论文速递

📄 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 英文题目：Conjoint Audio-to-Spikes Encoding and Processing for Efficient Neuromorphic Speech Recognition 一句话：论文用仅靠阈值调控脉冲密度的可编程 Butterworth 滤波器组与 IF 神经元构成非可学习 HLP 编码器，配合 100 步累积器与前馈 SNN 联合优化，在 Heidelberg Digits 上以 13 通道 100k 参数达到 99.77% 超越同类流水线，却在多说话人 GSC 上暴露对异构噪声鲁棒性不足的代价，并以 Zynq-7000 定点化 LLP 实现验证在线可行性。 标签：#语音识别 #端到端 #音频分类 #高效推理 评分：6.8/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.3/1.5 👥 作者与机构 Valentin M. Meunier：机构信息未在 arXiv HTML 中可靠披露 Amélie Gruel：机构信息未在 arXiv HTML 中可靠披露 Pierre Lewden：机构信息未在 arXiv HTML 中可靠披露 Adrien F. Vincent：机构信息未在 arXiv HTML 中可靠披露 Sylvain Saïghi：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把高层可编程滤波器组与积分发放神经元绑定的轻量编码器做到了可在 FPGA 上端到端跑通，并在受控的 Heidelberg Digits 上以极简前馈脉冲网络刷出超高精度，工程闭环完整。短板是复杂多说话人场景下泛化明显掉队，NTIMIT 仅 63.98% 且 GSC 远落后于 Lauscher 与 Speech2Spikes 的同类流水线，却未给出每通道阈值或更强时序建模等实质补救验证，效率指标也停留在脉冲计数层面。 ...

📄 在并行与记忆之间找缝隙：WhisperX 如何既跑得快又记得住 英文题目：Context-Aware Interleaved Batching for WhisperX 一句话：面对长音频转写中并行速度与跨段上下文不可兼得的矛盾，论文用 VAD 固定声学边界并以轮询交错批处理恢复 224 词元滚动上下文，在 Earnings-21 上以 8.4 倍于串行 Whisper 的速度将 WER 降至 8.2%、专有名词分数提至 79.3%，代价是首批重转的一次额外前向与小规模评测的不确定性。 标签：#语音识别 #语音大模型 #长音频处理 #高效推理 #医疗音频 评分：7.4/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 👥 作者与机构 Carlos Bain：机构信息未在 arXiv HTML 中可靠披露 Max Bain：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 用语音活动检测（Voice Activity Detection，VAD）外置边界加流间轮询批处理把 Whisper 的 224 词元历史条件从串行枷锁里解放出来，思路巧妙且可直接插进任意分段式流水线。问题在于评测仅靠 15 条 Earnings-21 与 6 条自建 MedicalLessons，基于 GPT-5.1 的 LPS 与 Pn 均无人工一致性校准，8.4 倍加速背后首批重转的额外前向与 N≤B 时退化为近串行的代价也被轻描淡写。 ...

📄 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 英文题目：Decoupled Latent Flow Matching for Few-Step Joint Vocal-Accompaniment Separation 一句话：为解决人声与伴奏强相关且长音频迭代采样昂贵的问题，论文在冻结 VAE 的潜空间用联合流匹配同时生成双源，并以分离编码器-速度解码器解耦与潜空间 Flow2GAN 将 20 步压缩至 1-4 步，人声感知质量提升但伴奏增益有限且距 VAE 上限仍有差距。 标签：#音乐源分离 #流匹配 #生成对抗网络 #变分自编码器 评分：5.3/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 0.6/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5 👥 作者与机构 Lishi Zuo：机构信息未在 arXiv HTML 中可靠披露 Youzhi Tu：机构信息未在 arXiv HTML 中可靠披露 Lu Yi：机构信息未在 arXiv HTML 中可靠披露 Zezhong Jin：机构信息未在 arXiv HTML 中可靠披露 Chongxin Gan：机构信息未在 arXiv HTML 中可靠披露 Man-Wai Mak：机构信息未在 arXiv HTML 中可靠披露 KongAik Lee：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 把语义-声学解耦与潜空间 Flow2GAN 结合做联合双源生成，动机自洽且潜判别器比波形域多判别器更轻量。硬伤是评测仅用从训练集切出的 50 段 20 秒留出片段、未与 Demucs/Open-Unmix 等判别式强基线对比、未做跨数据集与主观听感验证，且生成质量距 VAE 重构上限仍有约 0.35 ViSQOL 差距，少步增益呈现明显的人声偏向。 ...

