechin (2, Laboratoire d’Informatique et Systèmes, Université Aix-Marseille, CNRS, France); Okko Räsänen (3, Signal Processing Research Centre, Tampere University, Finland); Sho Tsuji (未说明, 推测1); Loann Peurey (未说明, 推测1); Alix Bourrée (未说明, 推测1); Alejandrina Cristia (1, LAAC, LSCP, DEC, ENS, EHESS, CNRS, PSL University, Paris, France) 💡 毒舌点评 这篇论文做了一件领域内亟需的“脏活累活”——标准化并整合27个异构儿童语言数据集，并配套设计一个治理框架。工程和社区贡献是其最大价值，对隐私层级的思考也有见地。但作为顶会论文，其技术“硬货”严重不足：方法本质是整合现有工具，仅有的VTC案例也只展现出标准微调实验的深度，且缺乏统计检验。更致命的是，论文未对辛苦构建的基准本身进行深入剖析，仿佛建好舞台后只唱了一出折子戏。实验深度和洞察远无法支撑其所声称的平台级意义。 ...

📄 DETECT-3B-Omni is Agnostic of Content and Demographics #语音伪造检测 #基准测试 #数据集 4.2/10 | 创新 0.4/2 | 严谨 1.1/1.5 | 实验 0.9/1.5 | 清晰 0.7/1 | 影响 0.3/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.7/1.5 📝 4.2/10 | 后50% | #语音伪造检测 | #基准测试 | #数据集 | arxiv 👥 作者与机构 第一作者：Nicolas M. Müller（Resemble AI, Mountain View, CA, USA） 通讯作者：未说明 作者列表：Nicolas M. Müller（Resemble AI, Mountain View, CA, USA）、Aditya Tirumala Bukkapatnam（Resemble AI, Mountain View, CA, USA）、Dominik Schnieders（Deutsche Telekom, Bonn, Germany）、Zohaib Ahmed（Resemble AI, Mountain View, CA, USA） 💡 毒舌点评 这是一篇以学术论文格式包装的企业合规报告。作者用临床医学的等价检验框架，严谨地证明了自家闭源检测器“不偷听内容、不歧视人群”，统计学上无懈可击，但利益冲突显著。全文不公开任何数据、模型或可复现管线，且仅测试自家产品，其结论对其他研究者毫无参考价值，对领域的推动作用微乎其微。 ...

📄 Doppelganger: Sound Effects and Their Synthetic Twins #音频检索 #对比学习 #基准测试 #数据集 #语音合成 9.1/10 | 创新 1.5/2 | 严谨 1.4/1.5 | 实验 1.4/1.5 | 清晰 0.9/1 | 影响 0.8/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 🔥 9.1/10 | 前10% | #音频检索 | #对比学习 | #基准测试 #数据集 | arxiv 👥 作者与机构 第一作者：Elliott Ash（ETH Zürich） 通讯作者：未说明 作者列表：Elliott Ash（ETH Zürich） 💡 毒舌点评 这篇论文以优雅的框架，用简洁的对比学习头设计，强行把“渲染不变性”这个模糊概念按在实验台上做了精准的解剖，漂亮地揭示了“实例对应可以泛化，类别不变性反而退化”的背离现象。实验设计堪称模板，多编码器验证、留类协议和消融实验都做得滴水不漏。但论文的命门在于，它发现的“法则”极其严格地绑定在特定的音频条件生成器家族上，一旦跨出这个舒适区就瞬间失效，这无情地限制了其结论的通用性和实际应用半径；核心发现虽具备洞察力，但“类监督过拟合分类体系”这件事本身，在领域泛化社区并不算石破天惊。 📌 核心摘要 本文提出 Doppelganger 基准，旨在衡量音频表示能否跨合成‑真实边界，将一个音频条件生成的合成音效精准匹配回用以生成它的唯一真实录音（实例级检索）。基准包含一个受控的7类语料库（DCASE-T7）和一个大规模、实例配对的34类语料库（UCS），后者包含10,420个真实‑合成孪生对。方法上，核心是在多种冻结的预训练音频编码器上附加小型MLP头，通过仅改变对比学习正样本对的定义，训练出三种重塑嵌入空间的“头”：不变头、敏感头、实例头。实例头仅以“一个片段及其合成孪生”为正样本对，抛弃类别标签。 关键发现是一个清晰的背离：在未见声音事件上，实例头在全真实库中检索到正确孪生的R@1高达0.800，远超冻结基线（0.611），而用类别标签训练的监督不变头反而使性能降至0.269，低于冻结基线，且该现象在六种不同预训练范式的编码器上均成立。同时，与不变头镜像的敏感头可完美分离特定生成器的输出与真实录音（AUC 1.0），但这种分离是生成器特定的，无法跨家族迁移。人类基线实验表明，人类区分真实录音与其合成孪生的准确率仅为71.3%，检索源录音的准确率为82.3%，均低于模型表现。该基准可用于跨域检索、数据集去重、按片段审计生成器保真度等。 ...

