论文速递

📄 Verifiable Multimodal Reasoning: Fact-level Attribution with Multimodal Sources ✅ 7.5/10 | 前25% | arxiv ← 返回 2026-05-23 语音/音乐/音频论文速递

📄 VIBE: Disentangling Social Dynamics via Kinematics-Informed Variational Inference for Behavioral Emotion ✅ 7.0/10 | 前50% | arxiv ← 返回 2026-05-23 语音/音乐/音频论文速递

📄 video-SALMONN S: Memory-Enhanced Streaming Audio-Visual LLM ✅ 6.0/10 | 前50% | arxiv ← 返回 2026-05-23 语音/音乐/音频论文速递

📄 VocSim A Training-free Benchmark for Zero-shot Content Identity in Single-source Audio 🔥 8.3/10 | 前25% | arxiv ← 返回 2026-05-23 语音/音乐/音频论文速递

📄 WaveSSM: Multiscale State-Space Models for Non-stationary Signal Attention 📝 3.5/10 | 后50% | arxiv ← 返回 2026-05-23 语音/音乐/音频论文速递

📄 Zero-Shot Rankability: Revealing Latent Ordinal Structure in Multimodal Large Language Models via Language ✅ 6.0/10 | 前50% | arxiv ← 返回 2026-05-23 语音/音乐/音频论文速递

语音/音乐/音频论文速递 2026-05-23 共分析 123 篇论文 ⚡ 今日概览 📥 抓取 123 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #** 4篇 ████ 📊 论文评分排行榜（123 篇，按分数降序） 排名 论文 评分 分档 主任务 🥇 INFER: Learning Implicit Neural Frequency Response Fiel 8.5分 前25% - 🥈 VocSim A Training-free Benchmark for Zero-shot Content 8.3分 前25% - 🥉 CMI-RewardBench: Evaluating Music Reward Models with Co 8.2分 前25% - 4. Language Model Augmented Semi-Supervised Statistical In 8.2分 前25% - 5. DiscoForcing: A Unified Framework for Real-Time Audio-D 8.2分 前25% - 6. Abstraction Induces the Brain Alignment of Language and 8.0分 前25% #** 7. Alethia: a Foundational Encoder for Voice Deepfakes 8.0分 前25% - 8. OmniDenseCap: Scripting Multi-Scene Videos with Time-Aw 8.0分 前25% - 9. FoeGlass: When Simple In-Context Learning Is Enough for 8.0分 前25% - 10. E-VAds: An E-commerce Short Videos Understanding Benchm 8.0分 前25% - 11. BEAT: Tokenizing and Generating Symbolic Music by Unifo 8.0分 前25% - 12. Pianist Transformer: Towards Expressive Piano Performan 7.8分 前25% - 13. DreamID-Omni: Unified Framework for Controllable Human- 7.8分 前25% - 14. Real-World Unsupervised Models Generalize to Predict Br 7.8分 前25% - 15. AudioMosaic: Contrastive Masked Audio Representation Le 7.5分 前25% - 16. Self-Guidance: Enhancing Neural Codecs via Decoder Mani 7.5分 前25% - 17. LynX: Token Interface Alignment for Video+X LLMs 7.5分 前25% #** 18. Spherical Procrustes Alignment for Reliable Medical Aud 7.5分 前25% - 19. MoST: Mixing Speech and Text with Modality-Aware Mixtur 7.5分 前25% - 20. Self-Supervised Flow Matching for Scalable Multi-Modal 7.5分 前25% - 21. LightAVSeg: Lightweight