📄 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 英文题目：Diagnose, Then Refine: A Closed-Loop TTS System with AudioLLM-Guided Correction 一句话：针对自回归语音合成中重音错位与停顿失当等局部韵律缺陷，LoopTTS 用 Filter-Judge-Refiner 三级离线闭环让 AudioLLM 先打分再开处方，并以约 42K 对比弱标签训练 Refiner 做指令引导重合成，在被判低分的约 7.9% 样本上把 MOS 从 3.2 左右拉回 4.1 以上，代价是仅对疑似缺陷样本生效且依赖闭源 AudioLLM 的弱标签质量。 标签：#语音合成 #自回归模型 #语音大模型 #指令微调 评分：7.0/10 | 创新 1.4/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0.5/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Zeyang Song：National University of Singapore；Tencent Tianchi Liu：LIGHTSPEED Tianrui Wang：Nanyang Technological University Chenglin Xu：LIGHTSPEED Steven Y. Guo：Independent Researcher Haizhou Li：The Chinese University of Hong Kong, Shenzhen；Shenzhen Loop Area Institute 💬 毒舌点评 把 AudioLLM 从只会打分的裁判升级为能下处方的韵律医生，用约 42K 对比弱标签让 Refiner 学会听懂“重读这个词、在这里停顿”的指令，闭环思路在离线质检场景很务实。短板是闭环只在被 Judge 判为低分的约 7.9% 样本上生效，全量增益被大量已通过样本稀释，且 Gemini 标注的弱标签 F1 仅 0.673/0.532 却直接当真值训练，天花板明显受限于闭源模型的稳定性、成本与漂移风险。 ...

📄 把咳嗽声拆开：用高斯对齐让模型忘记敏感属性 英文题目：Disentangling Representation using Attributes-based Gaussian Estimation for Medical Sound Diagnosis 一句话：针对咳嗽声诊断中属性域偏移与可解释性不足，论文用属性映射嵌入将标量属性高斯化并与 VAE 隐向量对齐、再以互信息上界解耦，在 COUGHVID 过滤后的 2850 段上取得 95.5% AUC，但仅单数据集验证且 99% 召回的可信度仍待检验。 标签：#音频分类 #变分自编码器 #医疗音频 #可解释性 评分：5.5/10 | 创新 1/2 | 技术严谨 0.7/1.5 | 实验充分 0.6/1.5 | 清晰度 0.6/1 | 影响力 0.6/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5 👥 作者与机构 Ke Zhao：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于将属性映射嵌入（Attribute Mapping Embedding，AME）与变分自编码器（Variational AutoEncoder，VAE）结合，用高斯参数化实现可计算的 Kullback-Leibler 散度（\(D_{KL}\)）对齐和互信息（Mutual Information，MI）解耦，思路直观且在小规模咳嗽数据上确实提升了召回率。短板是方法论证与实验支撑均显单薄：仅在 720 例原始音频过滤后的 COUGHVID 单数据集上验证、数学推导存在符号与不等式方向瑕疵、公平性仅靠 t-SNE 定性展示而无定量指标，99% 召回率更像过拟合或划分泄漏的信号而非泛化能力的证明。 ...

