Icassp-2026

📄 Learning to Align with Unbalanced Optimal Transport in Linguistic Knowledge Transfer for ASR #语音识别 #迁移学习 #知识蒸馏 #端到端 ✅ 6.5/10 | 前50% | #语音识别 | #迁移学习 | #知识蒸馏 #端到端 学术质量 3.4/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Xugang Lu（日本信息通信研究机构， National Institute of Information and Communications Technology, Japan） 通讯作者：未明确说明（论文中未明确指定通讯作者） 作者列表：Xugang Lu（日本信息通信研究机构）、Peng Shen（日本信息通信研究机构）、Hisashi Kawai（日本信息通信研究机构） 💡 毒舌点评 论文的核心亮点在于将数学理论上的“非平衡最优传输”巧妙地应用于解决ASR知识迁移中声学与语言表征“长对短、多对一、有噪音”的尴尬对齐困境，理论动机清晰。然而，短板也很明显：实验仅在两个中文朗读语料上用CTC系统验证，如同只在一个特定鱼塘测试新渔网；更关键的是，完全不公开代码和模型，让后续研究者“巧妇难为无米之炊”，极大削弱了工作的实际影响力。 🔗 开源详情 代码：论文中未提及代码仓库链接。 模型权重：未提及公开模型权重。 数据集：AISHELL-1和MagicData均为公开数据集，但论文未说明具体获取或预处理脚本。 Demo：未提供在线演示。 复现材料：给出了主要模型架构尺寸、损失函数权重η、熵正则化系数ε、优化器和学习率等关键信息，但缺乏完整的配置文件、检查点和训练日志。对于UOT求解器的实现细节（如迭代停止条件）描述不足。 论文中引用的开源项目：引用了bert-base-chinese（HuggingFace）、Conformer实现（可能基于ESPnet等框架），但未明确说明其代码基于哪个开源项目。 总结：论文中未提及开源计划。 📌 核心摘要 问题：在基于预训练语言模型（PLM）的跨模态知识迁移中，将语言知识从文本域转移到声学域，核心挑战在于声学序列（帧数多、含噪音）与语言序列（token数少）之间存在固有的、不对齐且不平衡的对应关系。 方法核心：提出一种基于非平衡最优传输（UOT）的对齐框架。UOT通过引入边际惩罚项（λ₁, λ₂），放松了传统OT的质量守恒约束，允许声学或语言侧的部分“质量”（信息）不被匹配，从而实现软性、部分的对齐。 创新之处：与标准OT（平衡约束）或传统的交叉注意力（仅局部相似性）相比，UOT能显式地建模模态间的分布失配和结构不对称。通过调整λ₁和λ₂，可以灵活控制对齐策略（如优先保证每个语言token都有对应声学帧），从而更鲁棒地处理噪声帧和冗余信息。 主要实验结果：在AISHELL-1（普通话）测试集上，最优UOT配置（λ₁=0.5, λ₂=1.0）的CER为4.06%，相比作为基线的标准OT方法（OT-BERT-CTC）的4.19%有约3%的相对改进。在MagicData数据集上，改进更明显，测试集CER从2.17%降至2.02%（约7%相对改进）。 实际意义：提供了一种更符合声学-语言对齐先验知识的数学框架，可提升知识迁移的效率和最终ASR性能，且迁移后模型保持CTC解码的高效性。 主要局限性：实验范围有限，仅在中文普通话的两个朗读语料库和CTC-based ASR系统上进行验证，未展示在其他语言、自发性语音或主流Transformer-Transducer等系统上的效果；未提供代码，复现困难；对UOT中λ₁, λ₂选择的讨论偏向经验性，缺乏自动选择机制。 🏗️ 模型架构 论文提出一个基于UOT的跨模态知识迁移框架，用于增强CTC-based ASR。其整体架构如下图所示（对应原文图1）： ...