Audio-Visual Segmentation 7.5分 前25% - 22. Robust Signal Enhancement via Fractional Detail Views a 7.5分 前25% - 23. EchoingPixels: Aliasing-Resistant Joint Token Reduction 7.5分 前25% - 24. Long Grounded Thoughts: Synthesizing Grounded Visual Pr 7.5分 前25% - 25. OmniVideo-R1: Reinforcing Audio-visual Reasoning with Q 7.5分 前25% - 26. Ariadne’s Thread of LipSync: Unraveling Forgeries via I 7.5分 前25% - 27. AVI-Bench: Toward Human-like Audio-Visual Intelligence 7.5分 前25% - 28. Simultaneous Speech-to-Speech Translation Without Align 7.5分 前25% - 29. PhoStream: Benchmarking Real-World Streaming for Omnimo 7.5分 前25% - 30. OmniSIFT: Modality-Asymmetric Token Compression for Eff 7.5分 前25% - 31. Speech-Audio Compositional Attacks on Multimodal LLMs a 7.5分 前25% - 32. Convex Low-resource Accent-Robust Language Detection in 7.5分 前25% #** 33. PhaseCoder: Microphone Geometry-Agnostic Spatial Audio 7.5分 前25% - 34. Listening Through the Noise: Cauchy-Driven Diffusion Br 7.5分 前25% - 35. Dual-View Predictive Diffusion: Lightweight Speech Enha 7.5分 前25% - 36. Stream RAG: Instant and Accurate Spoken Dialogue System 7.5分 前25% - 37. NAACA: Training-Free NeuroAuditory Attentive Cognitive 7.5分 前25% - 38. MedMosaic: A Challenging Large Scale Benchmark of Diver 7.5分 前25% - 39. Verifiable Multimodal Reasoning: Fact-level Attribution 7.5分 前25% - 40. MusicDET: Zero-Shot AI-Generated Music Detection 7.5分 前25% - 41. PCRNet: Phase-aware Complex Refinement Network for EEG- 7.5分 前25% - 42. SARSteer: Safeguarding Large Audio Language Models via 7.5分 前25% - 43. STAR-VAE: Structured Topology-Aware Regularization for 7.5分 前25% - 44. Hidden in Plain Tokens: Simply Robust, Gradient-Free Wa 7.5分 前25% - 45. AVGen-Bench: A Task-Driven Benchmark for Multi-Granular 7.3分 前50% - 46. Bridging the Stability-Expressivity Gap: Synthetic Data 7.3分 前50% - 47. AVTrack: Audio-Visual Speaker Tracking in Complex Scene 7.3分 前50% - 48. Bioacoustic Geolocation: Species Sounds as Geographic S 7.2分 前50% - 49. ADEPT: RL-Aligned Agentic Decoding of Emotion via Evide 7.2分 前50% - 50. MECAT: A Multi-Experts Constructed Benchmark for Fine-G 7.2分 前50% - 51. SPEAR: A Unified SSL Framework for Learning Speech and 7.2分 前50% - 52. PADS-TAL: Padding-Annealed Diffusion Sampling in Text-A 7.2分 前50% - 53. Multimodal Latent Language Modeling with Next-Token Dif 7.2分 前50% - 54. Query-Based Asymmetric Modeling with Decoupled Input–Ou 7.0分 前50% - 55. AgentSteerTTS: A Multi-Agent Closed-Loop Framework