论文解读
口音的长尾，为什么让无监督语音表示最先露怯？
语音编码 | 5.5/10
论文速递
论文解读
别只听响度：为什么 AI 炸点声会在“尾巴”里露馅
音频伪造检测 | 5.8/10
论文解读
同样的两段声音，为何转写稳得住、问答就垮掉？
音频理解 | 6.1/10
论文解读
别只看那一刻有多自信，要看一路有多摇晃：TRACE 用轨迹来判断情感是否可信
音视频理解 | 7.7/10
论文解读
咳嗽不是噪声：让对话智能体在轮次间听见呼吸
音频事件检测 | 6.4/10
论文解读
既要指向性，又要去混响：一次前向如何重建干净的虚拟方向麦克风
空间音频 | 5.3/10
论文解读
当 AI 自己给艺术分类：28 个簇与 6 个人类标签的错位
音视频理解 | 4.0/10
论文解读
会数停顿的尺子，为什么比会说话的模型更懂流利度？
语音质量评估 | 6.7/10
论文解读
同音不同形，真的同音吗？当语义在频谱里留下指纹
语音识别 | 6.8/10
论文解读
不训练模型，只靠对齐：用图像把英文单词钉到印地语语音里
音频检索 | 7.3/10
论文解读
Omni 不等于会选：当模型被要求用对的模态回答
音视频理解 | 7.8/10
论文解读
有害不在一处：当声音与画面由多模态共同拼出
音视频生成 | 7.3/10
论文解读
不只用文字指挥检索：当嵌入器学会看区域、听时段
音频检索 | 7.5/10
论文解读
当八成轮替都重叠时，静音阈值为什么会失灵？
多模态模型 | 5.1/10
论文解读
当乐评人说两位歌手很像，声音本身答应吗？
音乐推荐 | 5.8/10
论文解读
说出来就变了味：当语音不再是文本的透明通道
音视频问答 | 8.1/10
论文解读
合成语音越多越好吗？在音素层面重新称量文本的价值
语音识别 | 6.2/10
论文解读
把嘴边的电极收回指尖：按需贴合如何让无声语音既可用又不打扰隐私
语音识别 | 5.9/10
论文解读
听错一个字就全盘皆输：SpeechGym 把语音智能体的失败变成可训练的梯度
语音交互 | 7.6/10
论文解读
边播边改：当音视频生成从片段走向持续世界
音频生成 | 8.2/10