📄 Learning Vocal-Tract Area And Radiation With A Physics-Informed Webster Model #歌唱语音合成 #物理信息神经网络 #信号处理 #语音合成 ✅ 7.0/10 | 前50% | #歌唱语音合成 | #信号处理 | #物理信息神经网络 #语音合成 学术质量 6.0/7 | 选题价值 1.0/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Minhui Lu（Queen Mary University of London, Centre for Digital Music） 通讯作者：未说明（论文中未明确标注通讯作者，但根据常见惯例，第一作者或最后作者可能是。此处严格按论文内容判断，未明确提及。） 作者列表：Minhui Lu（Queen Mary University of London, Centre for Digital Music）、Joshua D. Reiss（Queen Mary University of London, Centre for Digital Music） 💡 毒舌点评 亮点：论文将经典的Webster声学方程与物理信息神经网络（PINN）结合，不仅学习了声道面积函数，还创新性地引入了可学习的端口辐射边界条件，为语音合成提供了高度可解释的物理控制参数。短板：然而，整个实验建立在合成的、高度理想化的稳态元音数据上，缺乏对真实歌唱语音的验证；其宣称的“物理可解释性”参数（如辐射系数ζ）在实际复杂声源和噪声环境下的鲁棒性与可区分性存疑。 ...

📄 Learning What to Hear: Boosting Sound-Source Association for Robust Audiovisual Instance Segmentation #音视频实例分割 #查询学习 #多模态模型 #注意力机制 #损失函数设计 ✅ 7.5/10 | 前25% | #音视频实例分割 | #查询学习 | #多模态模型 #注意力机制 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Jinbae Seo（Yonsei University） 通讯作者：Jiyoung Lee（School of AI and Software, Ewha Womans University），Kwanghoon Sohn（Yonsei University, Korea Institute of Science and Technology (KIST)） 作者列表：Jinbae Seo（Yonsei University）、Hyeongjun Kwon（Yonsei University）、Kwonyoung Kim（Yonsei University）、Jiyoung Lee（Ewha Womans University）、Kwanghoon Sohn（Yonsei University & KIST） 💡 毒舌点评 这篇论文精准地指出了现有音视频实例分割（AVIS）方法中“视觉偏见”的核心痛点（均匀加法融合和纯视觉训练目标），并用两个直观且有效的模块（交叉注意力的查询生成与序数回归的计数监督）予以解决，实验增益明确。然而，其创新性相对局部，本质上是AVISM框架的“插件式”改进，且最大性能提升（Swin-L骨干）仍依赖于更强的预训练视觉模型，未能完全摆脱对视觉主导性的依赖。 ...

📄 LenslessMic: Audio Encryption and Authentication via Lensless Computational Imaging #音频安全 #无透镜成像 #神经音频编码 #音频分类 ✅ 7.5/10 | 前25% | #音频安全 | #无透镜成像 | #神经音频编码 #音频分类 学术质量 6.5/7 | 选题价值 1.0/2 | 复现加成 0.5 | 置信度 中 👥 作者与机构 第一作者：Petr Grinberg (Audiovisual Communications Laboratory, EPFL) 通讯作者：未说明（作者列表未标注，邮箱为共通格式 first.last@epfl.ch） 作者列表：Petr Grinberg (EPFL), Eric Bezzam (EPFL), Paolo Prandoni (EPFL), Martin Vetterli (EPFL)。