📄 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 英文题目：DreamX-Creator: Democratizing Native Audio-Video Generation at 2K Resolution 一句话：DreamX-Creator 以首帧与文本为条件让音视频双流联合去噪，用门控跨模态注意力与模态感知强化学习在 Verse-Bench 上以 VQ 与 DeSync 对抗大模型，并用自回归 1 步蒸馏把 2K 精修压到每块一次去噪，代价是音频美学与跨模态语义仍落后于 22B 与 33B 系统。 标签：#扩散模型 #流匹配 #强化学习 #知识蒸馏 评分：5.9/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 0.7/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5 👥 作者与机构 Jiashu Zhu：机构信息未在 arXiv HTML 中可靠披露 Yanhao Zheng：机构信息未在 arXiv HTML 中可靠披露 Ruitian Tian：机构信息未在 arXiv HTML 中可靠披露 Rujing Dang：机构信息未在 arXiv HTML 中可靠披露 Shen Zhang：机构信息未在 arXiv HTML 中可靠披露 Bingze Song：机构信息未在 arXiv HTML 中可靠披露 Jiachen Lei：机构信息未在 arXiv HTML 中可靠披露 Ruimin Lin：机构信息未在 arXiv HTML 中可靠披露 Jiahong Wu：机构信息未在 arXiv HTML 中可靠披露 Xiangxiang Chu：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 以 7B 紧凑双流加门控跨模态注意力实现首帧条件原生音视频联合去噪，并配齐数据系统、RL 后训练与自回归 1 步 2K 精修的工程链路，开放权重定位清晰。硬伤是自家表格直接证伪全面领先叙事：音频美学与跨模态语义被 22B LTX-2.3 与 33B MiniMax-H3 全面压制，Verse-Bench 无显著性检验、无门控/奖励路由/蒸馏消融，所谓 democratizing 仍停留在承诺开源而非可验证交付。 ...

📄 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 英文题目：Enabling Proactive Spoken Turns via a Generalized Style-Aware Full-Duplex Framework 一句话：为解决全双工对话中抢话时机与回答质量难以兼得的问题，论文用轻量控制器 LPS-TC 显式解耦时序与内容、并以风格指令控制打断与附和，在 WildTurn 真实对话上显著提升主动交互的时机与质量，但中间风格与跨语种泛化仍有明显代价。 标签：#语音交互 #语音大模型 #流式处理 #数据集 #基准测试 评分：7.3/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.2/1.5 👥 作者与机构 Tianrui Pan：机构信息未在 arXiv HTML 中可靠披露 Qinglin Zhang：机构信息未在 arXiv HTML 中可靠披露 Chong Deng：机构信息未在 arXiv HTML 中可靠披露 Luyao Cheng：机构信息未在 arXiv HTML 中可靠披露 Qian Chen：机构信息未在 arXiv HTML 中可靠披露 Wen Wang：机构信息未在 arXiv HTML 中可靠披露 Jie Tang：机构信息未在 arXiv HTML 中可靠披露 Gangshan Wu：机构信息未在 arXiv HTML 中可靠披露 Jie Liu：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于用轻量解耦控制器 LPS-TC 把 timing 与 content 生成分离，并配套 2981 小时真实对话的 WildTurn 与 chunk/turn 双层评测，解决了全双工里“抢话时机 vs 回答质量”长期 trade-off 的工程痛点；短板是核心贡献高度依赖 GPT-5.2 生成的风格指令与词表匹配的 BC 标注，跨语种和合成数据泛化证据薄，且通篇未给出代码、权重与数据集获取方式，可信度与复现性被开源缺失拖累。 ...

📄 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 英文题目：Evidence-Bounded Mental Health Reasoning from Heterogeneous Speech Protocols 一句话：针对不同语音采集协议证据效力不等却被模型扁平化处理的难题，论文把筛查重构为证据有界推理，用带许可矩阵的证据包与冻结分数的校验器在 366 例抑郁 held-out 上以 0.8658 AUROC 超越最强直接基线并实现零违规，代价是预测增益几乎完全来自五路声学共识而非语言推理。 标签：#语音情感识别 #大语言模型 #模型集成 #基准测试 评分：7.0/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.5/1.5 | 可复现 0.1/0.5 | 工程/实践 1.1/1.5 👥 作者与机构 Chengyuan Gao：Beijing University of Posts and Telecommunications；Harbin Institute of Technology；Renyixun Health Technology Co., Ltd. Jiang Wu：GDIIST Tao Lu：Renyixun Health Technology Co., Ltd. Jiayan Guo：Tencent Mingkun Xu：机构信息未在 arXiv HTML 中可靠披露 Tianyi Zang：机构信息未在 arXiv HTML 中可靠披露 Shangyang Li：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 把临床语音筛查里人人挂在嘴边的协议边界警告做成了可执行的证据包与许可矩阵，并用冻结分数的确定性校验器把报告违规压到零，这比无约束地拉长思维链更符合安全诉求。代价是预测侧的增益几乎被五路声学共识吃干，证据治理本身对排名无显著提升，而抑郁与焦虑的核心结论仍建立在高度倾斜的来源分布与个位数探针样本上，却以接近最强的口径呈现。 ...