for 7.0分 前50% - 56. Optimality of FSQ tokens for continuous diffusion for c 7.0分 前50% - 57. JAEGER: Joint 3D Audio-Visual Grounding and Reasoning i 7.0分 前50% - 58. SonicMaster: Towards Controllable All-in-One Music Rest 7.0分 前50% - 59. VIBE: Disentangling Social Dynamics via Kinematics-Info 7.0分 前50% - 60. Reasoning LLM Improves Speaker Recognition in Long-form 7.0分 前50% - 61. A Semantically Consistent Dataset for Data-Efficient Qu 7.0分 前50% - 62. The Silent Thought: Modeling Internal Cognition in Full 7.0分 前50% - 63. Learning Tight Rejection Boundaries without Negatives f 7.0分 前50% - 64. Quaternion Self-Attention with Shared Scores 7.0分 前50% - 65. Bridging Your Imagination with Audio-Video Generation v 7.0分 前50% - 66. TextME: Bridging Unseen Modalities Through Text Descrip 7.0分 前50% - 67. ReGen: Hierarchical Multi-Prompt Representation Generat 7.0分 前50% - 68. Polyphonia: Training-Free Context-Aware Music Editing w 7.0分 前50% - 69. TMD-Bench: A Multi-Level Evaluation Paradigm for Music– 7.0分 前50% - 70. Omni-Perception Policy Optimization for Multimodal Emot 7.0分 前50% - 71. Acoustic Interference: A New Paradigm Weaponizing Acous 7.0分 前50% - 72. AudioChat: Unified Audio Storytelling, Editing, and Und 7.0分 前50% - 73. Do Audio LLMs Listen or Read? Analyzing and Mitigating 6.9分 前50% - 74. From Talking to Singing: A New Challenge for Audio-Visu 6.8分 前50% - 75. Multiple Choice Learning of Low-Rank Adapters for Langu 6.8分 前50% - 76. Multimodal Fusion via Self-Consistent Task-Gradient Fie 6.8分 前50% - 77. Position: Beyond Text The Text-Centric Bias in Founda 6.8分 前50% - 78. MetaBio: Learning from metadata for bioacoustics founda 6.5分 前50% - 79. Any-Diffusion: Unified Multimodal Understanding and Gen 6.5分 前50% - 80. SAM Audio: Segment Anything in Audio 6.5分 前50% #** 81. CoCoEmo: Composable and Controllable Human-Like Emotion 6.5分 前50% - 82. HyperPotter: Spell the Charm of High-Order Interactions 6.5分 前50% - 83. Joint Enhancement and Classification using Coupled Diff 6.5分 前50% - 84. Hearing Without Noticing? Attention-Aware Stealthy Blac 6.5分 前50% - 85. Two-dimensional quantization for geometry-aware audio c 6.5分 前50% - 86. SALSA-V: Shortcut-Augmented Long-form Synchronized Audi 6.5分 前50% - 87. REST: Diffusion-based Real-time End-to-end Streaming Ta 6.5分 前50% - 88. AuTAgent: A Reinforcement Learning Framework for Tool-A 6.5分 前50% - 89. Characterizing the Predictive Impact of Modalities with 6.5分 前50% - 90. Group Cognition