所有作者均隶属于 EPFL 的 Audiovisual Communications Laboratory。 💡 毒舌点评 亮点：本文巧妙地将“无透镜相机的视觉隐私”这一特性，逆向思维用于“音频的隐私保护”，构建了一个从声到光再到密文的全新物理安全链路，构思颇具巧思。短板：系统实用性受制于笨重的硬件原型（需要显示器作为光源）和缓慢的采集速度，其宣称的“物理层安全”优势，在“已知明文攻击”下可能因音频帧尺寸过小而受到挑战，迫使采用更复杂（且效果更差）的帧分组策略来弥补。 🔗 开源详情 代码：论文提供了项目主页链接 (https://blinorot.github.io/projects/LenslessMic)，并声明开源了代码。但论文文本中未直接给出代码仓库（如GitHub）的具体URL。 模型权重：论文中未明确提及是否公开预训练好的Learned等模型的具体权重文件。 数据集：论文明确开源了收集的多个数据集（见表1），包括Librispeech子集和SongDescriber音乐数据，以及对应的无透镜测量值。可通过项目主页获取。 Demo：论文提供了一个在线演示页面 (https://blinorot.github.io/projects/LenslessMic)，可以试听重构的音频样本。 复现材料：论文提供了详细的训练数据收集方法、模型架构、损失函数、训练步数（50k）、学习率（1e-4）、batch大小（4个连续帧）等复现所需的关键信息。未提及检查点文件和详细的环境配置。 论文中引用的开源项目： 神经音频编码器：DAC (Descript Audio Codec) [14]。 音频评估：NVIDIA NeMo 工具包 [27] 中的Parakeet-TDT-0.6B-v2（用于转录）和TitaNet-L（用于说话人嵌入）。 无透镜成像原型：DigiCam [15]。 重建算法基线：ADMM [24]。 📌 核心摘要 要解决什么问题：数字音频的安全传输目前主要依赖软件加密算法（如AES），论文旨在探索一种新的、基于物理硬件的补充性安全方案，为音频数据提供额外的保护层，以应对潜在的深度伪造、窃听等威胁。 方法核心是什么：提出LenslessMic，一个混合硬件-软件系统。其核心流程是：将音频信号通过神经音频编码器（NAC，具体使用DAC）压缩为潜在表示，将该表示重塑为图像帧；利用无透镜相机（一个基于可编程掩模的低成本原型DigiCam）对这些图像帧进行拍摄，得到多重散射的测量值（密文）。解密时，必须使用正确的点扩散函数（PSF，由掩模图案决定）对测量值进行逆向重建，恢复出潜在表示图像，再输入音频解码器恢复音频。 与已有方法相比新在哪里：(1) 跨模态安全范式：首次将无透镜成像的视觉隐私特性应用于音频加密，开辟了光学物理层安全在音频领域的新应用。(2) 融合架构创新：结合了NAC的鲁棒性（尤其是残差向量量化RVQ的容错能力）与无透镜成像的安全性，提出了完整的端到端加密-解密流程。(3) 主动安全机制：通过可编程掩模动态改变PSF，并结合帧分组（g）技术，主动增强系统对各类攻击的抵抗力。 主要实验结果如何：论文在多个数据集上进行了验证。关键结果如表2所示：使用在域数据（train-clean）训练的Learned模型，解密语音的ViSQOL为4.50，STOI达0.96，接近无加密的Ground-truth。安全性方面，图2显示当正确PSF像素比例W=7%时，WER已达100%，搜索空间等效于AES-256。认证实验（图3）显示，正确PSF与随机PSF的恢复结果在WER和UTMOS指标上可完美区分，认证准确率达100%。帧分组消融表明，g=2足以防御已知明文攻击（NoPSF模型WER=100%），但会轻微降低重建质量。 实际意义是什么：该研究为音频数据安全提供了一种新的防御维度——物理层安全。它证明了光学加密可以与先进的音频编码技术结合，在保证解密质量的同时，提供强大的加密强度和用户认证能力。其开源贡献有助于推动该交叉领域的研究。 主要局限性是什么：(1) 硬件实用性：当前原型依赖电脑显示器作为光源，体积大，不适合实际部署；采集速度慢，存储开销大于原始音频。(2) 质量与安全的权衡：增强安全性（如增大g）会导致解密质量下降。(3) 泛化能力：模型在跨音频类型（语音到音乐）和跨编码器（DAC到X-Codec）时性能有下降，表明系统对特定编码格式有依赖性。(4) 潜在攻击面：论文承认小尺寸音频帧可能使已知明文攻击在理论上可行，尽管通过增大g进行了缓解。 🏗️ 模型架构 LenslessMic是一个端到端的音频加密与认证系统，其架构包含编码、加密（物理拍摄）、解密（重建）和解码四个主要阶段。 ...