📄 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 英文题目：Evoking Harmony via Convolution 一句话：用覆盖全听觉范围的和弦约束对数周期脉冲响应做一次分区卷积，在 click 与白噪声上呈现稀疏和弦晶格并在田野录音中实现可作曲的和声染色，代价是缺乏主观听感与量化基线验证。 标签：#音乐生成 #生成模型 #音频生成 #数据集 评分：5.9/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 0.5/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Michael Gogins：Irreducible Productions, New York 💬 毒舌点评 把 12 音级和弦做成对数周期滤波器并塞进单次分区卷积的思路优雅且极具作曲可用性，短时因果半余弦窗与等能量加等响度校正的推导也显示出作者对听觉细节的尊重。短板在于验证几乎完全停留在作者自录的黄昏田野录音与 click / 白噪声的定性频谱图上，既无听感主观评测也无与可比基线的量化对比，顶会审稿人很难据此判断该效果是否超越一个调参精致的和弦受限滤波器组。 📌 核心摘要 论文旨在弥合非音调电声与音调音乐实践的割裂，解决如何让任意宽带声源隐约呈现指定和弦音级内容而不引入外加音高错觉的问题。核心机制是将声源与单一有限长脉冲响应做卷积，该响应由覆盖 20 Hz 至 0.95 倍奈奎斯特频率范围内全部八度的半余弦窗正弦晶粒叠加而成，每个晶粒对应和弦音级并叠加干路 Dirac 分量后做整体 ℓ2 归一化，通过分区卷积（partitioned convolution）一次完成。相较于线性频率等距的梳状滤波器（comb filter）和按固定半音间隔铺瓦的通用恒 Q（constant-Q）库，该设计在对数频率坐标上以八度为周期平铺和弦单元，并以频率相关的窗长实现高频恒 Q、低频恒带宽的混合时频折中。与已有方法的差异在于滤波晶格受和弦约束且以卷积而非持续滤波实现，从而保证输出频谱仅在输入有能量处显现。实验以 Csound opcode chord_convolver 在 click、白噪声及约 149 秒的 Lagarde 城堡田野录音上演示，显示其频谱呈稀疏和弦晶格且在高频仍保持清晰，而梳状与通用恒 Q 分别呈现线性等距与密集网格。作者声称该效果在 50 ms 响应驱动 3 Hz 脉冲串时仅有约 3% 能量泄露到干声之外，适于保持瞬态融合。局限在于缺乏形式化听感评估、客观度量与可重复的对比基准，结论的外推主要依赖作者主观音乐性判断。 ...

