论文速递

📄 Online Predictive Coding for Dual-Mode Self-Supervised Speech Model #语音识别 #自监督学习 #预训练 7.2/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 0.5/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 ✅ 7.2/10 | 前50% | #语音识别 | #自监督学习 | #预训练 | arxiv 👥 作者与机构 Keita Goto\(^{1}\), Takashi Maekaku\(^{1}\), Jin Sakuma\(^{1}\), Jinchuan Tian\(^{2}\), Yusuke Shinohara\(^{1}\), Shinji Watanabe\(^{1}\) \(^{1}\) LY Corporation, Tokyo, Japan \(^{2}\) Carnegie Mellon University, PA, USA ...

📄 OpenWER: Improving Cross-Lingual ASR Evaluation and Enabling Token-Based Accuracy Metrics #语音识别 #低资源 #开源工具 8/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 🔥 8/10 | 前50% | #语音识别 | #低资源 | #开源工具 | arxiv 👥 作者与机构 论文作者是Korbinian Kuhn和Gottfried Zimmermann。机构为斯图加特传媒大学（Stuttgart Media University）和蒂宾根大学（University of Tübingen）。 💡 毒舌点评 这篇论文本质上是一个做得不错的开源工具包发布，包装了一套工程化的评估流水线。它的价值在于“整合”与“实用”，而非“发现”或“突破”。将几个已有的后处理技巧（归一化、复合词处理）打包进一个统一的框架，并号称能降低WER，这更像是对现有最佳实践的梳理和标准化，而非开辟新路。最大的亮点——细粒度评估（标点、大小写）——虽然有用，但概念上并不新颖。性能上的巨大鸿沟（慢100多倍）是其学术转化应用的阿喀琉斯之踵。论文在论证“为什么数值更低的WER就更好”这一核心问题上显得乏力，缺乏与人类判断的直接挂钩，这使得其“改进”的说服力打折扣。总体而言，这是一篇合格的、对社区有工具性贡献的工作，但距离顶级会议所期待的深刻洞见或显著性能提升尚有距离。 📌 核心摘要 本文提出了OpenWER，一个用于改进跨语言自动语音识别评估的开源工具。其核心贡献在于：1) 通过模块化设计支持灵活的文本预处理（分词、语言特定归一化）；2) 扩展了Levenshtein距离算法，以处理标点符号和复合词，从而减少非语义差异导致的WER波动；3) 基于token的对齐机制能够保留原始文本及嵌入的元数据（如词性、置信度），从而支持计算标点准确率、大小写准确率等互补指标。在Common Voice 17数据集上对52种语言的评估显示，OpenWER相比JiWER和Whisper默认归一化，平均WER分别降低了7.7%（14.5%相对）和3.8%（9.2%相对），绝对WER降低最高可达25%。论文强调此工具旨在提高跨语言评估的公平性和全面性。 ...

📄 PHAST-Net: Attention-Guided, Physics-Informed Network for Unified Estimation of Ideal Time-Frequency Representations #音乐信息检索 9/10 | 创新 1.8/2 | 严谨 1.4/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.4/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 9/10 | 前10% | #音乐信息检索 | #音乐信息检索 | arxiv 👥 作者与机构 作者：James M. Cozens, Simon J. Godsill 机构：剑桥大学工程系，概率系统、信息与推断小组（\(\psi^2\)） 注：James M. Cozens为博士生（IEEE会员），Simon J. Godsill为教授（IEEE Fellow）。该工作已提交至IEEE期刊进行可能的发表，作者James M. Cozens受英国工程和自然科学研究委员会（EPSRC）博士培训伙伴计划资助。 💡 毒舌点评 这篇论文是“理论家的深度学习”范式的典范。作者没有满足于简单地将CNN扔到时频图上，而是从经典的Cohen类分布理论出发，精心设计了CLAWT输入表示和物理约束的再投影损失。这种对领域知识的尊重在如今“炼丹”成风的氛围里显得尤为可贵。然而，其优雅的理论框架也带来了代价：复杂的数学描述和定制化的CLAWT构造，使得方法的理解和复现门槛极高。更令人困惑的是，作为一个声称“通用”的框架，所有实验都在精心构造的合成数据上进行，对真实世界复杂信号的验证仅限于几个视觉示例。这就像一位武林高手，招式精妙绝伦，内功深厚无比，但从未在真正的擂台上与各路高手（如真实的语音、音乐数据库）较量过。我们被其数学之美所折服，但对其实际效用的疑虑也油然而生。此外，论文声称提供了一个“有效无限”的合成数据集，却闭口不谈生成数据的任何具体参数和分布假设，这种“黑箱”数据生成方式在可复现性上留下了巨大黑洞。 📌 核心摘要 本文提出了PHAST-Net，一个用于统一估计理想时频表示（ITFR）的注意力引导、物理信息神经网络框架。针对时频分析中交叉项抑制与分辨率提升的核心矛盾，PHAST-Net通过三个关键创新实现突破：1）提出了连续对数频率自适应小波变换（CLAWT），其参数直接控制Cohen类核在时频平面上的朝向和尺度，为网络提供了一组物理意义明确、覆盖全面的输入特征；2）设计了一种物理信息辅助的再投影损失函数，将网络预测的ITFR通过对应的Cohen类核重新投影，强制预测结果与输入变换族保持一致，并促进能量守恒；3）在对数频率坐标下构建统一框架，使得谐波结构在坐标轴上具有平移等变性，从而衍生出Harmonic PHAST-Net，能够同时抑制谐波并提取基频轨迹，进而支持高质量的基础节拍图和节拍图估计。此外，引入的Spline-PHAST-Net变体能够检测并参数化时频脊线，实现组件级别的提取和任意网格的重新渲染。在精心设计的合成基准测试中，PHAST-Net在Bhattacharyya系数、Jensen-Shannon散度和脊线能量比等指标上全面超越了SST、SET、RIFT等先进方法，尤其在低信噪比条件下优势显著。 ...