📄 DuplexChat: Constructing Speaker-Separated Full-Duplex Dialogue Speech at Scale for Spoken Dialogue Language Modeling #语音交互 #扩散模型 #语音分离 5.9/10 | 创新 0.6/2 | 严谨 0.7/1.5 | 实验 0.4/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 1.2/1.5 📝 5.9/10 | 前50% | #语音交互 | #扩散模型 | #语音分离 | arxiv 👥 作者与机构 第一作者：Wataru Nakata（The University of Tokyo, Japan） 第二作者：Yuki Saito（The University of Tokyo / JST BOOST） 第三作者：Hiroshi Saruwatari（The University of Tokyo） 通讯作者：未明确标注，推测为 Wataru Nakata 💡 毒舌点评 DuplexChat通过播客管道规模化构建说话人分离的全双工对话语料，填补了公开大规模双通道训练数据的空白，工程集成能力扎实，构建了当前最大规模对话语音资源（~415k小时）。但下游SDLM训练实验完全缺失，使得"适合全双工建模"的核心断言悬空；单通道混合到双通道估计的分离链路引入模型噪声，其分离错误对下游对话建模的长期影响并未讨论。更致命的是，论文仅与Fisher这一电话窄带语料对比声学质量，既未与J-CHAT等相近的播客/音视频对话语料对比，也未讨论pyannote日志模型的级联误差，导致语料真实可用性缺乏说服力。整体来看，这是一个优秀的工程基础设施论文，但缺少SDLM训练验证使其影响力大打折扣——就像造了一条高速公路却从未让它跑过车。 ...

📄 Evaluating the Effect of Linguistic Relatedness on Cross-Lingual Transfer in Large Multilingual Automatic Speech Recognition #语音识别 #多语言 #低资源 #迁移学习 #参数高效微调 #自监督学习 6.5/10 | 创新 1/2 | 严谨 1.5/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 6.5/10 | 前50% | #语音识别 | #迁移学习 | #多语言 #低资源 | arxiv 👥 作者与机构 第一作者：Andrei Florian（Princeton University） 通讯作者：Andrei Florian（Princeton University）、Happy Buzaaba（Princeton University） 作者列表：Andrei Florian（Princeton University）、Cynthia Jayne Amol（Maseno University）、Hope Kerubo Ombaba（Maseno University）、Xiaoyu Cui（Princeton University）、Boniface Mwau（Maseno University）、Biatus Maina Kamau（Maseno University）、Lilian Diana Awuor Wanzare（Maseno University）、Christiane Fellbaum（Princeton University）、Happy Buzaaba（Princeton University） 💡 毒舌点评 这是一篇经典的"证伪"论文，作者严谨地证明了在小模型上成立的假设，在大模型上并不成立。六因素受控实验设计堪称方法论范本，但结论的毁灭性力量也扫到了论文自身的价值：如果语言相关性完全没用，那告诉社区此路不通的功劳，能换来多大影响？更致命的是，它只告诉你船漏了，却没给新船。纯负面结果的研究，在顶会博弈中注定处于弱势。 ...