📄 LESS: Large Language Model Enhanced Semi-Supervised Learning for Speech Foundational Models Using in-the-wild Data #语音识别 #语音翻译 #半监督学习 #大语言模型 #多语言 ✅ 7.5/10 | 前25% | #语音识别 #语音翻译 | #半监督学习 #大语言模型 | #语音识别 #语音翻译 学术质量 7.0/7 | 选题价值 7.5/2 | 复现加成 1.0 | 置信度 高 👥 作者与机构 第一作者：Wen Ding（NVIDIA Corporation） 通讯作者：未说明 作者列表：Wen Ding（NVIDIA Corporation），Fan Qian（NVIDIA Corporation） 💡 毒舌点评 这篇论文巧妙地将一个在NLP领域成熟的工具（LLM）转化为解决语音SSL中“脏数据”问题的利器，思路实用且效果显著，特别是在AST任务上SOTA的结果很有说服力。然而，其验证的“语音大模型”高度集中于Whisper，缺乏对其他架构（如USM, MMS）的验证，让人好奇该框架是否具有更普适的迁移能力。 🔗 开源详情 代码：提供。论文明确提供了开源配方的GitHub仓库链接：github.com/nvidia-china-sae/mair-hub/tree/main/speech-llm/less_recipe。 模型权重：未提及开源作者自己训练的模型权重。但所使用的基础模型（Whisper Large-v3, Yi-Large, LLaMA-3-70B）均为公开可用的模型。 数据集： 有标签数据（AISHELL-1, Fisher, Callhome）是公开的标准数据集。 论文中使用的“真实世界”YouTube数据集（1590小时普通话， 868小时西班牙语）是自行收集的，论文未说明其是否公开或如何获取。 Demo：论文中未提及在线演示。 复现材料：提供了开源配方，包含训练流程、依赖工具（K2 Icefall）和实验配置的关键细节（如学习率， 模型， LLM选择， 过滤阈值），复现基础较好。 论文中引用的开源项目： K2 Icefall toolkit (https://github.com/k2-fsa/icefall) Silero VAD (https://github.com/snakers4/silero-vad) Whisper Large-v3 (Hugging Face) Yi-Large (通过NVIDIA NIM访问) LLaMA-3-70B (通过NVIDIA NIM访问) Qwen2.5-coder-32b-instruct (通过NVIDIA NIM访问) ESPnet (用于对比的基线结果) 📌 核心摘要 要解决的问题：当前最先进的语音基础模型（SFMs）在半监督学习中利用从真实世界（in-the-wild）收集的未标注音频数据时，面临一个核心挑战：这些数据声学环境复杂多样，模型生成的伪标签质量较低，导致训练效果不佳。 方法核心：提出了LESS框架。该框架在标准的无教师-学生（Noisy Student Training）SSL流程中，引入一个文本大语言模型（LLM）作为“校正器”，对SFMs（如Whisper）在未标注音频上生成的伪标签（ASR转录或AST翻译文本）进行修正。随后，通过一个基于WER（词错误率）变化的数据过滤策略，筛选出LLM修正后质量更高的伪标签，与原始有标签数据混合，用于迭代微调SFMs。 与已有方法相比新在哪里：传统SSL方法要么专注于训练策略优化，要么使用小型模型和经过筛选的无标签数据。LESS的创新在于：(a) 首次系统性地将LLM集成到面向真实世界、嘈杂数据的语音SSL流程中，作为独立的伪标签优化模块；(b) 提出了“WER Prompting”技巧，让LLM在生成修正文本时同时输出估计的WER，可辅助过滤；(c) 专门设计并验证了该框架在“真实世界”数据场景下的有效性，而不仅仅是使用现有干净数据集忽略其标签。 主要实验结果： 中文ASR：在WenetSpeech测试集上，相比仅使用AISHELL-1训练的监督基线，经过三轮LESS迭代训练后，WER从17.7%绝对下降至13.9%，降幅达3.8%。在领域内测试集AISHELL-1/2上，WER保持稳定（约3.0%/5.2%）。 西语-英语AST：在Callhome和Fisher测试集上，LESS方法达到了34.0和64.7的BLEU分数，显著优于监督基线（33.5， 64.2）和不加LESS的标准NST（33.2， 64.0）。 消融实验：验证了通用LLM（Yi-Large）比代码专精LLM（Qwen2.5-coder）更适合纠错；WER提示词（WER Prompting）和严格的过滤阈值（0.1）能带来性能提升。 实际意义：该框架为利用海量、易获取但质量低劣的网络语音数据训练更强健、适应性更广的语音大模型提供了一种有效的工程化路径，有助于降低对昂贵精标数据的依赖。 主要局限性：研究中使用的语音大模型（SFMs）主要局限于Whisper Large-v3，未验证该方法在其他主流架构（如USM, MMS）上的泛化能力。此外，对于AST任务，仅进行了一轮迭代实验，多轮迭代的潜力和收敛情况有待探索。真实世界数据的噪声和多样性控制标准未深入讨论。 🏗️ 模型架构 论文提出的是一个迭代优化的流水线框架（LESS），而非一个独立的新模型架构。其核心组件和数据流如下： ...