📄 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 英文题目：HEAR Who Said What: Unlocking Speaker-Attributed Reasoning via Counterfactual Voice Grounding 一句话：针对多说话人场景下语音模型靠语义先验猜测谁说了什么的问题，论文以 Erber 听觉层级构建 HEAR 诊断基准与声纹交换的 CASH 硬负样本，并用转录优先的 GRPO 训练 A2R，在配对评估与三项零样本迁移上显著提升声学接地，代价是显式转录带来的延迟与合成分布局限。 标签：#说话人日志 #强化学习 #语音识别 #音频理解 #基准测试 评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5 👥 作者与机构 Dongwook Lee：IPAI, Seoul National University (SNU) Sangkwon Park：Department of ECE, SNU Eunwoo Song：Department of EE, Yonsei University Che Hyun Lee：Department of ECE, SNU Youngho Cho：机构信息未在 arXiv HTML 中可靠披露 Junho Kim：机构信息未在 arXiv HTML 中可靠披露 June Young Yi：机构信息未在 arXiv HTML 中可靠披露 Heeseung Kim：机构信息未在 arXiv HTML 中可靠披露 Sungroh Yoon：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于用反事实语音克隆把语义先验与声学身份彻底解耦，配上配对评估让依赖文本捷径的模型无处遁形，诊断非常犀利。短板是 CASH 完全依赖合成语音构建 hard negative，且仅在 Qwen3-Omni 单一基座上验证 GRPO 收益，对真实声学多样性和架构泛化性的说服力仍显单薄。 ...

📄 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 英文题目：How Well Do Generative Music Models Follow Emotion Conditioning? 一句话：论文把情感可控性从主观听感拉回到效价-唤醒平面上的可计算距离，用同一情感识别器闭环对比文本与音频两种条件，发现显式文本标签比直接输入原声更能让模型跟住目标情绪，但效价易守、唤醒难稳，且结论仍受限于单一识别器与 GTZAN 的旧世界。 标签：#音乐生成 #生成模型 #模型评估 #基准测试 评分：6.0/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5 👥 作者与机构 Morteza Heydari：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 把长期被 FAD/CLAP 掩盖的情感可控性拎到效价-唤醒（Valence-Arousal，VA）空间做可量化对比是真问题，文本显式情感标签优于音频直传的反直觉结论也有启发性。硬伤是全链路用同一 Music2Emotion 既当真值又当裁判的闭环自证，仅在 1000 首 GTZAN 上单次采样且无人类校验，离可信基准还差一次跨识别器与跨数据集的外验证。 📌 核心摘要 生成式音乐模型在音质与时长上快速进步，但是否忠实跟随目标情感仍缺乏直接度量，现有 Fréchet Audio Distance（FAD）、KL 散度、CLAP 文本-音频相关性均不衡量效价-唤醒一致性。论文构建统一离线评估流水线：对 GTZAN 全部 1000 首 30 秒音频，先用音频描述模型 DashengLM 抽取语义描述，再用音乐情感识别模型 Music2Emotion 提取连续效价/唤醒及带置信度的类别情感标签，经 GPT-4 改写融合成情感感知文本提示，分别驱动 Stable Audio Open、MusicGen、InspireMusic 在文本与音频两种条件下各生成 30 秒音频，最后用同一 Music2Emotion 回测生成音频的 VA 并与源曲对比。该工作首次将情感跟随作为独立可控维度进行系统化对比，揭示不同条件与维度间的结构性差异。实验显示文本条件显著优于音频条件，最优的文本 MusicGen 平均 VA 欧氏距离为 1.362，文本 InspireMusic 为 1.367，均显著低于音频 MusicGen 的 1.804 与音频 InspireMusic 的 2.101，且所有配置的效价误差系统性低于唤醒误差。该流水线提供了可复现的量化框架，但结论受限于单一评测模型闭环、单一老旧数据集与无人类听感校验。 ...