Learning: Making Everything Better Thro 6.5分 前50% - 91. Rethinking Attention in Spiking Transformers: Overcomin 6.5分 前50% - 92. T2AV-Compass: Towards Unified Evaluation for Text-to-Au 6.5分 前50% - 93. S3Audio: Towards Streaming Synchronized Spatial Audio G 6.5分 前50% - 94. Sparse Autoencoders for Interpretable Emotion Control i 6.5分 前50% - 95. BAT: Better Audio Transformer Guided by Convex Gated Pr 6.5分 前50% - 96. AG-REPA: Causal Layer Selection for Representation Alig 6.5分 前50% - 97. CoLA: Cross-Modal Low-rank Adaptation for Multimodal Do 6.5分 前50% - 98. Neural-Inspired Modeling of Auditory Selection and Comp 6.5分 前50% - 99. FutureOmni: Evaluating Future Forecasting from Omni-Mod 6.5分 前50% - 100. ProactiveLLM: Learning Active Interaction for Streaming 6.0分 前50% - 101. video-SALMONN S: Memory-Enhanced Streaming Audio-Visual 6.0分 前50% - 102. Zero-Shot Rankability: Revealing Latent Ordinal Structu 6.0分 前50% - 103. Scaling Transformers for End-to-End Discrete Audio Toke 6.0分 前50% - 104. Evaluating and Rewarding LALMs for Expressive Role-Play 6.0分 前50% - 105. Unlocking Speech–Text Compositional Powers: Instruction 5.8分 前50% - 106. Probing Cross-modal Information Hubs in Audio-Visual LL 5.5分 前50% - 107. OmniShow: Orchestrating Multimodal Conditions for Human 5.5分 前50% - 108. Sparse Tokens Suffice: Jailbreaking Audio Language Mode 5.5分 前50% - 109. PHALAR: Phasors for Learned Musical Audio Representatio 5.5分 前50% - 110. Scaling Laws in Model Fine-tuning for Audio DeepFake De 5.0分 后50% - 111. PRIM：Cooperative Dynamic Token Compression for Efficien 4.8分 后50% - 112. Towards Understanding Modality Interaction in Multimoda 4.5分 后50% - 113. From Inpainting to Editing: Unlocking Robust Mask-Free 4.3分 后50% - 114. SONAR: Spectral‑Contrastive Audio Residuals for General 4.0分 后50% - 115. MoshiRAG: Asynchronous Knowledge Retrieval for Full-Dup 3.8分 后50% - 116. STARCaster: Spatio-Temporal AutoRegressive Video Diffus 3.5分 后50% - 117. WaveSSM: Multiscale State-Space Models for Non-stationa 3.5分 后50% - 118. \(\tau\)-Voice: Benchmarking Full-Duplex Voice Agents on 3.5分 后50% - 119. FakeWorld 1.0: An Omni modal Benchmark for Fake Media a 3.5分 后50% - 120. LALM-as-a-Judge: Benchmarking Large Audio-Language Mode 3.5分 后50% - 121. IVQ: Structured and Lightweight Vector Quantization via 3.2分 后50% - 122. MFCL Audio: An Audio Function Calling Evaluation for La 3.0分 后50% - 123. Position: Towards Responsible Evaluation for Text-to-Sp 2.6分 后50% - 📋 论文列表 🥇 INFER: Learning Implicit Neural Frequency Response Fields for Confined Acoustic Environments 🔥 8.5/10 | 前25% | arxiv ...