📄 Physics-Informed Neural Operator for Speech Production Analysis #语音合成 #自监督学习 6.7/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 0.7/1.5 ✅ 6.7/10 | 前50% | #语音合成 | #自监督学习 | arxiv 👥 作者与机构 Yokota, Kazuya (1) Luan, Xinmeng (2) Mohapatra, Debasish Ray (3) Scavone, Gary (2) Fels, Sidney (3) 1 Department of Mechanical Engineering, Nagaoka University of Technology, Japan 2 Schulich School of Music, McGill University, Canada 3 Department of Electrical and Computer Engineering, University of British Columbia, Canada ...

📄 PIVOTSBench: Evaluating Fine-Grained Interpersonal Relationship Reasoning in Multimodal Large Language Models #基准测试 6.8/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 ✅ 6.8/10 | 前50% | #基准测试 | #基准测试 | arxiv 👥 作者与机构 作者：Shuxiang Zhang (中山大学), Yiting Yin (密歇根大学), Wenxuan Song (清华大学), Yuhang Wu† (清华大学), Miao Liu† (清华大学)。通讯作者为Yuhang Wu和Miao Liu。 💡 毒舌点评 这篇论文的定位很明确——在通用的多模态大模型评估领域“圈地”，提出了一个看似“填补空白”的社交推理基准。其核心动机（现有评估不够细粒度）是合理的，但实际执行和深度存在明显短板。最大的问题是“雷声大雨点小”：声称是“首个”基准，但数据集规模（191个视频）在当今大模型时代显得过于迷你，难以支撑具有统计显著性的结论。消融实验设计得颇为花哨，涵盖了模态、预测设置和提示策略，但分析深度不足，很多结论停留在现象描述（如“在YouTube上变差”），缺乏对模型内部机制（如为何联合预测对深度场景无效）的挖掘。实验对比部分，与开源模型的差距被过分强调，而与当前最强闭源模型（如GPT-4o）的细致对比和差距分析缺失。论文最大的亮点在于其心理学框架的引入，但这更像一个“理论包装”，实际评估任务的设计（如关键帧识别）是否能真正衡量“推理”能力值得怀疑。总体而言，这是一篇在选题上讨巧，但在贡献的坚实性、实验的深度和结论的普适性上都亟待提升的工作。 📌 核心摘要 本文针对多模态大语言模型（MLLMs）在细粒度人际关系推理能力评估的空白，提出了PIVOTSBench基准。该基准基于心理学理论定义了六维双向人际关系评分框架，并设计了三项层次化任务（评分、关键帧识别、因果分析）来系统性评估模型能力。数据集融合了Social-IQ 2.0的显式社交场景和YouTube的隐式深度互动场景。实验表明，以GPT-5为代表的专有模型在所有任务上显著优于Qwen3系列开源模型。消融研究揭示，视觉模态和显式社会角色信息在不同场景下的贡献存在差异，而联合/成对预测策略及启发式提示的效果高度依赖于场景的显性程度。论文指出，当前MLLMs在理解隐式社交线索方面仍存在明显局限，且单一的建模策略无法应对复杂多变的真实社交动态。 ...

📄 ProsoCodec: Prosody-Oriented Speech Codec for Voice Conversion #语音转换 #流匹配 #扩散模型 6.6/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 0.3/1.5 | 复现 0.4/0.5 | 工程 0.5/1.5 ✅ 6.6/10 | 前50% | #语音转换 | #流匹配 | #扩散模型 | arxiv 👥 作者与机构 作者: Jeongsoo Choi, Ji-Hoon Kim, Shujie Hu, Joon Son Chung 机构: KAIST (韩国科学技术院), Chung-Ang University (中央大学), The Chinese University of Hong Kong (香港中文大学) ...