📄 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 英文题目：ImageEval 2026: Culturally Grounded Arabic Multimodal Evaluation 一句话：ImageEval 2026 把口语视觉问答、对比式幻觉检测与参考图锚定的文生图文化评分放进同一阿英双语基准，用合成到真人的语音域偏移和五档 caption 梯度撕开现有模型的文化盲区，却也暴露了小样本与结构先验可被利用的代价。 标签：#语音识别 #多模态模型 #基准测试 #多语言 评分：8.1/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.9/1 | 影响力 1/1.5 | 开源 1.5/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 👥 作者与机构 Samir Abdaljalil：Texas A&M University Hunzalah Hassan Bhatti：Qatar Computing Research Institute, Qatar Ahlam Bashiti：Birzeit University, Palestine Farina Amir：Hamad Bin Khalifa University, Qatar Md Arid Hasan：University of Toronto, Canada Basel Mousi：Qatar Computing Research Institute, Qatar Nadir Durrani：Qatar Computing Research Institute, Qatar Fahim Dalvi：Qatar Computing Research Institute, Qatar Zien Sheikh Ali：Qatar Computing Research Institute, Qatar Erchin Serpedin：Texas A&M University Hasan Kurban：Hamad Bin Khalifa University, Qatar Mustafa Jarrar：Hamad Bin Khalifa University, Qatar Shammur Absar Chowdhury：Qatar Computing Research Institute, Qatar Firoj Alam：Qatar Computing Research Institute, Qatar 💬 毒舌点评 亮点在于把阿拉伯语口语视觉问答（Spoken VQA）、幻觉检测与文化敏感的文生图评测打包成统一双语基准，并用真实人声测试集撕开了合成语音训练的遮羞布。短板是 CRAI-Bench 仅用 40 张参考图和单一生成模型，却让标题版本号这种结构先验就能刷到第一，文化评估的视觉 grounding 几乎被架空。 ...

📄 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 英文题目：Language-Statistical Analysis of Neural Audio Codec Tokens Across Architectures, Corpora, and Noise Conditions 一句话：论文用 13 个神经音频编解码器 × 3 语料 × 3 噪声的 117 格全交叉网格，证明语料几乎不影响分布而量化器架构与噪声类型按指标分工主导，并用 JSD 与崩溃/爆炸签名在 DEMAND 真实噪声下建立无需解码的质量探针。 标签：#语音编码 #音频质量评估 #基准测试 评分：6.3/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5 👥 作者与机构 Joonyong Park：机构信息未在 arXiv HTML 中可靠披露 Shinnosuke Takamichi：机构信息未在 arXiv HTML 中可靠披露 David M. Chan：机构信息未在 arXiv HTML 中可靠披露 Shunsuke Kando：机构信息未在 arXiv HTML 中可靠披露 Yuki Saito：机构信息未在 arXiv HTML 中可靠披露 Hiroshi Saruwatari：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把 13 个神经音频编解码器按量化器拓扑分组并做 117 格全交叉的语言统计学对照，配合 500K token 匹配采样与方差分解，把此前单语料单条件下的 Zipf 观察变成了可检验的家族条件化规范。短板是所有噪声对比锁死在 0 dB 单点、JSD 与质量关联仅在 12 个编解码器均值上计算且高度依赖 DEMAND 场景，结论的外推半径比标题暗示的小得多。 ...

📄 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 英文题目：Leveraging Bayesian Optimization for Array Shape Self-Calibration in Underwater DoA Estimation 一句话：针对水下柔性阵未知形变导致波达方向失配的问题，BOGE 用正弦加弧的物理参数化将逐元优化压缩为可行流形上的一维贝叶斯优化与 B 样条残差精修，并以重叠子阵拼接支撑长阵，在仿真与 SWellEx-96 上取得更低几何误差，代价是依赖三个已知参考元与单源窄带假设。 标签：#声源定位 #空间音频 #鲁棒性 #多通道 评分：5.7/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.4/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.9/1.5 👥 作者与机构 Xin Gui：Hubei Longzhong Laboratory, Wuhan University of Technology Xiangyang Demonstration Zone, Xiangyang 441000, China, National Engineering Research Center of Fiber Optic Sensing Technology and Networks, Wuhan University of Technology, Wuhan 430070, China Tianang Li：the School of Information Engineering, Wuhan University of Technology, Wuhan 430070, China Changjia Wang：the School of Information Engineering, Wuhan University of Technology, Wuhan 430070, China Bowen Han：the School of Information Engineering, Wuhan University of Technology, Wuhan 430070, China Yunchuan Zhang：the School of Information Engineering, Wuhan University of Technology, Wuhan 430070, China Zhengying Li：the School of Information Engineering, Wuhan University of Technology, Wuhan 430070, China；National Engineering Research Center of Fiber Optic Sensing Technology and Networks, and State Key Laboratory of Advanced Technology for Materials Synthesis and Processing, Wuhan University of Technology, Wuhan, 430070, China 💬 毒舌点评 亮点在于把 \(2M\) 维逐元坐标优化压缩为 4 参数物理曲线上的 1 维可行流形贝叶斯优化加 B 样条残差约束精修，并用 30% 重叠子阵 Kabsch 拼接支撑 238 元长阵，在 SWellEx-96 上做到 0.659 m 几何误差；短板是全程依赖首、中、尾 3 个已知非共线参考元和单源远场窄带假设，且 4 个基线均为作者复现、实测阶段直接剔除 ASMLM 与 WORKS，湖试又无真值几何，所谓稳定跟踪只能靠谱峰宽度间接佐证。 ...