📄 Academic Text-to-Music Grand Challenge: Datasets, Baselines, and Evaluation Methods #文本到音乐生成 #基准挑战赛 #公平比较 #评估指标 #音乐信息检索 🔥 9.9/10 | 前10% | #音乐生成 | #基准测试 | #文本到音乐生成 #基准挑战赛 | arxiv 学术质量 6.3/7 | 影响力 1.7/2 | 可复现性 1.9/2 | 置信度 0.9 👥 作者与机构 作者：Fang-Chih Hsieh, Wei-Jaw Lee, Chun-Ping Wang, Hung-yi Lee, Hao-Wen Dong, and Yi-Hsuan Yang 机构：未在论文标题及摘要中明确列出。论文脚注提到网站地址（https://ntu-musicailab.github.io/ICME26-ATTM-Grand-Challenge/），表明与NTU-MusicaILab相关。 💡 毒舌点评 这篇论文与其说是提出一个新方法，不如说是精心策划了一场“学术界的音乐AI奥运会”。它精准地戳中了当前领域的痛点：工业巨头用海量数据和算力筑起高墙，让学术界只能在墙边“精装修”（微调）。论文的亮点在于其极强的“公平性”设计哲学和开源执行力：从强制从零训练、数据清洗到评估流水线，一条龙服务，试图把所有参赛者拉回同一起跑线。CCS指标的想法不错，用大模型当“裁判”来细粒度地检查音乐概念是否生成，比单一的CLAP分数更有解释性。但问题也很明显：1.5亿参数的基线模型在10秒片段生成上的表现，能否真实反映架构潜力，很可疑；主观评估只有35人，且未明确分布，说服力打折扣。最终，这更像一篇出色的挑战赛报告，而非方法论突破，其价值在于为社区提供了一套“游戏规则”和基础设施。 📌 核心摘要 本文介绍了ICME 2026“学术文本到音乐生成”挑战赛（ATTM）的技术框架与概览。该挑战赛旨在解决当前文本到音乐生成领域被工业界大规模数据与计算资源主导，从而阻碍学术研究公平对比与创新的问题。其核心设计原则是要求所有参赛模型必须在标准化的、仅含乐器的MTG-Jamendo数据子集上从零开始训练。挑战赛分为效率赛道（核心模型参数≤5亿）和性能赛道（无参数限制）。评估采用多阶段流程：首先使用客观指标（FAD, CLAP, 以及新颖的基于大语言模型的CCS）进行筛选，随后对顶尖系统进行主观MOS测试。论文开源了数据预处理管道、基线模型FluxAudio-S以及评估代码，旨在促进透明、可复现的学术研究。 🔗 开源详情 代码： 预处理管道（人声分离）： https://github.com/ntu-musicailab/ICME26-ATTM-GC-Preprocessing 音频字幕生成管道： https://github.comntu-musicailab/ICME26-ATTM-GC-ALM-captioning 官方基线模型（FluxAudio-S）： https://github.com/ntu-musicailab/ICME26-ATTM-GC-FluxAudio 评估代码（用于计算FAD和CLAP）： https://github.com/ntu-musicailab/ICME26-ATTM-GC-Evaluation 模型权重：论文明确提供了官方基线模型FluxAudio-S的代码库（包含训练脚本），模型权重可由代码从零训练得到。对于Topline模型（Stable Audio Open, MusicGen, MeanAudio），论文使用了其官方发布的检查点，但未提供额外的下载链接。用于CCS评估的Qwen3-Omni模型亦未提供直接链接。 数据集：使用MTG-Jamendo数据集的raw_30s子集。论文未提供直接下载链接，但明确说明了数据源（Jamendo平台，CC许可）及预处理方式（人声分离）。 Demo：未提及。 复现材料： 论文提供了详细的基线模型训练配置：使用单卡NVIDIA RTX A6000 (48GB VRAM)，训练200，000步，批大小128，总训练时间约2天4小时。 提供了人声分离和字幕生成的具体代码和依赖的模型检查点名称（如melband-roformer-kim-vocals）。 提供了生成官方参考字幕所使用的具体提示词（Table I）。 提供了评估方法中Borda计数的具体公式和流程。 论文中引用的开源项目： MTG-Jamendo：原始开源数据集。 Mel-Band Roformer：用于人声分离的模型。 Qwen2-Audio-7B-Instruct：用于字幕生成（Pipeline A）。 Music Flamingo：用于字幕生成（Pipeline B第一阶段）。 Qwen3-4B-Instruct：用于字幕优化和测试提示词合成。 EnCodec：作为辅助音频解码器。 LAION-CLAP-Music (music_audioset_epoch_15_esc_90.14)：用于FAD和CLAP评分的特征提取器。 Qwen3-Omni：用于评估指标CCS的大语言模型。 T5：用作文本编码器。 FluxAudio：作为基线模型的原始架构。 Stable Audio Open, MusicGen, MeanAudio：作为Topline的预训练模型。 🏗️ 方法概述和架构 本挑战赛的方法论核心是建立一个标准化的、公平的基准测试框架，其架构与流程可分为以下几个相互关联的模块： ...