📄 Scaling Audio Models Efficiently: A Joint Study of Compute Constraints and Optimization Behavior #参数高效微调 #语音识别 #语音情感识别 #模型压缩 #大语言模型 7.2/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.8/1.5 | 复现 0.4/0.5 | 工程 0.4/1.5 ✅ 7.2/10 | 前50% | #语音识别 | #参数高效微调 | #语音情感识别 #模型压缩 | arxiv 👥 作者与机构 论文作者为 Vyom Agarwal, Mokshda Gangrade, Siddharth Pal, Jerry Wu。文中未明确提及作者所属机构。 💡 毒舌点评 这篇论文像是在用显微镜仔细观察一个众所周知的工程事实：模型越大、输入越多、算的越细，效果一般会越好，但算力不是无限的。其核心贡献“三轴框架”(\(x_N, x_T, x_V\))更像是一种标准化的观察视角，而非突破性的算法或理论。方法上，本质上是“控制变量法”（Star-Sweep）在模型缩放场景下的应用，组合了现成的LoRA和DAMA技术。实验很扎实，表格列得很满，Pareto前沿图也画了，结论基本符合直觉（例如收益递减、存在最优输入长度）。但“创新性”令人尴尬，更像是在ICASSP发的工作硬往顶会挤。审稿人看到“extends this idea to the audio domain”这种话大概会翻白眼。最大的亮点可能是清晰地揭示了ASR和SER任务在缩放特性上的本质差异（平滑前沿 vs. 稀疏前沿），但这更像是一个细致的实证发现，而非方法上的突破。 ...

📄 SDP-Codec: A Speaker-Decoupled Speech Codec with Pitch Injection for Low-Bitrate Coding and Zero-Shot Voice Conversion #语音编码 #自监督学习 7.2/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.8/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 7.2/10 | 前50% | #语音编码 | #自监督学习 | arxiv 👥 作者与机构 作者：Hounsu Kim, Juhan Nam 机构：Graduate School of Culture Technology, KAIST, Daejeon, South Korea 💡 毒舌点评 亮点：终于有人想着别让编解码器把说话人信息都塞进内容token里了。单阶段训练的设计很务实，避免了那些花里胡哨的多阶段对抗训练。把FCPE的soft-label loss拿来做pitch reconstruction，思路清晰。在说话人相似度（SECS）和F0相关性上的提升是实打实的，特别是16kHz的大模型版本，在VC任务上吊打了BiCodec和MSRCodec，这个结果很有说服力。消融实验也做得扎实，把连续特征、pitch loss和F0注入的作用讲得比较明白。 ...

📄 Sea-Scan: High-Accuracy, ML-based Dark Vessel Detection and Localisation via Weakly Supervised DAS Monitoring 6.3/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.4/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 1.1/1.5 ✅ 6.3/10 | 前50% | arxiv 👥 作者与机构 作者：Tian Tian, Agastya Raj, Lara Flanagan, John Kennedy, Marco Ruffini 机构：(1) Trinity College Dublin, Ireland - School of Computer Science and Statistics, IRIS Research Group, ADAPT Research Centre; (2) Trinity College Dublin, Ireland - School of Engineering, ADAPT Research Centre 💡 毒舌点评 这篇论文瞄准了一个非常实际且重要的问题——用海底光缆的DAS信号检测关闭了AIS的“黑暗船只”，这确实有重大的安全和基础设施保护意义。工程上看起来也做得不错，用了14TB真实数据，跑通了整个流程，还发现了42个疑似黑暗船只事件，这很有说服力。然而，从顶会审稿的角度看，几个硬伤很明显：第一，创新性不足。核心的编码器骨架直接拿来主义（用了引用[11]），主要创新点集中在训练目标和检测头设计上，这更像是一个精心调校的工程系统，而非方法论上的突破。第二，实验对比严重缺失。全文没有与任何一种现有的、哪怕是经典的或简单的机器学习方法（比如基于CNN的分类器、传统的能量检测器、或其他弱监督模型）进行定量对比。仅与自身先驱工作或传统AIS方法进行概念对比，在机器学习会议上是完全不够的。这让人无法判断所提框架相对于其他技术路线的优劣。第三，分析深度不够。作者提到远距离漏检与噪声增加有关，但没分析噪声具体特征；AIS标签有噪声是事实，但文中没有对噪声建模或分析其对训练的影响；消融研究只有部分结果（如趋势滤波器），没有完整展示各组件贡献。第四，领域匹配度。虽然用了DAS（一种信号），但其核心贡献在于一套特定应用场景的机器学习流水线设计，对语音/音乐/音频领域的研究者来说，借鉴意义有限。总的来说，这是一篇扎实的应用型工作，离顶级ML会议的理论深度或方法创新要求还有距离。 ...

📄 Speaker Identity in Non-Verbal Vocalizations: Conditional Distillation and Mixture of Experts Approach #说话人验证 #知识蒸馏 #自监督学习 9.1/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1/1.5 🔥 9.1/10 | 前25% | #说话人验证 | #知识蒸馏 | #自监督学习 | arxiv 👥 作者与机构 Tzu-Chieh Wei (jeff20020302@gmail.com), Yi-Cheng Lin (even.dlion8@gmail.com), Huang-Cheng Chou, Kuan-Yu Chen, Hsin-Yen Sung (tlkagkb93901106@gmail.com), Shrikanth Narayanan, Hung-yi Lee. 机构： ...