📄 Information-Geometric Superposed Vowel Evaluation: Part 1. Moraic Syllabary (Japanese) #语音伪造检测 #语音合成 #可解释性 1.9/10 | 创新 0.8/2 | 严谨 0.3/1.5 | 实验 0.1/1.5 | 清晰 0.3/1 | 影响 0.1/1.5 | 开源 0/1.5 | 复现 0/0.5 | 工程 0.3/1.5 📝 1.9/10 | 后50% | #语音伪造检测 | #图神经网络 | #语音合成 #可解释性 | arxiv 👥 作者与机构 第一作者：Yusei Tamura（东京大学 大学院 学际信息学府） 第二作者：Shigekazu Ishihara（广岛国际大学 心理学部 健康福祉学部） 第三作者：Ken Ito（东京大学 信息学环/学际信息学府） 通讯作者：未明确说明（按惯例疑为第三作者 Ken Ito） 💡 毒舌点评 本文将上世纪最优输运（Wasserstein距离）和拓扑数据分析（持久同调）的概念堆砌起来，试图为AI合成语音检测提供新思路。想法是"用频谱分布的贫瘠性来暴露生成模型的马脚"，这一点尚可。但论文水平停留在非常初步的探索性原型阶段：实验仅含单个说话人、单个未公开合成模型的几张热力图和散点图，所有可引用的量化数字全部以"“遮挡。全文没有准确率、等错误率、AUC，没有与任何基线对比，没有跨说话人、跨合成器的泛化性测试。声称使用了"持久同调"进行拓扑映射，但方法部分对其构造（如Vietoris-Rips复形、持久图计算）只字未提，实际呈现的仅为特征分解降维。标题与内容严重脱节，这不是在测试方法，而是在展示一张充满占位符的海报。 📌 核心摘要 本文旨在解决生成式AI合成的日语语音（deepfake）难以被人类听觉和常规方法可靠检测的问题。 核心思想是将语音的傅里叶幅度谱归一化，视为一种概率密度函数（作者称为"随机光谱学”），用一维Wasserstein距离度量不同元音频谱间的差异性。作者认为该距离对基频平移（如说话人音高变化）鲁棒，更能反映音色内在差异。 在此基础上，构建元音或整句音频之间的成对Wasserstein距离矩阵，并声称通过"持久同调"方法在保持距离结构的情况下将频谱映射到低维拓扑空间中，观察自然语音与合成语音是否呈分离的簇。 实验仅基于一位日本知名律师的语音样本，对比其自然语音与一个在该样本上训练的语音合成系统所生成的语音。展示结果包括元音摩拉的距离矩阵热力图、二维散点图，以及五句受控元音频率人造句子的距离矩阵与散点图。 所有实验仅以示例图形呈现，无任何数字量化指标。距离矩阵均值文本中以"“占位，合成与自然语音"可清晰区分"的论断完全依赖肉眼观察，既无分类阈值，也无统计检验，更无基线对比。 论文承认其方法目前专用于日语（摩拉音节、元音-假名一一对应的语言），并提出了向英语等语言扩展的设想（利用ARPAbet进行音素标注、控制元音频率造句），但未做任何实验验证。 主要局限性包括：完全缺失的量化实验评估、持久同调方法有名无实、单一数据源导致结论普适性高度存疑、对噪声/码率/说话人变化等实际因素零评估、方法不可复现且无任何开源材料。 🔗 开源详情 代码：未提供链接 模型权重：未提供 数据集：未提供 Demo：未提供 复现材料：未提供 引用的开源项目：参考文献[10] (Bonafos et al., 2023) 和 [11] (Liu et al., 2017) 均为arXiv版本，但论文本身未交付任何代码或数据。 🏗️ 方法概述和架构 论文提出了一种用于区分日语自然语音与合成语音的分析流程，总体分为以下几个步骤： ...

📄 Jointly Improving Dialect Identification and ASR in Indian Languages using Multimodal Feature Fusion #语音识别 #多任务学习 #多模态模型 #低资源 #自监督学习 5.8/10 | 创新 0.8/2 | 严谨 0.8/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 0.7/1.5 📝 5.8/10 | 前50% | #语音识别 | #多任务学习 | #多模态模型 #低资源 | arxiv 👥 作者与机构 第一作者：Saurabh Kumar（印度科学理工学院电气工程系） 第二作者：Amartyaveer（印度科学理工学院电气工程系） 第三作者/通讯作者：Prasanta Kumar Ghosh（印度科学理工学院电气工程系，邮箱 prasantag@gmail.com） 💡 毒舌点评 本文用“即插即用”的多模态融合模块将方言信息注入ASR，在印度多语言场景下同时刷了DID和ASR的榜。工程集成思路清晰，结果实用。但本质上仍是Conformer、RoBERTa、bottleneck等成熟组件的精巧重组，对“为什么门控融合有效”缺乏深层机理分析，且仅在单一且受限（朗读语音）的数据集上验证，模型泛化性和理论贡献薄弱。更像是一份优秀的实验报告，而非方法学上的突破。 📌 核心摘要 问题：印度语言方言差异显著，现有联合优化语音识别（ASR）与方言识别（DID）的方法存在跷跷板效应，尤其是将方言ID作为硬性文本前缀的方法，在方言预测错误时会严重损害ASR性能。 方法核心：提出多模态特征融合框架，在Conformer ASR编码器之上，以梯度阻断方式接入一个DID模块。该模块利用瓶颈编码器和RoBERTa编码器分别从语音特征和CTC软对齐输出中提取方言线索，经门控机制动态融合并由注意力编码器精炼，最终将获得的方言嵌入拼回ASR主特征流，以软特征方式增强ASR。 创新点：将方言信息从“文本硬条件”转变为“特征软注入”，通过梯度阻断（detach）策略解耦ASR与DID的优化，避免了错误方言预测带来的ASR退化；设计了语音-文本双模态门控融合，自适应挖掘不同模态的方言信息。 主要结果：在RESPIN数据集八种印度语言的33个方言上，ASR-BN-ROB模型取得了平均81.63%的DID准确率，以及4.65%的CER和17.73%的WER，均优于多个强基线。尤其对于DID预测错误的样本，ASR性能相对基线有显著提升。 实际意义：为低资源、多方言的ASR系统提供了一种有效且相对鲁棒的端到端联合优化方案。代码、模型和数据集均已公开，对印度语言语音应用的开发具有直接参考价值。 主要局限性：仅在单一数据集和一种冻结的预训练模型（IndicWav2Vec）上验证；未深入分析门控融合机制的行为和决策过程；缺乏对跨领域、噪声环境及自发性语音的泛化性评估；模型参数量增加，但未与等参模型进行严格对比；未讨论计算开销和推理延迟。 🔗 开源详情 代码：https://github.com/labspire/respin_did_interspeech25.git 模型权重：https://github.com/labspire/respin_did_interspeech25.git（与代码同一仓库） 数据集：RESPIN 数据集，获取链接：https://spiredatasets.ee.iisc.ac.in/respincorpus Demo：未提及 复现材料：论文在第3.2节提供了详细的超参数和实验设置，代码仓库中理应包含训练配置。 论文中引用的开源项目： ESPnet：https://github.com/espnet/espnet.git IndicWav2Vec：https://github.com/AI4Bharat/IndicWav2Vec 未明确列出 RoBERTa 的具体开源实现链接。 🏗️ 方法概述和架构 本文提出一种多任务学习框架，通过多模态特征融合同时优化自动语音识别（ASR）和方言识别（DID）。系统由ASR Block和DID Block两部分组成，其数据流为：输入语音 → SSL前端（IndicWav2Vec） → Conformer编码器 → ASR Block和DID Block并行处理 → DID Block产出的方言嵌入以梯度阻断方式拼回ASR Block → ASR Block内注意力编码器融合 → 混合CTC/Attention解码器输出文本。 ...

