Icassp-2026

📄 Linguard: Authenticating Speech Recordings Using Speech Recognition and Watermark #音频安全 #语音识别 #说话人验证 #信号处理 ✅ 6.5/10 | 前50% | #音频安全 | #信号处理 | #语音识别 #说话人验证 学术质量 5.5/7 | 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：Shameer Faziludeen（University College Cork， School of Computer Science and Information Technology） 通讯作者：未明确说明（论文提供的是所有作者的邮箱，未指定通讯作者） 作者列表： Shameer Faziludeen（University College Cork） Arun Sankar M. S.（South East Technological University， Department of Electronics and Communication Engineering） Phillip L. De Leon（University of Colorado Denver， Department of Electrical Engineering） Utz Roedig（University College Cork） 💡 毒舌点评 亮点：系统架构设计巧妙，将数字签名、水印和语音处理技术解耦又紧密结合，实现了“内容签名”而非“信号签名”的理念，概念上清晰且实用。 短板：实验部分过于依赖单一数据集（TIMIT）且规模较小，缺乏对抗真实世界复杂攻击（如高质量语音克隆替换）的评估，结论的普适性存疑；同时，系统各环节的容错与性能边界分析不足。 ...

📄 LipsAM: Lipschitz-Continuous Amplitude Modifier for Audio Signal Processing and its Application to Plug-And-Play Dereverberation #语音增强 #即插即用学习 #Lipschitz连续性 #鲁棒性 #信号处理 ✅ 7.5/10 | 前25% | #语音增强 | #信号处理 | #即插即用学习 #Lipschitz连续性 学术质量 6.5/7 | 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：Kazuki Matsumoto（东京农工大学） 通讯作者：未明确说明（论文中列出三位作者，无明确通讯作者标注） 作者列表：Kazuki Matsumoto, Ren Uchida, Kohei Yatabe（均来自东京农工大学，Tokyo University of Agriculture and Technology） 💡 毒舌点评 这篇论文漂亮地解决了一个音频深度学习中“理论上不优雅但实践中常用”的架构痛点，为看似经验主义的“幅度修改”网络注入了严格的数学保证。不过，其应用场景（PnP去混响）相对狭窄，更像一个精致的“补丁”而非范式革新，且未开源代码，让读者“只能远观，无法亵玩”。 🔗 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：使用了公开数据集LibriTTS-R [28]和BUT reverb数据库 [29]，但论文本身未提供处理后的数据集。 Demo：未提及。 复现材料：论文详细描述了实验设置（网络结构、超参数、训练/测试流程），但未提供训练日志、配置文件或检查点。 引用的开源项目：未明确提及依赖的外部开源工具库，但方法基于标准深度学习框架（如PyTorch/TensorFlow）和ADMM算法即可实现。 📌 核心摘要 问题：在音频信号处理中，深度神经网络（DNN）常采用在短时傅里叶变换（STFT）域修改频谱幅度、保留相位的架构（即振幅修改器，AM）。然而，这种架构即使其核心DNN是Lipschitz连续的，整个系统通常也不是Lipschitz连续的，这阻碍了利用Lipschitz连续性来保证系统鲁棒性和算法稳定性的理论分析。 