Icassp-2026

ICASSP 2026 - 音频检索 共 11 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 GLAP: General Contrastive Audio-Text Pretraining Across Doma 8.5分 前25% 🥈 CASTELLA: Long Audio Dataset with Captions and Temporal Boun 8.5分 前25% 🥉 WavLink: Compact Audio–Text Embeddings with a Global Whisper 8.0分 前25% 4. SLAP: Scalable Language-Audio Pretraining with Variable-Dura 8.0分 前25% 5. AUDIOCARDS: Structured Metadata Improves Audio Language Mode 7.5分 前50% 6. Automatic Music Sample Identification with Multi-Track Contr 7.5分 前25% 7. Contrastive Timbre Representations for Musical Instrument An 7.5分 前25% 8. BEST-STD 2.0: Balanced and Efficient Speech Tokenizer for Sp 7.5分 前25% 9. EchoRAG: A Two-Stage Framework for Audio-Text Retrieval and 7.5分 前25% 10. Scalable Evaluation for Audio Identification Via Synthetic L 7.0分 前25% 11. Do Speech LLMs Learn Crossmodal Embedding Spaces? 6.5分 前50% 📋 论文详情 🥇 GLAP: General Contrastive Audio-Text Pretraining Across Domains and Languages 🔥 8.5/10 | 前25% | #音频检索 | #对比学习 #预训练 | #对比学习 #预训练 ...

ICASSP 2026 - 音频水印 共 1 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 AURA: A Stegaformer-Based Scalable Deep Audio Watermark with 7.5分 前25% 📋 论文详情 🥇 AURA: A Stegaformer-Based Scalable Deep Audio Watermark with Extreme Robustness ✅ 7.5/10 | 前25% | #音频水印 | #条件生成 | #音频安全 #Conformer 👥 作者与机构 第一作者：Linxi Li（University of Warwick， OfSpectrum, Inc.） 通讯作者：未说明 作者列表：Linxi Li（University of Warwick， OfSpectrum, Inc.）、Liwei Jin（OfSpectrum, Inc.）、Yechen Wang（OfSpectrum, Inc.）、Houmin Sun（Duke Kunshan University）、Zi Hu（Duke Kunshan University）、Carsten Maple（University of Warwick） 💡 毒舌点评 ...

ICASSP 2026 - 音频深度伪造检测 共 29 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 EchoFake: A Replay-Aware Dataset For Practical Speech Deepfa 8.5分 前25% 🥈 Dynamic Spectrogram Analysis with Local-Aware Graph Networks 8.5分 前10% 🥉 The Impact of Audio Watermarking on Audio Anti-Spoofing Coun 8.5分 前25% 4. Beyond Face Swapping: A Diffusion-Based Digital Human Benchm 8.1分 前25% 5. StreamMark: A Deep Learning-Based Semi-Fragile Audio Waterma 8.0分 前25% 6. Assessing the Impact of Speaker Identity in Speech Spoofing 8.0分 前25% 7. Subgraph Localization in the Subbands for Partially Spoofed 8.0分 前25% 8. On deepfake voice detection - It’s all in the presentation 8.0分 前25% 9. Dynamic Noise-Aware Multi Lora Framework Towards Real-World 8.0分 前25% 10. Hanui: Harnessing Distributional Discrepancies for Singing V 8.0分 前10% 11. Localizing Speech Deepfakes Beyond Transitions via Segment-A 8.0分 前25% 12. Discrete-Continuous Fusion With Adaptive Hierarchical Featur 8.0分 前10% 13. AVATAR: Audio-Visual Adaptive Fusion via Trained Agent Reinf 7.5分 前25% 14. Few-Shot Recognition of Audio Deepfake Generators using Grap 7.5分 前25% 15. Audio Deepfake Detection at the First Greeting: “Hi!” 7.5分 前25% 16. Combining SSL Speech Features, Contextual Transformers and M 7.5分 前25% 17. How to Label Resynthesized Audio: The Dual Role of Neural Au 7.5分 前25% 18. KAN We Make Models Simpler for Audio Deepfake Detection with 7.5分 前25% 19. Robust Deepfake Audio Detection via Multi-Level Intermediate 7.5分 前25% 20. AI-Generated Music Detection in Broadcast Monitoring 7.0分 前50% 21. Leveraging Large Multimodal Models for Audio-Video Deepfake 7.0分 前25% 22. A Superb-Style Benchmark of Self-Supervised Speech Models fo 7.0分 前25% 23. Understanding the Strengths and Weaknesses of SSL Models for 7.0分 前50% 24. Towards Data Drift Monitoring for Speech Deepfake Detection 7.0分 前25% 25. CompSpoof: A Dataset and Joint Learning Framework for Compon 7.0分 前25% 26. MSCT: Differential Cross-Modal Attention for Deepfake Detect 6.5分 前10% 27. Auxiliary Multi-Label Training For Improving the Robustness 6.5分 前50% 28. Audio-Visual Deepfake Generation and Detection: An Explorato 6.5分 前25% 29. Disentangled Authenticity Representation for Partially Deepf 6.5分 前25% 📋 论文详情 🥇 EchoFake: A Replay-Aware Dataset For Practical Speech Deepfake Detection 🔥 8.5/10 | 前25% | #音频深度伪造检测 | #数据集 | #语音伪造检测 #重放攻击 ...

