论文速递

📄 LambdaMark: Semantic Audio Watermarking for Robustness and Radioactivity #音频水印 #音频生成 #语音合成 8/10 | 创新 1.6/2 | 严谨 1.1/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1/1.5 🔥 8/10 | 前25% | #音频水印 | #生成对抗网络 | #音频生成 #语音合成 | arxiv 👥 作者与机构 Kexin Li， Xiao Hu， Ilya Grishchenko， David Lie University of Toronto, Canada *Equal contributions， BCorresponding author 💡 毒舌点评 本文首次将“放射性”水印概念系统化地引入音频领域，并通过语义潜在空间嵌入提出了一个新颖的框架LambdaMark，实验结果看起来非常漂亮，声称在所有评估的攻击下都保持了鲁棒性。然而，审稿人必须指出几个严重关切。首先，该方法的“通用性”高度依赖于一个特定的、未开源的语义编码器（Dasheng）和声码器（SemanticVocoder）骨干网络，这使得其声称的通用性打了折扣。其次，论文在理论深度上有所欠缺，主要贡献是架构设计和实证验证，缺乏对为何“语义嵌入”比“波形嵌入”更鲁棒的严格数学分析或理论证明。第三，尽管实验全面，但评估完全依赖于作者自己提出的“HarmonicAttack”，且该攻击的泛化性和威胁强度是否代表最先进水平有待商榷。论文的局限性部分诚实，但更多地描述了方法适用范围，而非对方法内在缺陷的深入剖析。总体而言，这是一篇不错的工程导向论文，但距离顶会论文所要求的理论创新和深度分析仍有差距。 ...

📄 Learning from Audio-Dependency Errors: Data Curation Strategies Based on Model Confusion Patterns in Audio Question Answering #音频问答 #大语言模型 #参数高效微调 6.9/10 | 创新 1/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 ✅ 6.9/10 | 前50% | #音频问答 | #参数高效微调 | #大语言模型 | arxiv 👥 作者与机构 未提及 💡 毒舌点评 这篇论文像是给DCASE竞赛交了一份很认真的“赛后总结报告”。作者很诚实，把所有试过的、没用的方法都列出来了（比如各种RL和CoT），这种开源精神值得点赞。但问题是，核心创新点——用反事实输入给数据“分桶”——更像是一个精心设计的工程trick，而非一个能推广的理论。性能从65.9%提到67.3%，在绝对数字上提升甚微，很难让人兴奋。论文花大量篇幅描述各种“失败实验”，固然体现了严谨，但也暴露了主方法在提升上限上的无力。它更像证明了“做减法比做加法更有用”，而不是提供了一个强大的新武器。对于追求突破性进展的顶会来说，这个贡献的“甜度”不够。 📌 核心摘要 本文针对音频问答任务，提出一种基于诊断数据整理的微调策略。核心思想是，先利用一个强大的基础模型（Qwen3-Omni）在“正常”、“空音频”和“乱序音频”三种条件下对训练样本进行探针测试，根据模型在不同条件下的正确性模式（\(N, E, S\)），将样本分为“强音频依赖”、“文本先验”、“困难样本”等类别。作者发现，仅使用“强音频依赖”样本（即正常条件下正确，但空音频和乱序音频条件下均失败）进行监督微调，能最有效地提升模型对音频证据的依赖性。进一步，通过加入少量（如5%）的“空音频负样本”（目标回答为“无法确定”）来抑制模型的无根据猜测。最终，该策略在ADQA-Bench开发集上取得了优于基线的准确率。 🔗 开源详情 代码：训练和评估代码计划发布于：https://github.com/frednam93/adqa_nam 模型权重：论文中未提及具体模型权重链接（论文使用了 Qwen3-Omni-30B-A3B-Instruct 和 Gemma-4-E4B-it，但未提供其下载链接）。 数据集：论文中提及 ADQA-Bench 数据集（DCASE 2026 Task 5），但未提供具体获取链接。 Demo：论文中未提及。 复现材料：论文中提供了详细的微调训练配置（基于 LLaMA-Factory，使用 4-bit bitsandbytes 量化和 LoRA），包括具体的超参数设置、训练数据构建变体（如 “Strong”、“Strong+empty 5%” 等）及其比例，以及提交的四个候选系统的详细描述。 论文中引用的开源项目： LLaMA-Factory：用于微调（论文引用[15]）。 bitsandbytes：用于 4-bit 量化（论文引用[15]）。 LoRA：用于参数高效微调（论文引用[8]）。 Gemma-4-E4B-it：作为三模型集成的响应正常化器使用。 SimPO：作为偏好优化目标之一进行评估（论文引用[9]）。 DPO：作为偏好优化目标之一进行评估（论文引用[12]）。 GRPO：作为强化学习目标之一进行评估（论文引用[13]）。 DAPO (lite)：作为强化学习目标之一进行评估（论文引用[14]）。 FunAudioChat：作为基线模型之一进行评估（论文引用[2, 1]）。 AudioFlamingo3：作为基线模型之一进行评估（论文引用[5]）。 🏗️ 方法概述和架构 本文方法的核心是一个基于模型行为的数据整理与微调流程，主要分为诊断分析、数据选择、微调和推理后处理四个阶段。 ...