📄 Automatic Contextual Audio Denoising #音频去噪 #声学场景分类 #上下文感知 #条件调制 ✅ 7.5/10 | 前25% | #语音去噪 | #生成模型 | #音频去噪 #声学场景分类 | arxiv 学术质量 5.0/7 | 影响力 1.5/2 | 可复现性 1.0/2 | 置信度 高 👥 作者与机构 作者: Diep Luong (坦佩雷大学, 诺基亚), Konstantinos Drossos (诺基亚), Mikko Heikkinen (诺基亚), Tuomas Virtanen (坦佩雷大学) 机构: 坦佩雷大学, 诺基亚 💡 毒舌点评 这篇论文提出了一个有趣的方向，即让音频去噪模型根据“上下文”（这里简化为声学场景）来自适应地决定去留。想法是好的，但实验部分“翻车”得让人皱眉。最刺眼的就是表格2里那小得离谱的标准差——五次运行结果一致得如同复制粘贴，这要么是实验设置有重大疏忽（比如没换随机种子），要么是报告有误。这种数据可靠性问题，顶会审稿人看到第一眼就会亮红灯。作者在论文中承认模型可能只是利用了合成数据中噪声与背景音的“统计不匹配”这个捷径，而不是真正理解了上下文，这简直是在主动给自己的结论埋雷，却又没提供任何实验来缓解或验证这个问题。此外，将“上下文”死死绑定在“声学场景分类”上，对于更复杂的实际应用（如会议、音乐）显得过于天真。总而言之，一个有潜力的想法，被粗糙的实验执行和不够深入的分析拖了后腿。 📌 核心摘要 本文介绍了“自动上下文音频去噪”（ACAD）的概念，旨在解决现有去噪系统使用固定目标/噪声定义的局限。作者将“上下文”定义为声学场景类别，并区分“场景内”（IC）和“场景外”（OC）声音事件。核心方法是一个两阶段的深度学习框架：首先预训练一个基于CRNN的声学场景分类器（CC）来提取上下文嵌入向量 e；然后训练一个基于UNet的去噪网络（DD），该网络通过FiLM层对 e 进行条件调制，以抑制带噪音频中的OC成分。论文构建了一个跨场景的配对数据集（ACAD），使得某些声音在一个场景中是IC，在另一个场景中是OC。实验结果表明，在微调CC和DD的设置下（UNet_Tu-ASC），模型在SI-SDR和SDR指标上优于无上下文、Oracle上下文和无信息上下文基线。然而，作者指出模型可能利用了合成数据中的统计差异捷径，且标准差极小，结果可靠性存疑。 🔗 开源详情 代码：论文中未提及代码开源。 模型权重：论文中未提及模型权重开源。 数据集：论文中公开发布了名为 ACAD 的数据集，用于自动上下文音频去噪任务。 获取链接：https://doi.org/10.5281/zenodo.20287453 Demo：论文中未提及Demo。 复现材料：论文中未提供训练检查点、配置文件等具体复现材料。论文详细描述了模型架构和训练超参数，但未提供代码或配置文件以保证完全复现。 论文中引用的开源项目： CochlScene：作为构建数据集的基础声学场景数据集，论文中未提供链接。 FSD50K：用于提供背景外（OC）声事件的开源数据集，论文中未提供链接。 PANNs：用于声事件检测的预训练模型，用于识别场景内的事件，论文中未提供链接。 AudioSet ontology：用于定义声事件层级关系的本体，论文中未提供链接。 Scaper：用于生成合成音频混合物的Python库，论文中未提供链接。 🏗️ 方法概述和架构 本文提出的ACAD方法由两个核心模块组成：上下文提取器（C）和去噪器（D）。整个系统以单个带音频信号 ~ 作为输入，输出估计的清洁音频 ^。 ...

📄 Beyond Acoustic Emotion Recognition: Multimodal Pathos Analysis in Political Speech Using LLM-Based and Acoustic Emotion Models #情感分析 #政治沟通 #语音情感识别 #多模态学习 #大语言模型 ✅ 7.0/10 | 前50% | #语音情感识别 | #大语言模型 | #情感分析 #政治沟通 | arxiv 学术质量 4.7/7 | 影响力 1.2/2 | 可复现性 1.1/2 | 置信度 高 👥 作者与机构 Jürgen Dietrich (Democracy Intelligence gGmbH, Germany) 💡 毒舌点评 一篇典型的“以问题为导向，以方法为手段”的应用型研究，但其“问题”（声学SER作为政治Pathos代理的有效性）的设定本身值得商榷。作者用一个相对简单的对比实验（一个演讲者，51个片段），得出了一个几乎在意料之中的结论（考虑语义的LLM比不考虑语义的纯声学模型在“理解”情感诉求上更强）。