方法核心：论文证明了使振幅修改器（AM）成为Lipschitz连续（称为LipsAM）的一个充分条件：核心DNN不仅要Lipschitz连续，其输出幅度还必须被输入幅度逐元素地限制（定理4）。据此，提出了两种LipsAM架构：LipsAM-SE（信号估计器，通过min操作限制输出）和LipsAM-RE（残差估计器，通过ReLU确保残差非负）。 新意：首次建立了针对音频AM架构的Lipschitz连续性理论条件，并提供了可直接应用的、简单的架构修改方案（在输出端添加限制层）。同时，推导了LipsAM-SE和LipsAM-RE的Lipschitz常数理论上界（分别为√(Lip(S)²+1) 和 Lip(R)+1）。 主要实验结果：在即插即用（PnP）语音去混响任务中，LipsAM显著提升了算法的稳定性。当参数λ设置不当时，传统AM（AM-SE， AM-RE）容易发散，而LipsAM能保持稳定。在10个测试信号上的定量评估（2000次迭代）显示，LipsAM-RE达到了最佳的SI-SNR（20.57 dB）。关键结果如下表所示： 去噪器 D SI-SNR (↑) [dB] PESQ (↑) STOI (↑) ViSQOL (↑) AM-SE N/A (发散) N/A N/A N/A LipsAM-SE 16.61 2.91 0.91 3.64 AM-SE (Ortho) 9.54 2.30 0.88 3.10 LipsAM-SE (Ortho) 14.44 2.68 0.93 3.75 AM-RE 17.98 3.21 0.97 4.21 LipsAM-RE 20.57 3.14 0.97 4.21 AM-RE (Ortho) N/A (发散) N/A N/A N/A LipsAM-RE (Ortho) 18.64 2.90 0.95 3.94 Soft Thresh. (τ=0.1) 17.34 2.95 0.96 3.89 实际意义：为音频DNN的设计和分析提供了一个新的理论视角和实用工具。LipsAM可以作为一种“即插即用”的稳定性增强模块，直接应用于基于STFT和振幅修改的现有音频处理流程中，提高迭代式优化算法（如PnP）的收敛鲁棒性。 主要局限性：研究局限于振幅修改型架构，未涵盖时频掩蔽等其他主流音频DNN架构。理论分析基于特定的Lipschitz条件假设，在更复杂的真实场景和网络结构中的泛化性有待验证。实验仅在语音去混响上展示，未在更广泛的音频任务（如增强、分离）中验证。 🏗️ 模型架构 论文主要提出两种Lipschitz连续的振幅修改器（LipsAM）架构，它们都建立在传统AM-SE和AM-RE架构之上。其核心思想是：在传统的振幅修改DNN（S或R）的输出端，增加一个强制性的“限制层”，确保最终输出的频谱幅度不超过输入频谱幅度（即满足Assumption 3的条件2），从而整体上满足Lipschitz连续性的要求。 ...

📄 Lisa: Lightweight Yet Superb Neural Speech Coding #语音编码 #向量量化 #信号处理 #实时处理 🔥 8.5/10 | 前25% | #语音编码 | #信号处理 | #向量量化 #实时处理 学术质量 8.5/7 | 选题价值 7.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Jiankai Huang (南京大学) 通讯作者：Xun Cao (南京大学)， Zhan Ma (南京大学) 作者列表：Jiankai Huang (南京大学)， Junteng Zhang (南京大学)， Ming Lu (南京大学)， Xun Cao (南京大学)， Zhan Ma (南京大学) 💡 毒舌点评 论文提出的“调节残差使其更利于量化”这一核心思想非常巧妙且实用，直击传统RVQ在后续阶段效率低下的痛点，最终实现了在超低比特率下用极小的模型超越一众巨型模型（如参数量4.98M vs 872M的SemantiCodec）。不过，实验部分略显“基础”，虽然对比了多个模型，但缺乏对更复杂噪声环境、不同语言或说话人风格下鲁棒性的分析，也缺乏直接的主观听感（MOS）测试，说服力上稍打折扣。 🔗 开源详情 代码：提供代码仓库链接：https://arsx958.github.io/Lisa-Lightweight-Yet-Superb-Neural-Speech-Coding/ 模型权重：提供预训练模型下载（论文中提及“pretrained model can be downloaded from our GitHub repository”）。 