📄 LETPAV: Lexicon-Enhanced Text with Progressive Audio-Visual Fusion for Multimodal Sentiment Analysis #多模态模型 #语音情感识别 #跨模态 #对比学习 ✅ 7.5/10 | 前25% | #语音情感识别 | #多模态模型 | #跨模态 #对比学习 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Jiaxun Li（浙江大学） 通讯作者：Yuehai Wang（浙江大学） 作者列表：Jiaxun Li（浙江大学）、Yuanpeng Wang（未说明）、Wei Li（未说明）、Jiale Chen（未说明）、Yuehai Wang*（浙江大学） 💡 毒舌点评 这篇论文清晰地瞄准了多模态情感分析中“文本强势、音视频弱势”的经典痛点，提出的渐进式音视频融合策略思路直接且有效，消融实验也扎实地证明了每个模块的贡献。然而，其创新更多是现有模块（如词典增强、交叉注意力、对比学习损失）的巧妙组合与针对性调优，缺乏根本性的架构突破，且在处理更复杂的模态交互或缺失场景时未见讨论。 🔗 开源详情 代码：论文中提及“使用作者发布的官方代码在相同条件下复现”，表明代码已开源，但未在提供的文本中给出具体链接。 模型权重：未提及是否公开预训练模型权重。 数据集：使用CMU-MOSI和CMU-MOSEI公开数据集，未提及需额外获取。 Demo：未提供在线演示。 复现材料：论文提供了详细的实验设置，包括优化器类型、各模块学习率、批大小、权重衰减、Dropout率、训练硬件（4x RTX 4090 D GPU），以及评估指标。但未说明总训练步数、调度策略等细节。 论文中引用的开源项目：使用了SenticNet词典、BERT预训练模型、FACET和COVAREP特征提取工具包。 📌 核心摘要 本文针对多模态情感分析（MSA）中不同模态（文本、音频、视觉）信息密度不平衡导致的融合难题，提出了一种名为LETPAV的轻量化框架。其核心方法是：1) 设计了一个词典增强与上下文门控的文本编码器（LECT），通过引入外部情感词典的极性先验和同义词扩展，并结合上下文门控机制，来增强文本特征的情感敏感度，使其作为语义锚点；2) 提出了渐进式音视频融合策略（PAVF），通过多层跨模态注意力逐步对齐并融合音频和视觉特征，形成一个紧凑的联合表征，再与增强文本进行通道注意力融合。训练时还引入了方向一致性损失和跨模态对齐损失以稳定模型。在CMU-MOSI和CMU-MOSEI两个主流基准数据集上的实验表明，LETPAV在多个指标上（如CMU-MOSI上MAE降至0.692，Corr提升至0.840）取得了优于或可比于当前最先进方法（SOTA）的成绩。该工作的实际意义在于为多模态融合中的信息不平衡问题提供了一种简单有效的解决方案，潜在可用于情感计算、人机交互等领域。其主要局限性可能在于未探索模型在更复杂场景（如模态缺失、长序列）下的鲁棒性，且词典的引入可能带来外部知识偏差。 🏗️ 模型架构 LETPAV模型的整体框架如图1所示，其处理流程和主要组件如下： ...