论文最大的价值可能不在于证明了一个众所周知的道理，而在于它“顺手”对经典基准EMO-DB进行的解构，以及对“声学特征→离散情感→连续维度”这一常见投影路径的严谨批判。然而，实验设计（单样本、单说话者、特定政治语境）的先天不足，使得其结论的泛化性像其分析的演讲片段一样“摇摇欲坠”。整体而言，这是一篇诚实的、但影响力受限于其狭窄实验设置的“问题诊断”式论文。 📌 核心摘要 本研究评估了声学语音情感识别（SER）模型作为政治演讲中“Pathos”（情感诉求）维度计算代理的适用性。Pathos由TRUST多智能体LLM系统定义，其操作化为情感语言的社会影响程度（从-2到+2）。研究以德国联邦议院Felix Banaszak的一段演讲（51个片段）为案例，系统比较了三种分析模态：（1）基于emotion2vec声学模型并通过后处理Russell环形投影得到的Arousal/Valence；（2）Gemini 2.5 Flash多模态LLM分析音频与文本得到的Arousal/Valence；（3）TRUST-Pathos评分。主要发现是，Gemini Valence与TRUST-Pathos存在强正相关（\(\rho=+0.664, p<0.001\)），而emotion2vec Valence则无显著关联（\(\rho=+0.097, p=0.499\)）。此外，通过对EMO-DB数据集的系统性质量评估，揭示了其在生态效度上的严重局限性，如“厌恶”类别完全无法被Gemini识别。研究表明，LLM驱动的多模态分析因其对语义和语用的理解，在捕捉政治相关Pathos方面远优于纯声学模型，而声学特征在低层级Arousal估计上仍有价值，两者应为互补关系。 🔗 开源详情 代码：论文提及“TRUST Multimodal Pipeline (v1.0)”是一个开放研究系统，但未在正文或附录中提供其具体的代码仓库链接（如GitHub）。因此，无法访问其完整代码。 模型权重： emotion2vec：论文中指出其为开源模型，并提供了GitHub链接：https://github.com/ddlBoJack/emotion2vec。模型权重可在HuggingFace上获取，但论文未提供具体链接。 Gemini 2.5 Flash：通过Google GenAI API (v1.74.0) 调用，为商业模型，论文未提及任何模型权重的开源获取方式。 数据集： Berlin Database of Emotional Speech (EMO-DB)：论文对其进行了详细分析。获取链接通常为柏林工业大学主页：http://deposit.ddb.cnbv.berlin.de/DB1/EMODB/。论文参考文献[6]通常包含此链接。 Banaszak演讲数据：来自德国联邦议院官方媒体库。链接：https://www.bundestag.de/medien/video。需根据日期（2026年3月5日）和发言者（Felix Banaszak）搜索具体视频。 PAVOQUE：论文在Section 6提及此数据集用于未来工作，但未提供链接。 Demo：论文中未提及。 复现材料：论文提供了详细的复现相关材料，包括： Arousal/Valence投影权重表（Table 1）。 EMO-DB完整说话者×情感矩阵（Table 5， Appendix A）。 Banaszak演讲的41个分段详细评分表（Table 6， Appendix B），包含e2v-A, e2v-V, Gem-A, Gem-V, Pathos, Gem-Emotion, Gem-Rhetoric。 论文中引用的开源项目： emotion2vec: https://github.com/ddlBoJack/emotion2vec WhisperX: https://github.com/m-bain/whisperX pyannote.audio: https://github.com/pyannote/pyannote-audio FFmpeg: https://ffmpeg.org/ OpenFace: https://github.com/TadasBaltrusaitis/OpenFace L2CS-Net: https://github.com/HciRLab/L2CS-Net MediaPipe: https://google.github.io/mediapipe/ EmoBox: https://github.com/JunchenX/EmoBox 🏗️ 方法概述和架构 本研究的核心方法是在TRUST框架内，对来自同一语音片段的“声学情感”与“LLM多模态情感”估计值，与“TRUST-Pathos”评分进行统计相关性比较。整体分析流程如论文Section 3所述，主要包含四个阶段：数据准备、三种模态的特征提取与评分、统计分析。 ...