ICASSP 2026 - 音频生成 共 39 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 SwitchCodec: Adaptive Residual-Expert Sparse Quantization fo 8.5分 前25% 🥈 Synthcloner: Synthesizer-Style Audio Transfer via Factorized 8.5分 前25% 🥉 MAG: Multi-Modal Aligned Autoregressive Co-Speech Gesture Ge 8.0分 前25% 4. Training-Free Multimodal Guidance for Video to Audio Generat 8.0分 前25% 5. Audience-Aware Co-speech Gesture Generation in Public Speaki 8.0分 前50% 6. Matching Reverberant Speech Through Learned Acoustic Embeddi 8.0分 前25% 7. Assessing The Perceptual Impact of Low-Altitude Aircraft Noi 8.0分 前25% 8. Parametric Neural Amp Modeling with Active Learning 8.0分 前25% 9. AUV: Teaching Audio Universal Vector Quantization with Singl 8.0分 前25% 10. EuleroDec: A Complex-Valued RVQ-VAE for Efficient and Robust 8.0分 前25% 11. Improving Interpretability in Generative Multitimbral DDSP F 7.5分 前25% 12. Cardiobridge-DM: Bridging Cross-Cohort Heart Sound Synthesis 7.5分 前25% 13. Disentangling Physiology from Fidelity: Latent-Guided Diffus 7.5分 前25% 14. GMS-CAVP: Improving Audio-Video Correspondence with Multi-Sc 7.5分 前25% 15. KSDIFF: Keyframe-Augmented Speech-Aware Dual-Path Diffusion 7.5分 前25% 16. Sunac: Source-Aware Unified Neural Audio Codec 7.5分 前50% 17. S-PRESSO: Ultra Low Bitrate Sound Effect Compression with Di 7.5分 前25% 18. PICOAUDIO2: Temporal Controllable Text-to-Audio Generation w 7.5分 前25% 19. FoleyBench: A Benchmark for Video-to-Audio Models 7.5分 前25% 20. Multimodal Room Impulse Response Generation Through Latent R 7.5分 前25% 21. Mix2Morph: Learning Sound Morphing from Noisy Mixes 7.5分 前25% 22. Generative Audio Extension and Morphing 7.5分 前25% 23. FlashFoley: Fast Interactive Sketch2audio Generation 7.5分 前25% 24. Mitigating Data Replication in Text-to-Audio Generative Diff 7.5分 前25% 25. Learning Linearity in Audio Consistency Autoencoders via Imp 7.5分 前25% 26. Spring Reverb Emulation with Hybrid Gated Convolutional Netw 7.5分 前25% 27. StereoFoley: Object-Aware Stereo Audio Generation from Video 7.5分 前25% 28. AudioGen-Omni: A Unified Multimodal Diffusion Transformer fo 7.5分 前25% 29. Meanflow-Accelerated Multimodal Video-to-Audio Synthesis Via 7.5分 前25% 30. TAG: Structured Temporal Audio Generation via LLM-Guided Man 7.5分 前25% 31. HFSQVAE: Hierarchical Vector Quantization with Residuals for 7.0分 前25% 32. Sounds that Shape: Audio-Driven 3D Mesh Generation with Attr 7.0分 前25% 33. ReCoM: Realistic Co-Speech Motion Generation with Recurrent 7.0分 前25% 34. Arbitrarily Settable Frame Rate Neural Speech Codec with Con 7.0分 前25% 35. A Speech-Driven Paradigm for Physics-Informed Modeling of Co 7.0分 前50% 36. FxSearcher: Gradient-Free Text-Driven Audio Transformation 7.0分 前50% 37. FODGE : High-Fidelity Dance Generation via Full-Body Optimiz 6.5分 前50% 38. Feedback-Driven Retrieval-Augmented Audio Generation with La 6.5分 前25% 39. Taming Audio VAEs via Target-KL Regularization 6.5分 前25% 📋 论文详情 🥇 SwitchCodec: Adaptive Residual-Expert Sparse Quantization for High-Fidelity Neural Audio Coding 🔥 8.5/10 | 前25% | #音频生成 | #模型评估 | #向量量化 #混合专家 ...