数据集：使用公开的LibriTTS数据集，未说明是否提供额外处理后的数据。 Demo：论文页面链接可能包含演示，但文中未明确说明。 复现材料：提供了详细的训练配置（数据集、优化器、学习率、步长、硬件），足以支持复现。代码仓库应包含模型定义和训练脚本。 引用的开源项目：论文引用了多个作为基线的开源项目/工具，如FunCodec [12]。 📌 核心摘要 问题：现有神经语音编码器在低/超低比特率下，编码效率受限于特征表示能力和量化过程的不足，特别是传统残差向量量化（RVQ）在初始阶段后，残差变得不规则，导致量化损失高、效率低下。 方法核心：提出轻量级编码器-解码器Lisa，其核心是引入两个创新模块：(1) 带Inception残差块（IRB）的因果频域编码器，用于提取多尺度特征；(2) 受调节残差向量量化（R-RVQ），在每个量化阶段前通过一个可学习模块将残差“调节”为更规整、更适合量化的形式。 新在哪里：R-RVQ首次在量化前主动对残差进行结构化重塑，而非被动处理原始残差。这与传统RVQ直接堆叠量化器有本质区别，确保了每个阶段都能有效降低量化误差。 实验结果：在LibriTTS数据集上，Lisa在500 bps时ViSQOL达3.90，在1500 bps时达4.43，超越了FunCodec、MUFFIN、StreamCodec等基线模型，同时模型参数仅4.98M，计算量为2.83G MACs，适合实时流式应用。 实际意义：为在极低带宽下实现高质量、低延迟的实时语音通信（如视频会议、云游戏）提供了高效可行的解决方案。 主要局限性：实验主要在干净语音（LibriTTS）上验证，对噪声、失真或实际网络传输环境的鲁棒性未作评估；评估指标依赖客观分数，缺少主观听感测试；对模型在极低延迟（<10ms）场景下的性能未做专门探讨。 🏗️ 模型架构 Lisa的整体架构遵循“编码-量化-解码”的经典范式，但全程在时频域（STFT域）操作以利用多分辨率特征。其完整流程如下： ...

📄 Listen, But Don’t Leak: Sensitive Data Protection for Privacy Aware Automatic Speech Recognition with Acoustic Triggers #语音识别 #对抗样本 #隐私保护 #模型微调 ✅ 7.5/10 | 前25% | #语音识别 | #对抗样本 | #隐私保护 #模型微调 学术质量 6.0/7 | 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：Trinita Roy（斯图加特大学自然语言处理研究所） 通讯作者：未说明 作者列表：Trinita Roy（斯图加特大学自然语言处理研究所）、Ngoc Thang Vu（斯图加特大学自然语言处理研究所） 💡 毒舌点评 这篇论文巧妙地将“攻击”变成了“防御”，把原本用于欺骗ASR的声学触发器，扭转为用户手中一个明确的“隐私保护”开关，这种概念转换本身就很有趣且实用。然而，它的“防御工事”是建立在特定训练数据和中小规模模型上的，如果现实世界中的ASR系统（比如GPT-4o、Gemini等）遇到一个未经此类训练的、更鲁棒的“触发器”或者根本忽略了这个高频信号，那所谓的“保护”可能就形同虚设了。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及。 数据集：论文中使用了LibriSpeech（公开）和自建的短语级编辑数据集。自建数据集未提及是否公开。 Demo：未提及。 复现材料：论文未提供详细的训练超参数（如学习率、batch size）、硬件配置或训练日志。模型架构基于公开的Whisper，但微调后的权重未公开。 论文中引用的开源项目：提到了OpenAI Whisper、Hugging Face Transformers (Seq2SeqTrainer)、LibriSpeech、Faker、Coqui TTS、CosyVoice、GPT-4o。 总结：论文中未提及任何开源计划。 📌 核心摘要 要解决什么问题：随着自动语音识别（ASR）系统的广泛应用，其无意中转录用户的敏感或私人信息引发了严重的隐私担忧。