📄 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 英文题目：Likelihood-Constrained Acoustic Reranking for Training-Free Hallucination Mitigation in LLM-Based ASR 一句话：针对 LLM-based ASR 在代码切换与指令注入下把转录做成翻译或执行的声学失接地问题，LCAR 在每步只保留与贪心 token 差距 0.60 nats 内的候选再用注意力池化的声学兼容度重排，在四套已部署系统上以约 4.0% token 切换率移除 38.8% 至 57.1% 幻觉且 LibriSpeech 与 AISHELL2 上 WER 与 CER 几乎不变。 标签：#语音识别 #语音大模型 #多语言 #鲁棒性 #基准测试 评分：7.8/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 ...

📄 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 英文题目：Linguistic Distance Segregates Latent Representations in Automatic Speech Recognition Systems 一句话：论文用语言学距离把 L1/L2 的二分偏差变成可回归的连续变量，并在 6 个数据集与 4 种架构上证明：距离越大词错率越高，且深层声学表征会按母语把说话人系统性地隔离而非归一化。 标签：#语音识别 #语音大模型 #多语言 #鲁棒性 #可解释性 评分：6.9/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5 👥 作者与机构 Ting-Hui Cheng：Department of Applied Mathematics and Computer Science Line Katrine Harder Clemmensen：Technical University of Denmark Sneha Das：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把语言学距离（Linguistic Distance，LD）这一经典二语习得变量系统引入英语自动语音识别（Automatic Speech Recognition，ASR）偏差分析，并用 Tweedie 混合效应模型与层级表征距离关联了误差与潜空间隔离，问题意识清晰。短板是 LD 度量依赖单一网站复合分数且缺乏语言学效度论证，统计报告多处缺失效应量与校正细节，t-SNE 可视化与相关性分析难以支撑因果性结论，整体更像相关性观测报告而非机制解释。 ...

📄 当文字当指挥：MAESTRO 如何让声画专家按序就位 英文题目：Multimodal Adaptive Expert Selection with Text Routing and Ordinal Prototype Optimization for Sentiment Analysis 一句话：针对静态融合难以处理讽刺等语义冲突与情感强度有序性被忽略的问题，MAESTRO 以文本为指挥动态调度声画专家并用序数原型对比塑造有序隐空间，在 CMU-MOSI 上取得 Acc-7 49.42% 与 MAE 0.689 的领先，同时引入稀疏路由与额外对比开销。 标签：#音视频理解 #对比学习 #多模态模型 评分：6.0/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5 👥 作者与机构 Xiaode Chen：Jianghan University, Wuhan, China Jiakang Yu：Jianghan University, Wuhan, China Hongtao Deng：Jianghan University, Wuhan, China Huina Qu：Jianghan University, Wuhan, China Xun Zhu：Jianghan University, Wuhan, China Yinxia Lou：Jianghan University, Wuhan, China 💬 毒舌点评 用文本当指挥棒来调度音视频专家的比喻很形象，序数原型对比对回归误差的针对性也到位，在 MOSI 上把 7 分类从 47.08 拉到 49.42、MAE 压到 0.689 算是硬提升。但原型靠批次内现算、类别缺失就跳过，小批量下估计方差必然抖；全程只在两个英语视频数据集上刷分，没给方差、显著性检验，也没测文本噪声或缺失时指挥失灵的后果，且零代码零权重，复现只能靠猜。 ...