📄 Leveraging Audio-Visual Data to Reduce the Multilingual Gap in Self-Supervised Speech Models #语音识别 #自监督学习 #多模态模型 #多语言 #零样本 ✅ 6.0/10 | 前50% | #语音识别 | #自监督学习 | #多模态模型 #多语言 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Mar´ıa Andrea Cruz Bland´on（坦佩雷大学 Tampere University，实习期间完成） 通讯作者：未说明（论文中未明确标注通讯作者，但Zakaria Aldeneh作为Apple方负责人，通常可视为代表） 作者列表： Mar´ıa Andrea Cruz Bland´on (坦佩雷大学) Zakaria Aldeneh (Apple) Jie Chi (Apple) Maureen de Seyssel (Apple) 💡 毒舌点评 本文巧妙地借鉴认知科学观察，为解决一个棘手的工程问题（多语言SSL性能下降）提出了一个优雅的多模态思路，并通过严谨的实验设计令人信服地展示了其效果。但研究仅在英语-法语这一对相对“友好”的语言上进行验证，且视觉数据完全来自机器翻译和TTS合成，这使得其结论在更复杂的真实世界多语言场景（如语言对差异大、口语化、噪声环境）中的普适性存疑，仿佛是在无菌实验室里验证了某种特效药，但尚未在临床试验中证明其广谱疗效。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及公开权重。 数据集：论文使用了公开数据集（LibriLight, Audiocite, Common Voice）和基于MS-COCO的Crossmodal-3600。但用于第二阶段训练的ML-COCO子集（包含合成语音） 的获取方式和具体细节未详细说明，可能依赖内部工具生成，论文中未提及如何获取该合成数据。 Demo：未提供在线演示。 复现材料：论文中给出了超参数、训练步数、损失函数等细节，但缺少具体的代码和配置脚本。 论文中引用的开源项目：引用了HuBERT、wav2vec 2.0、LXMERT、Fast-VGS+等开源模型或架构，但未说明本工作是否复用了它们的具体代码。 📌 核心摘要 问题：自监督语音模型（如HuBERT）在单语设置下效果优异，但在多语言设置下存在“多语言差距”，即在各语言上的表现通常低于对应的单语模型。传统解决方法（使用超大规模多语数据）计算成本高昂。 方法：提出在双语语音SSL模型中引入有限的视觉grounding作为辅助信号。核心思想是，视觉信息（图像）可以作为一种“语际桥梁”，帮助模型更好地分离和区分不同语言的语音模式，从而减少跨语言干扰。 创新点： 启发来自认知科学（双语婴儿更关注视觉线索）。 将视觉grounding作为数据高效的解决方案，用于缓解多语言干扰，而非用于多模态任务本身。 设计了严谨的对照实验（SSLA vs. VGS+），隔离视觉信息的纯粹贡献。 主要实验结果： 在零样本音素判别（ABX）任务上，视觉grounding（VGS+）模型相比纯音频模型（SSLA），将双语与单语模型之间的性能差距（多语言差距）从相对31.6%大幅降低至相对7.95%，实现了74.7%的相对缩减。 视觉grounding带来的性能增益，对双语模型（平均相对提升26.68%）显著大于对单语模型（平均相对提升10.71%），验证了其差异性收益。 引入第二阶段数据（ML-COCO）时，纯音频模型性能下降，而视觉grounding模型性能提升，表明其对域偏移更鲁棒。 语言判别实验也显示，视觉grounding增强了双语模型的语言区分能力（错误率从36.66%降至33.69%）。 实际意义：为构建数据高效、鲁棒的多语言语音表示模型提供了新途径，表明多模态信号可以作为一种正则化或辅助信号来改善纯粹语音建模中的问题。 主要局限性：研究仅限于英语和法语双语场景；视觉数据来自合成语音和图像描述，非自然视听；训练仅在两个阶段引入视觉信息，未探索更早或动态引入的效果；双目标优化权重固定；未评估在下游任务（如ASR、语音翻译）上的效果。 🏗️ 模型架构 本研究的核心架构基于FaST-VGS+，并在音频编码器部分进行了调整。整体为一个多任务学习框架，包含音频编码和视觉对齐两个分支。 ...