ICASSP 2026 - 音频编辑 共 1 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 RFM-Editing: Rectified Flow Matching for Text-Guided Audio E 7.5分 前25% 📋 论文详情 🥇 RFM-Editing: Rectified Flow Matching for Text-Guided Audio Editing ✅ 7.5/10 | 前25% | #音频编辑 | #流匹配 | #扩散模型 #数据集 👥 作者与机构 第一作者：Liting Gao（英国萨里大学视觉、语音与信号处理中心） 通讯作者：未说明 作者列表：Liting Gao（英国萨里大学视觉、语音与信号处理中心），Yi Yuan（英国萨里大学视觉、语音与信号处理中心），Yaru Chen（英国萨里大学视觉、语音与信号处理中心），Yuelan Cheng（英国萨里大学视觉、语音与信号处理中心），Zhenbo Li（中国农业大学信息与电气工程学院），Juan Wen（中国农业大学信息与电气工程学院），Shubin Zhang（中国海洋大学水产学院），Wenwu Wang（英国萨里大学视觉、语音与信号处理中心） 💡 毒舌点评 亮点：论文巧妙地利用Rectified Flow Matching的确定性ODE过程，将音频编辑重新定义为学习从噪声到目标音频的“速度场”，并通过对原始音频潜变量的拼接作为条件，实现了一个优雅的、端到端且无需掩码的训练范式。短板：虽然整体表现均衡，但在衡量编辑忠实度的关键指标CLAP分数上，训练完整数据集的RFM-Editingfull（0.4398）仍略低于需要复杂优化的AudioEditor（0.4579），显示出其“效率换精度”的妥协，且编辑时间并非最快。 🔗 开源详情 ...

ICASSP 2026 - 音频质量评估 共 1 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 Deepaq: A Perceptual Audio Quality Metric Based on Foundatio 7.5分 前25% 📋 论文详情 🥇 Deepaq: A Perceptual Audio Quality Metric Based on Foundational Models and Weakly Supervised Learning ✅ 7.5/10 | 前25% | #音频质量评估 | #弱监督学习 | #度量学习 #音频大模型 👥 作者与机构 第一作者：Guanxin Jiang (International Audio Laboratories Erlangen†, Germany) 通讯作者：Andreas Brendel* (Fraunhofer Institute for Integrated Circuits IIS, Erlangen, Germany) 作者列表：Guanxin Jiang (International Audio Laboratories Erlangen†, Germany)、Andreas Brendel* (Fraunhofer Institute for Integrated Circuits IIS, Erlangen, Germany)、Pablo M. Delgado (Fraunhofer Institute for Integrated Circuits IIS, Erlangen, Germany)、Jürgen Herre (International Audio Laboratories Erlangen†, Germany; Fraunhofer Institute for Integrated Circuits IIS, Erlangen, Germany) （†注：International Audio Laboratories Erlangen是Friedrich-Alexander University Erlangen-Nürnberg (FAU)与Fraunhofer IIS的联合机构） 💡 毒舌点评 ...