📄 别再比谁更像人：当生成音乐的评价回到音乐人的工作台 英文题目：MusGU+: Toward a Musician-Centered Evaluation Framework and Discovery Tool for Generative Music AI 一句话：针对生成音乐系统只比输出质量却难进真实创作流程的问题，论文提出以适应性、可用性、可控性为三轴的 15 项分级框架 MusGU+，用 10 个系统的横向评估揭示仅少数系统真正支持小数据与实时工作流集成，并以可筛选的交互工具把选型权交回音乐人。 标签：#音乐生成 #生成模型 #模型评估 #基准测试 #可解释性 评分：7.3/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Laura Ibáñez-Martínez：机构信息未在 arXiv HTML 中可靠披露 Roser Batlle-Roca：机构信息未在 arXiv HTML 中可靠披露 Xavier Serra：机构信息未在 arXiv HTML 中可靠披露 Martín Rocamora：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把音乐人真正关心的适配性与工作流整合问题从空洞的民主化口号中剥离出来，形成了可操作的 15 项分级标准并配了可筛选的交互工具。短板是整个框架几乎完全基于作者内部讨论与非正式访谈推导，10 个模型的打分依赖作者主观交叉审阅而无任何音乐人实测验证，Controllability 等核心维度的效度仍停留在纸面定义。 ...

📄 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 英文题目：Neural Multichannel Distant Speaker Diarization and Source Separation with Beta Speaker Activity Prior 一句话：针对远场会议中重叠与混响导致日志不稳的问题，论文把二值活动掩码改写为带 Beta 先验的连续发言倾向，利用共轭性得到日志分支的闭式 ELBO 并以 PERT 重参数化训练，在 AMI 上将 Full 口径 DER 从 18.73% 降至 15.31%，代价是仅在单数据集验证且未评估分离质量。 标签：#说话人日志 #变分自编码器 #语音分离 #多通道 评分：6.6/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5 👥 作者与机构 Sicheng Mao：机构信息未在 arXiv HTML 中可靠披露 Mathieu Fontaine：机构信息未在 arXiv HTML 中可靠披露 Anthony Larcher：机构信息未在 arXiv HTML 中可靠披露 Roland Badeau：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把原本用二元交叉熵硬监督的说话人活动分数替换为带 Beta 先验的变分下界，利用共轭性得到闭式 KL 与期望，对 Neural FCASA 的贝叶斯化补上了最后一块拼图且仅增加 257 个参数。短板是验证仅局限于 AMI 单一语料、未报告分离质量、未与近年的多通道端到端日志模型做公平对比，所谓 16% 相对提升的泛化性仍存疑。 ...

📄 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 英文题目：No Detectable Change in Side-Level WER from Prompt-Level Context: A Preregistered Ablation on a Production Oral-History Corpus 一句话：在 19 面退化磁带口述史上做配对消融，发现自由文本提示词并未改变侧级 WER（gpt-4o 中位差 +0.6 点，区间[-1.1,+1.0]），而词表短语的序列对齐小幅改善被稀疏性稀释，配置选型与病态筛查才是更有效的操作杠杆。 标签：#语音识别 #大语言模型 #鲁棒性 #基准测试 评分：7.4/10 | 创新 1.3/2 | 技术严谨 1.3/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Theodore O. Cochran：AI for Altruism Stephanie Dodson：Independent Researcher Keith Nore：Independent Researcher 💬 毒舌点评 亮点在于把一个本可被当作“提示词没调好”的阴性结果，做成了带预注册、哈希冻结与端到端审计的可信证据，并用序列对齐的词表级拆解解释了为何侧级词错误率不动而词表短语确实被更多产出。短板是19个磁带面且聚类在8个受访者上的小样本与单次转录设计，让主结论只能停留在单次观测的窄区间描述，叠加Gemini端的高度不稳定性与7天后4面重跑才能揭示的运行间变异，外部推广价值被大幅压缩。 ...