📄 Leveraging Diffusion U-Net Features for Predominant Instrument Recognition #音乐信息检索 #扩散模型 #特征学习 #低资源 🔥 8.0/10 | 前25% | #音乐信息检索 | #扩散模型 | #特征学习 #低资源 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Charis Cochran（Drexel University, USA） 通讯作者：未说明 作者列表：Charis Cochran（Drexel University, USA）、Yeongheon Lee（University of Pennsylvania, USA）、Youngmoo Kim（Drexel University, USA） 💡 毒舌点评 亮点：论文巧妙地将用于生成的扩散模型“降维”用作特征提取器，并系统验证了其在音频识别任务（PIR）上的潜力，思路新颖且具有启发性。短板：实验结果虽然显示了扩散特征的竞争力，但整体上并未显著超越一个相对陈旧的CNN基线（Han et al., 2017），且部分乐器（如小号、大提琴）性能下降，暴露出该方法在特定音色上的脆弱性和数据集局限。 🔗 开源详情 代码：提供了GitHub仓库链接：https://github.com/charisrenee/InstrumentRecognitionWithDiffusion。 模型权重：论文中未明确提及是否公开预训练的扩散模型（Model 0/A/B/C）或最终分类器的权重。 数据集：明确说明并发布了新创建的OpenPIR数据集，可在上述GitHub仓库获取。IRMAS是公开数据集。 Demo：论文中未提及在线演示。 复现材料：提供了扩散模型训练参数表格（表1）、特征提取和分类器评估的系统化流程（图1），代码仓库应包含相关实现。但部分训练细节（如优化器、学习率）未在论文正文中详述。 论文中引用的开源项目：引用了a-unet， audio-diffusion-pytorch用于构建扩散模型；SoundStream用于声码器；IRMAS、OpenMIC作为数据源。 📌 核心摘要 这篇论文旨在解决音乐信息检索（MIR）中的主要乐器识别（PIR）任务面临的数据标注有限和类间性能差异大的问题。其核心方法是：首次将预训练的音频扩散模型（U-Net结构）作为固定的特征提取器，通过探究其在不同去噪时间步（t）和网络层的中间表征，搭配轻量级分类器头（如MLP、CNN）来完成PIR任务。为弥合训练集（单标签）与测试集（多标签）的不匹配，论文还提出了一个新的多标签注释数据集OpenPIR。实验表明，在低噪声条件下的瓶颈层特征最具判别力，且使用OpenPIR数据能一致提升所有模型的性能。虽然扩散特征的整体性能（例如，最佳模型的Micro F1接近但未全面超越Han et al. CNN基线的0.65）尚未成为新的SOTA，但在电吉他、原声吉他和钢琴等特定乐器上已展现出超越基线的潜力。这项工作为“生成模型可用于判别性任务”在音频领域提供了早期证据，指明了探索统一生成-识别框架的方向。其主要局限性在于，对于大提琴、单簧管等乐器的识别依然困难，且所用扩散模型参数量（240M）远大于分类器，整体方案效率有待评估。 ...