📄 Learning to Evade: Adaptive Attacks on Audio Watermarking #音频水印 #假设检验 7.6/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 0.7/1.5 ✅ 7.6/10 | 前50% | #音频水印 | #假设检验 | arxiv 👥 作者与机构 Weikang Ding (密苏里大学堪萨斯城分校)， Hanqing Guo (夏威夷大学马诺阿分校)， Rui Duan (密苏里大学堪萨斯城分校)， Guangjing Wang (南佛罗里达大学)， Yuanda Wang (密歇根州立大学)， Mingzhe Chen (迈阿密大学)， Qiben Yan (密歇根州立大学)。研究在密歇根州立大学完成。 💡 毒舌点评 本文直面音频水印防御中的一个关键盲点：检测模型依赖的统计假设。作者敏锐地发现解码概率的正态分布特性，并巧妙地设计了一个“伪装”攻击，让扰动后的概率分布“看起来正常”，从而骗过检测器。这个思路清晰、动机明确，实验也扎实地证明了其方法在特定场景下的有效性。然而，论文的“自适应”依赖于一个较强的攻击者模型——需要能够访问编码器生成估计样本，这在现实世界中可能受限。此外，所谓的“检测方法”本身更像是一个基于假设检验的防御框架，而非一个经过严格验证的强健检测器，其对抗更复杂攻击的鲁棒性存疑。文章写作清晰，但贡献更多是应用层面的巧妙组合，理论深度稍显不足。 ...

📄 Libretto: Giving LLM Agents a Sense of Musical Structure #音乐生成 9.2/10 | 创新 1.8/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1/1.5 🔥 9.2/10 | 前50% | #音乐生成 | #音乐生成 | arxiv 👥 作者与机构 作者：Yichen Xu 机构：University of California, Berkeley 💡 毒舌点评 这篇论文聪明地避开了训练一个新音乐模型的深坑，转而给现有的LLM套上了一个精心设计的“音乐脚手架”。思路值得肯定，但“评估体系”和“人类验证”这两个点被作者自己也承认是弱点，审稿时会在这里被反复追问。更麻烦的是，整个大厦建立在Claude这个商业API上，这就像把论文的根基打在了别人家的地皮上，可复现性和通用性都要打个大大的问号。不过，槽式语法和统计指纹的概念确实清晰实用，算是给符号音乐生成提供了一个不错的工程化参考范式。对于NeurIPS级别的会议来说，技术新颖性和理论深度稍显不足，更像是一个扎实的系统工作。 📌 核心摘要 本文提出了Libretto，一个面向LLM代理的符号音乐生成与修订框架。该框架的核心是解决两个问题：1) 如何为LLM提供一种可直接读写和编辑音乐结构的文本接口；2) 如何提供一种可解释的、基于音乐结构的评估标准，以指导代理进行迭代优化。为此，Libretto设计了三项关键组件：首先，一种基于网格槽（onset slots）的符号音乐语法，将绝对时序编码为离散槽位，使音符起止时间显式化，支持局部编辑；其次，一个从314首MIDI文件中统计提取的29维结构指纹空间，涵盖节奏、和声、旋律、织体、曲式和变奏，用于量化生成结果与真实音乐分布的偏离程度；最后，一个“生成-测量-修订”的代理循环，代理在生成后接收基于指纹偏差的音乐性反馈（如“降低和声不稳定性”），并可结合检索到的知识库概念与示例进行迭代优化。在补缺、全曲生成、渐进变形、教育生成四个任务上，该框架通过结构门控和抄袭风险检测，验证了检索机制和修订循环能有效提升生成结果的通过率和质量。 🔗 开源详情 代码：https://github.com/Xyc-arch/Libretto 模型权重：论文中未提及 数据集：论文中提及使用314个MIDI文件作为原始音乐语料库，策划自Lakh MIDI Dataset (LMD)。LMD的开源信息为：Raffel, C. (2016). lakh-midi-dataset. GitHub. https://github.com/craffel/lmd。论文未提供此策划子集的独立下载链接。 Demo：项目主页为 https://libretto.site/ ，包含生成结果示例。 复现材料：论文在附录A中提供了多个语法示例，在附录B中详细定义了所有29个结构轴、百分位指纹、复制风险得分和校准门限的具体计算公式。论文中未提及提供额外的训练配置文件或检查点。 论文中引用的开源项目： Lakh MIDI Dataset (LMD): https://github.com/craffel/lmd 🏗️ 方法概述和架构 Libretto 是一个完整的代理作曲系统，其架构围绕“表示-评估-循环”展开，旨在将符号音乐转化为LLM可操作的可测量对象。系统主要由以下五个相互关联的部分构成，数据流和交互关系如下： ...