📄 Layer-wise Cross-Lingual Depression Detection from Speech: Analysis with Contrastive Alignment #语音情感识别 #对比学习 #说话人验证 5.5/10 | 创新 1/2 | 严谨 0.8/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.4/0.5 | 工程 0.6/1.5 📝 5.5/10 | 前50% | #语音情感识别 | #对比学习 | #说话人验证 | arxiv 👥 作者与机构 第一作者：Anisha Pattanayak（未说明具体机构，但根据上下文推断来自某大学或研究机构） 通讯作者：未明确说明 作者列表：Anisha Pattanayak、Hanie Kang、Huang-Cheng Chou、Shrikanth Narayanan、Sudarsana Reddy Kadiri 机构信息：论文中未明确给出每位作者的完整机构，但提及了“Signal Analysis and Interpretation Laboratory (SAIL)”，可能来自 University of Southern California (USC)。部分作者可能在工业界实习或工作（如 Huang-Cheng Chou 在 Nvidia），但论文中未作为机构直接列出。 💡 毒舌点评 这篇论文最大的价值在于它做了一次诚实的“吹哨人”。它用严谨的按说话人划分的实验，把此前跨语言抑郁检测领域虚高的F1分数（0.954）打回了原形（0.628），并清晰量化了这是说话人泄漏造成的“伪影”。然而，揭穿别人容易，自己做得怎么样？CLeaD框架下的性能提升微乎其微（LOSO Spk F1从0.622提到0.640，仅0.018），且完全跑不过傻大粗的SVM（0.762）。整篇论文更像是用对比学习做了一次精致的“方法观光”，最终的临床实用价值值得怀疑。它指出了一条坏路，但自己也没有开辟出一条足够好的新路。 ...

📄 Lights, Camera, Carbon: Architectural Scaling Laws for Video Generation Energy Consumption #音视频生成 #扩散模型 6.9/10 | 创新 1.4/2 | 严谨 1.3/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 0.4/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.9/10 | 前50% | #音视频生成 | #扩散模型 | arxiv 👥 作者与机构 第一作者：Nidhal Jegham（University of Rhode Island, Sustainable AI Group） 通讯作者：未说明 作者列表：Nidhal Jegham（University of Rhode Island, Sustainable AI Group）、Boris Gamazaychikov（Sustainable AI Group, Paris, France）、Sasha Luccioni（Sustainable AI Group, Montreal, Canada） 💡 毒舌点评 该论文从架构第一性原理出发推导了一套视频生成能耗缩放律，在多模型、多GPU上实现了低于3% MAPE的预测精度，工程框架设计扎实。然而，其核心贡献完全面向视频生成领域，与语音、音乐、音频社区的关联极弱——即便涉及音视频联合生成，分析也仅将音频视为CFG引入的额外视频前向pass开销，未探讨音频模态本身的任何特性。对音频领域读者而言，其直接价值微乎其微。 ...