📄 Leveraging Large Multimodal Models for Audio-Video Deepfake Detection: A Pilot Study #音频深度伪造检测 #多模态模型 #监督微调 #跨模态 ✅ 7.0/10 | 前25% | #音频深度伪造检测 | #多模态模型 | #监督微调 #跨模态 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：Songjun Cao（腾讯优图实验室） （注：论文中注明与Yuqi Li贡献均等） 通讯作者：未说明 作者列表：Songjun Cao¹, Yuqi Li¹, ², Yunpeng Luo¹, Jianjun Yin², Long Ma¹ （¹ 腾讯优图实验室， ² 复旦大学） 💡 毒舌点评 亮点：将“音视频深度伪造检测”巧妙地重塑为“多模态问答任务”，利用现成的顶级多模态大模型（Qwen 2.5 Omni）作为骨架，通过两阶段微调迅速达到了领域内顶尖水平，证明了LMM在多媒体取证中的巨大潜力。 短板：作为一篇方法论论文，其核心创新（SFT LMM）对基础模型架构的依赖性极强，且未提供任何开源资源（代码、模型、训练脚本），使得“复现即正义”的学术圈同仁难以验证和跟进，更像是一个概念验证（Pilot Study）。 🔗 开源详情 代码：论文中未提及代码仓库链接。 模型权重：未提及是否公开微调后的AV-LMMDetect模型权重。 数据集：论文使用了公开数据集FakeAVCeleb和MAVOS-DD，并给出了引用和部分划分信息（如FakeAVCeleb使用70%/30%划分）。 Demo：未提及在线演示。 复现材料：未提供训练细节、配置、检查点或附录说明。 引用的开源项目：论文中明确引用了Qwen 2.5 Omni作为基座模型，以及MAVOS-DD、FakeAVCeleb等数据集。 开源计划：论文中未提及开源计划。 📌 核心摘要 要解决的问题：现代生成模型制造的音视频深度伪造内容日益逼真，现有的多模态检测器多为任务特定的小模型，存在泛化能力弱、跨域性能差的问题。 方法核心：提出AV-LMMDetect，首次将监督微调的大型多模态模型（基于Qwen 2.5 Omni）用于端到端的音视频深度伪造检测。方法将检测任务重新定义为一个二元分类问答：“这个视频是真实的还是伪造的？”。训练采用两阶段策略：第一阶段通过LoRA对语言模型部分进行轻量级对齐；第二阶段解冻视觉和音频编码器进行全量微调，以最大化跨模态协同效应。 与已有方法相比新在哪里：不同于传统的小型任务特定模型（如CNN/Transformer流水线）或仅处理单模态的音频LLM，本工作首次证明了经过SFT的通用大型多模态模型（LMM）能够作为统一的检测器，直接处理原始的音视频流，并展现出更强的跨模态推理和泛化能力。 主要实验结果：在FakeAVCeleb数据集上，AV-LMMDetect取得了98.02%的准确率和99.2%的AUC，与当前SOTA方法AVFF（98.6%准确率）性能相当。在更具挑战性的多语言MAVOS-DD数据集上，该方法在“开放集完整”场景下达到了85.09%的准确率和0.96的mAP，显著优于所有对比方法，树立了新的SOTA。消融实验表明，两阶段训练策略缺一不可。 实际意义：为多媒体安全领域提供了一种新的、基于大模型基座的通用检测范式，有望提升检测器对未知生成模型和跨语言场景的泛化能力，维护媒体内容的真实性。 主要局限性：该方法完全依赖于特定的基座大模型（Qwen 2.5 Omni），其性能受限于该模型的能力边界；训练过程可能计算成本较高；论文未提供开源实现，限制了成果的快速验证与应用。 🏗️ 模型架构 AV-LMMDetect的整体架构直接建立在已有的大型多模态模型Qwen 2.5 Omni之上。其核心思路是将音视频深度伪造检测重新表述为一个视觉问答（VQA）任务。 ...

📄 Leveraging Large Speech Language Models as Evaluators for Expressive Speech #语音情感识别 #语音大模型 #模型评估 #预训练 #数据集 ✅ 6.5/10 | 前50% | #语音情感识别 | #语音大模型 | #模型评估 #预训练 学术质量 4.5/7 | 选题价值 1.5/2 | 复现加成 0.3 | 置信度 中 👥 作者与机构 第一作者：未说明（论文署名为 Bismarck Bamfo Odoom, Philipp Koehn，未明确区分第一作者） 通讯作者：未说明 作者列表：Bismarck Bamfo Odoom（Johns Hopkins University, Center for Language and Speech Processing）、Philipp Koehn（Johns Hopkins University, Center for Language and Speech Processing） 💡 毒舌点评 这篇论文巧妙地将表达性语音评估任务转化为一个“听懂并描述”问题，让SLM兼职当“考官”，思路值得肯定。但遗憾的是，“考官”的评分体系（微调后的分类性能）虽然在数字上有所提升，却更像是完成了一份填空题答卷，而非输出了能指导TTS优化的深度分析报告，其“评估器”的真正价值尚未被充分挖掘和验证。 ...