📄 LISE : Listenable Interpretable Speaker Embeddings #说话人验证 #说话人识别 #语音合成 6.8/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.1/1.5 | 复现 0.4/0.5 | 工程 0.3/1.5 ✅ 6.8/10 | 前50% | #说话人验证 | #说话人识别 | #语音合成 | arxiv 👥 作者与机构 Xiaoliang Wu：University of Southampton, United Kingdom; The Hong Kong Polytechnic University, Hong Kong SAR, China Chongxin Gan：The Hong Kong Polytechnic University, Hong Kong SAR, China Ke Liu：University of Edinburgh, United Kingdom Peter Bell：University of Edinburgh, United Kingdom Jennifer Williams：University of Southampton, United Kingdom 💡 毒舌点评 这篇论文试图解决一个真实且重要的问题：让黑盒的说话人嵌入变得“可听”（Listenable），即人类可以通过听觉验证其组件的含义。这个想法很有价值，尤其是设计了严谨的感知实验来验证，这比多数只做自动指标的可解释性工作要扎实。然而，方法的创新性稍显不足，核心是现有非负矩阵分解（NMF）技术在特定约束下的应用。作者很诚实地讨论了局限，但部分讨论（如语言混淆）可能比实际影响更值得强调。总的来说，这是一篇工整、动机明确、实验设计用心的入门级可解释性论文，离顶级会议（如NeurIPS）对方法创新或理论深度的要求还有距离，但是一篇质量不错的领域会议（如Interspeech）论文。 ...

📄 LK Jam: System Architecture and Implementation of a Real-Time Human-AI Interactive Music Generation System using Role-Aware GRU #音乐生成 7.0/10 ✅ 7.0/10 | 前50% | #音乐生成 | #音乐生成 | arxiv 👥 作者与机构 论文标题: LK Jam: System Architecture and Implementation of a Real-Time Human-AI Interactive Music Generation System using Role-Aware GRU 作者: Yakun Liu, Z. Jin, Dong Liu, and Hai Luan 作者单位: Yakun Liu, Dong Liu, and Hai Luan 来自沈阳音乐学院。Z. Jin 为独立合作者。通讯作者: Dong Liu。 ...

📄 MindAlign: Decoding Inner Speech from fMRI Signals via Multimodal Embedding Alignment under Limited Data #语音识别 #低资源 #数据增强 #多模态模型 #自监督学习 #参数高效微调 5.8/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.4/1.5 | 开源 0.1/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 📝 5.8/10 | 前50% | #语音识别 | #数据增强 | #低资源 #多模态模型 | arxiv 👥 作者与机构 作者：Muxuan Liu, Ichiro Kobayashi, Satoshi Nishida。第一作者Muxuan Liu和第二作者Ichiro Kobayashi隶属于日本御茶水女子大学（Ochanomizu University）人文与科学研究生院；第三作者Satoshi Nishida隶属于日本国立信息通信技术研究所（NICT）先进ICT研究所信息与神经网络中心（CiNet）。 ...