ICASSP 2026 - 音频超分辨率 共 1 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 Universr: Unified and Versatile Audio Super-Resolution Via V 8.0分 前25% 📋 论文详情 🥇 Universr: Unified and Versatile Audio Super-Resolution Via Vocoder-Free Flow Matching 🔥 8.0/10 | 前25% | #音频超分辨率 | #流匹配 | #语音增强 #音频生成 👥 作者与机构 第一作者：Woongjib Choi（延世大学电气与电子工程系） 通讯作者：未说明 作者列表：Woongjib Choi（延世大学电气与电子工程系）、Sangmin Lee（延世大学电气与电子工程系）、Hyungseob Lim（延世大学电气与电子工程系）、Hong-Goo Kang（延世大学电气与电子工程系） 💡 毒舌点评 这篇论文最大的亮点是提供了一个优雅且高效的“去vocoder”解决方案，用一个统一的流匹配模型直击频谱，避免了传统两阶段管线的性能天花板，在主观听感上甚至优于vocoded的GT。然而，其核心架构本质是成熟的ConvNeXt V2 U-Net在频域数据上的应用，创新更多体现在任务定义和流程整合上，而非模型架构本身，这使得它更像一个工程上的巧妙优化而非理论上的重大突破。 🔗 开源详情 代码：提供代码仓库链接：https://github.com/woongzip1/UniverSR 模型权重：论文中未提及是否公开预训练模型权重。 数据集：论文中提及了训练所用的数据集名称和规模，但未说明是否提供这些数据集的下载或处理脚本。 Demo：提供在线演示链接：https://woongzip1.github.io/universr-demo 复现材料：论文中详细说明了模型架构、训练超参数、损失函数、推理设置等，为复现提供了关键信息。 论文中引用的开源项目：未明确提及依赖的具体开源代码库。 📌 核心摘要 ...

ICASSP 2026 - 音频问答 共 15 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 Enhancing Audio Question-Answering Performance Through Log-L 8.5分 前25% 🥈 DSpAST: Disentangled Representations for Spatial Audio Reaso 8.0分 前25% 🥉 Improving Audio Question Answering with Variational Inferenc 7.5分 前25% 4. TAU: A Benchmark for Cultural Sound Understanding Beyond Sem 7.5分 前25% 5. Efficient Audio-Visual Inference Via Token Clustering And Mo 7.5分 前25% 6. SightSound-R1: Cross-Modal Reasoning Distillation from Visio 7.5分 前25% 7. Keeping Models Listening: Segment- and time-aware attention 7.5分 前25% 8. Benchmarking Humans And Machines On Complex Multilingual Spe 7.5分 前25% 9. FastAV: Efficient Token Pruning for Audio-Visual Large Langu 7.0分 前25% 10. AUDIOGENIE-Reasoner: A Training-Free Multi-Agent Framework f 7.0分 前25% 11. Segmentwise Pruning in Audio-Language Models 7.0分 前50% 12. Teaching Audio Models to Reason: A Unified Framework for Sou 7.0分 前25% 13. AQUA-Bench: Beyond finding answers to knowing when there are 7.0分 前50% 14. Test-Time Scaling for Auditory Cognition in Audio Language M 7.0分 前25% 15. Advancing Speech Summarization in Multi-Modal LLMs with Rein 7.0分 前50% 📋 论文详情 🥇 Enhancing Audio Question-Answering Performance Through Log-Likelihood Guided Reward Functions 🔥 8.5/10 | 前25% | #音频问答 | #强化学习 | #多模态模型 #基准测试 ...

ICASSP 2026 - 预训练 共 1 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 Probing the Hidden Talent of ASR foundation models for L2 En 7.5分 前25% 📋 论文详情 🥇 Probing the Hidden Talent of ASR foundation models for L2 English Oral Assessment ✅ 7.5/10 | 前25% | #预训练 | #迁移学习 | #零样本 #语音评估 👥 作者与机构 第一作者：Fu-An Chao（台湾师范大学， 台北） 通讯作者：Berlin Chen（台湾师范大学， 台北） 作者列表：Fu-An Chao（台湾师范大学， 台北）， Bi-Cheng Yan（台湾师范大学， 台北）， Berlin Chen（台湾师范大学， 台北） 💡 毒舌点评 ...

ICASSP 2026 - 领域适应 共 2 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 Beyond Mapping: Domain-Invariant Representations via Spectra 7.5分 前25% 🥈 The Synergistic Role of Audio and Large Video-Language Model 7.0分 前25% 📋 论文详情 🥇 Beyond Mapping: Domain-Invariant Representations via Spectral Embedding of Optimal Transport Plans ✅ 7.5/10 | 前25% | #领域适应 | #最优传输 #谱图嵌入 | #最优传输 #谱图嵌入 👥 作者与机构 第一作者：未说明 通讯作者：未说明 作者列表：Abdel Djalil Sad Saoud (Universite Paris-Saclay, CEA, List), Fred Maurice Ngol`e Mboula (Universite Paris-Saclay, CEA, List), Hanane Slimani (Universite Paris-Saclay, CEA, List) 💡 毒舌点评 ...