Aaai-2026 论文

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

针对整块循环把语言表示回灌到底层造成语音到语言反复的问题，BiCycle 用累积注意力对角性划分语音组与语言组并只在组内递归，在英语与法语数据上以约一半物理参数报告更低词错率，代价是仍需预训练教师与先蒸馏 30 轮再识别训练 100 轮的两阶段成本。

针对音视频时间伪造定位中边界模糊、伪造稀疏和长距离衰减问题，DeformTrace 用可变形自扫描、中继令牌与可变形交叉扫描改造状态空间模型，在 LAV-DF 与 AV-Deepfake1M 上取得精度与效率优势，但依赖冻结特征与固定超参数组合。

该文把声码器从条件生成改写为从梅尔退化观测恢复目标谱的两步优化，用可学习伪逆做初始化加分频大核卷积注意力做深层先验，在 3.89M 参数下报告了优于 112M 量级基线与流匹配基线的质量，同时代价是仍需 GAN 判别器训练与多损失调参。

针对长语音问答中大音频语言模型难以直接处理十几分钟以上上下文的问题，论文提出先把语音转成类文本表示再做对比检索的 CLSR，用四个数据集的召回对照和长文问答的抽取验证支撑该路线，并以联合训练三项损失与冻结文本编码器为代价。

针对多模态情感回归在测试时分布偏移下的适配问题，GMEL 用 vMF 混合建模潜在情感分组提供自监督，并用多尺度重 dropout 保持模态完整性，在三数据集五种跨域设置上报告平均 ACC 提升 2.53 个百分点、F1 提升 3.70 个百分点、MAE 降低 0.05，代价是需离线访问全部目标数据并估计分组数。

KALL-E 针对离散语音切分的信息损失与高帧率不稳定问题，用 Flow-VAE 提取 512 维 12.5 Hz 连续隐分布并让自回归 Transformer 逐帧预测均值方差，以 KL 散度为目标在 Seed-TTS 上取得 0.96 中文 CER 与 1.94 英文 WER，代价是保留强 KL 约束与单样本测试时微调的额外开销。

针对 MIDIBERT 做符号音乐情绪识别时调式-情感关联缺失的问题，用 Krumhansl-Kessler 提取大/小调并以 FiLM 注入第一层，在 EMOPIA 达 75.2% 准确率、VGMIDI 达 59.1% 准确率，代价是只用二分类调式并依赖自动调式估计的正确性。

针对随语音生成全身动作时末端抖动与误差沿骨骼链放大的问题，论文把扩散建模搬到全局旋转空间并用关节、骨骼、时序三层约束补回结构，消融表显示完整约束取得最低分布距离，但节奏对齐仍有基线未被全面超越的代价。

针对语音到语音对话既要评语义又要评声学而级联评测会丢声学信息的问题，论文用大规模合成偏好数据加带解释理由的两阶段监督微调构建端到端语音裁判 SageLM，以 82.79% 的人类一致率超过级联与语音理解基线，代价是依赖合成语音分布与有限声学数据。

该文在 MPS 和 SpeechOcean 儿童朗读数据上比较 VTLN 加移调、McAdams 系数与神经编解码 NACLM，报告 VTLN 在 α=1.2 加负半音移调时隐私与可懂度韵律保持最均衡，而 NACLM 隐私最强但词错误率和韵律失真代价最大。

针对脉冲神经网络在语音命令识别中时序建模弱的问题，论文提出多视角脉冲时间感知注意力与上下文精炼 MLP 构成的 SpikCommander，在 SHD、SSC、GSC 上以 100 时间步取得更高精度，代价是更长的时序展开与更复杂的分支结构。

针对前向加噪加反向去噪带来的旋律失真问题，论文用增量去噪分数直接在数据空间优化音频，并用个性化增量分数加分布偏移正则与时序对比损失引入用户自定义风格，报告显示在内容保持与偏好率上占优，但强风格迁移与原曲保持之间仍需权衡。

针对流匹配语音生成中 ODE 反复调用神经网络导致推理慢的问题，WaveEx 用单层小波分解加一阶泰勒分频外推替代部分求解步骤，在四类任务上报告 2.75-5.73 倍加速，代价是早期高曲率段仍需保留少量 ODE 步且高频外推带来轻微波动。

针对短视频中文本主导而音视频易误判的问题，TEXT 用多模态大模型生成解释做语义锚点，再做解释对齐与轻量时间对齐并以文本路由稀疏专家融合，在四个数据集上取得最低平均绝对误差，但细粒度分类仍有两项未胜出且依赖外部大模型。

针对音视频大模型推理时 KV 缓存过大问题，AccKV 按层自适应聚焦关键模态并先模态内合并再跨模态校准，在 MVBench 与 AVSD 上用 10% 缓存与 120 词元预算维持接近全缓存精度，但未测量延迟与吞吐提升。

该研究把文化敏感提问译成 10 种语言再合成 1315 小时语音来考 12 个大音频语言模型，报告 MERaLiON 相关性最高也未过 0.5，而 LTU 等模型的零有害只是因为答非所问。

针对教师情感的表演性与教学情境依赖问题，该研究构造 14,938 条四模态 T-MED 数据集并提出以音频为中心的非对称注意力模型 AAM-TSA，在 T-MED 上报告加权准确率 86.84% 与加权 F1 值 86.37%，代价是依赖视频转文本描述与教学信息输入且未公开可验证代码数据链接。

针对大音频语言模型对同义指令敏感而不稳定的问题，论文用只训练注意力头开关的声学注意力头掩码替代文本指令，在 7 个单任务和 ASR 与性别识别组合任务上达到与指令相当或更好的表现，代价是每个任务需单独训练一张掩码且掩码不可跨模型复用。

该文要解决厅堂在人员与声源变化下混响时间漂移的问题，选择用卷积神经网络估计当前混响时间再由强化学习调节面板吸声系数的闭环路线，给出的最强证据是动态条件下把混响时间维持在目标 0.15 秒以内，代价是全过程依赖仿真反馈且未报告真实厅堂部署的延迟与能耗实测。