📄 MSU-Bench: Towards Speaker-Centric Understanding in Conversational Multi-Speaker Scenarios 9/10 | 创新 1.2/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 9/10 | 前10% | arxiv 👥 作者与机构 论文作者包括Zhaokai Sun， Shuai Wang， Zhennan Lin， Chengyou Wang， Dehui Gao， Yuang Cao， Chunjiang He， Lei Pan， Zhaokai Zhou， Shuai Xie。主要机构为西北工业大学软件学院音频、语音与语言处理组（ASLP@NPU）、南京大学智能科学与技术学院、深圳湾区研究院以及理想汽车基础模型部门。 💡 毒舌点评 这篇论文做了一件必要的脏活累活：为“多说话人对话理解”这个模糊的概念，建立了一个看起来还不错的评估标尺。它清晰地划分了任务层级，用2300个诊断性QA实例进行了实测，算是给社区提供了一个统一的“考试卷”。不过，作为“审稿人”必须指出，这本质上是一项评估工作，而非方法创新。所谓的“方法”主要是QA构建流程，核心是依赖Gemini生成和人工校验。实验部分详实，但结论略显平淡——无非是“闭源模型强于开源”，“时间定位和细粒度归因是难题”。最大的遗憾是数据集未完全公开，这极大削弱了其作为“Benchmark”的即时可用性和影响力。对于一篇旨在提出新基准的论文来说，这有点像发布了一个考试制度，但试卷却不让人复印。 📌 核心摘要 本文针对现有大音频语言模型（LALMs）评估体系在多说话人对话场景下的缺失，提出了MSU-Bench，一个用于诊断“以说话人为中心的理解”能力的基准。MSU-Bench采用两层框架：Tier 1聚焦于说话人识别与属性感知（如说话人检索、属性识别），Tier 2专注于多说话人对话推理（如对话结构分析、情境推理）。该基准包含16个任务，共构建了2300个经过人工验证的多选题问答实例。通过对9个模型（6个开源，3个闭源Gemini）的评估，论文揭示：1）当前模型在复杂说话人定位（尤其是基于时间戳的定位）和多说话人推理方面存在明显短板；2）随着模型能力提升，其错误模式从“未知”（不敢答）转变为“错认说话人”（答错）；3）提供更丰富的上下文线索（如时间+文本的复合引用）能有效提升性能。 🔗 开源详情 代码：https://github.com/ASLP-lab/MSU-Bench （论文中提及将提供评估脚本）。 模型权重：未提及。论文评估了多个开源模型（Qwen2.5-Omni、Qwen3-Omni、AudioFlamingo-3、Kimi-Audio、StepAudio2、MiMoAudio）和闭源模型（Gemini系列），但未提供其权重下载链接。 数据集：论文使用的数据源（如MagicHub中文/英文电话语料、AliMeeting、CHiME-6等）为公开语料，但MSU-Bench本身（含2300个QA实例）的完整数据集未提供公开下载链接，仅说明将在GitHub仓库发布。 Demo：未提及。 复现材料：未提及训练配置或检查点。仅提到评估脚本将开源。 论文中引用的开源项目：Volcano API（用于生成说话人分段和转录标注，论文中未提供该API的链接）。 标签 #多说话人语音识别 语音理解 语音合成 音频问答 语音分类 主任务标签：#语音识别 #语音合成 主方法标签：#评估与统计 补充标签：#多说话人 #对话系统 #多任务学习 #人机交互 #低资源 ...

📄 Noise-Driven Instrument Based on Coherent Quantum and Stochastic Oscillator Models 3.8/10 | 清晰 论文结构清晰，写作流畅。但部分概念性论述（如量子类比的精确作用）稍显宽泛。/1 | 复现 未提供。论文描述了仪器设计的关键参数（如线圈尺寸、导线规格、电阻值），但未提供完整的复现所需材料清单、详细电路图、白噪声信号的具体参数（如带宽、幅度分布）以及频谱分析的具体设置（如FFT长度、窗函数等）。/0.5 📝 3.8/10 | 后50% | arxiv 🔗 开源详情 代码：论文中未提及代码链接 模型权重：论文中未提及 数据集：论文中未提及 Demo：论文中未提及 复现材料：论文中未提及 论文中引用的开源项目：未提及 📷 论文图片 ← 返回 2026-06-23 语音/音乐/音频论文速递

📄 On the Effect of Segmentation Width and Cluster Size on Speech Resynthesis and Continuation in Generative Spoken Language Models #语音合成 #语音生成 #自监督学习 #低资源 #数据增强 7.4/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 ✅ 7.4/10 | 前25% | #语音合成 | #自监督学习 | #语音生成 #低资源 | arxiv 👥 作者与机构 Shunsuke Kando (东京大学) Wataru Nakata (庆应义塾大学) Shinnosuke Takamichi (东京大学) Yusuke Miyao (庆应义塾大学) ...