论文解读

别等整句说完:把数字人的手势变成一条受因果约束的数据流

音视频交互 | 6.9/10

 · 更新于 2026-10-19 · 约 9 分钟 · 4260 字 阅读 →
论文解读

把“该不该开口”拆成可追责时间表:TurnBench 逼出的轮次交接难题

语音交互 | 8.5/10

 · 更新于 2026-10-19 · 约 10 分钟 · 4976 字 阅读 →
论文解读

语音助手的记忆为什么要分脑:VoiceMem 用 134 ms 换来 top-5 的长期理解

语音交互 | 6.6/10

 · 更新于 2026-10-19 · 约 13 分钟 · 6205 字 阅读 →
论文解读

别再把同步分数当裁判:先问它量的是偏移、内容,还是感知代理

音视频理解 | 8.8/10

 · 更新于 2026-10-19 · 约 12 分钟 · 5899 字 阅读 →
论文解读

一条咳嗽模型的跨国体检:高分为何更像设备在说话

音频分类 | 8.8/10

 · 更新于 2026-10-19 · 约 11 分钟 · 5492 字 阅读 →
论文解读

让同一组录音按用户视角重新分组:AudioLens 如何把语音聚类变成集合推理

把“按什么视角聚类”交给自然语言指令,并让音频语言模型直接输出完整分区。

 · 更新于 2026-10-19 · 约 10 分钟 · 4545 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-08-27

共分析 21 篇语音/AI 论文

 · 更新于 2026-10-19 · 约 54 分钟 · 26637 字 阅读 →
论文解读

Anatomy of a Scam Call: What 10,000 real scam and spam calls reveal about how phone scammers operate

语音交互 | 7.3/10

 · 更新于 2026-10-19 · 约 13 分钟 · 6264 字 阅读 →
论文解读

Arbitrary Polygon Oscillator: Generalizing Polygonal Synthesis to Arbitrary Shapes, Morphing, and Three-Dimensional Polyhedra

音乐生成 | 8.7/10

 · 更新于 2026-10-19 · 约 3 分钟 · 1221 字 阅读 →
论文解读

Array-Agnostic Ambisonics Encoding via Diffusion Posterior Sampling

空间音频 | 7.5/10

 · 更新于 2026-10-19 · 约 13 分钟 · 6054 字 阅读 →
论文解读

Benchmarking LLM Judges for Voice-Agent Evaluation: Reliability, Calibration, and Human Oversight

语音交互 | 6.6/10

 · 更新于 2026-10-19 · 约 13 分钟 · 6124 字 阅读 →
论文解读

CoSTALA: Compositional Spatio-Temporal Audio-Language Alignment via Multi-Grain Hierarchical Contrastive Learning

空间音频 | 7.9/10

 · 更新于 2026-10-19 · 约 11 分钟 · 5435 字 阅读 →
论文解读

Don't Just Listen, Try Planning: Graph-based Retrieval-Generation Agent for Long-form Audio Meeting Understanding

音频理解 | 7.8/10

 · 更新于 2026-10-19 · 约 13 分钟 · 6380 字 阅读 →
论文解读

EM-KalmanNet: Learned Expectation-Maximization for Adaptive Tracking in Partially Known, Block-Wise Time-Varying State-Space Models

声源定位 | 8.8/10

 · 更新于 2026-10-19 · 约 12 分钟 · 5988 字 阅读 →
论文解读

EmoTra-TTS: Smooth Intra-Utterance Emotion Transitions for Speech Synthesis

语音合成 | 9.6/10

 · 更新于 2026-10-19 · 约 11 分钟 · 5401 字 阅读 →
论文解读

EXAM²: Extending Audio Understanding in Multilingual and Multimodal Analysis

音频理解 | 8.7/10

 · 更新于 2026-10-19 · 约 11 分钟 · 5452 字 阅读 →
论文解读

FireRedAudio: A General-Purpose Audio Language Model with Decoupled Continuous Representations for Understanding and Generation

音频理解 | 8.7/10

 · 更新于 2026-10-19 · 约 13 分钟 · 6164 字 阅读 →
论文解读

From local kernels to global form: modeling the emergence of musical content

音乐理解 | 8.2/10

 · 更新于 2026-10-19 · 约 11 分钟 · 5260 字 阅读 →
论文解读

Investigating voiced and unvoiced regions of speech for audio deepfake detection

语音伪造检测 | 6.4/10

 · 更新于 2026-10-19 · 约 14 分钟 · 6842 字 阅读 →
论文解读

LAION-BVD: A 10-Million-Hour Open Video Dataset for Multimodal Pre-training

音视频理解 | 9.4/10

 · 更新于 2026-10-19 · 约 14 分钟 · 6559 字 阅读 →