现有的隐私保护方法多为后处理，难以在保护隐私和维持转录效用之间取得良好平衡。 方法核心是什么：本文提出了一种名为“保护性声学触发”（Protective Acoustic Triggering， PAT）的新方法。其核心是在音频输入中前置一个由双音合成的高频声学触发信号，并通过微调ASR模型（如Whisper），使其在检测到该触发信号时，自动将后续语音内容替换为特殊的<REDACTED>令牌，从而实现内置的、用户可控的隐私编辑。 与已有方法相比新在哪里：传统方法（如差分隐私、后处理过滤）是被动且滞后的。本文的创新在于：1） 范式转化：首次将用于攻击的声学对抗触发器，重新定义为一种主动的、防御性的隐私控制机制。2） 用户可控：触发器作为显式控制信号，让用户能实时、灵活地开启或关闭隐私保护模式。3） 端到端嵌入：将隐私意识直接嵌入ASR模型内部，而非依赖外部模块。 主要实验结果如何：在句子级编辑任务中，Whisper-small模型达到了99.47%的编辑成功率（RSR）。在更精细的短语级编辑任务中，该模型成功保护了97.7%的测试样本（即其中超过一半的敏感短语被编辑），对敏感短语的保护精度（PRA）为90.6%，同时在非敏感内容上的词错误率（WER）仅为10.9%，接近基线水平。关键实验结果如下： 模型 RSR (%) (句子级) WER (句子级) SRP (%) SRR (%) RSRp (%) PRA (%) WER (短语级) Whisper-tiny 98.70 10.2 92.8 90.4 96.4 86.2 11.1 Whisper-base 99.00 9.8 94.5 93.9 97.1 88.3 10.5 Whisper-small 99.47 9.6 95.3 94.2 97.7 90.6 10.9 实际意义是什么：该工作为构建隐私感知的ASR系统提供了一种新的思路。它赋予了用户对自身语音数据转录行为的显式控制权，有望应用于智能音箱、实时字幕、医疗/法律语音记录等对隐私敏感的场景，平衡了服务便利性与隐私安全。 主要局限性是什么：1） 模型与数据规模验证有限：实验仅在Whisper的tiny、base、small三个较小模型上进行，且使用了大量合成数据，其在更大、更强的ASR模型及真实、复杂对话数据上的有效性和鲁棒性尚未可知。2） 触发信号鲁棒性存疑：论文承认高频触发信号可能被简单的滤波器过滤或自然噪声干扰，其实际部署的可靠性面临挑战。3） 评估场景单一：评估基于朗读或合成语音，未涉及自发对话、多人重叠、远场拾音等更现实的复杂声学环境。 🏗️ 模型架构 论文描述了一种基于现有Whisper模型的微调方案，而非设计全新架构。其核心思想是在模型的输入和输出端分别进行适配，以学习“触发信号 -> 编辑行为”的映射。 ...

📄 LLAC: Learned Lossless Audio Codec #音频无损编码 #生成模型 #模型评估 ✅ 7.5/10 | 前25% | #音频无损编码 | #生成模型 | #模型评估 学术质量 6.0/7 | 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：Khanh Quoc Dinh (Samsung Research, Korea) 通讯作者：未说明 作者列表：Khanh Quoc Dinh (Samsung Research, Korea)， Liang Wen (Samsung R&D Institute China-Beijing, China)， Lizhong Wang (Samsung R&D Institute China-Beijing, China)， Kwang Pyo Choi (Samsung Research, Korea) 💡 毒舌点评 这篇论文的亮点在于勇敢地将无损音频编码的范式从“预测残差”转向“学习分布”，利用自编码器和注意力机制来建模每个样本的概率，最终在标准测试集上取得了可观的比特节省。但其最大的短板在于“黑箱”特性过强——关键训练细节、模型复杂度、推理延迟一概未提，导致这项看似扎实的工作因严重缺乏可复现性信息而打了折扣，读完让人感觉“学到了一个思路，但不知道怎么用”。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及。 数据集：使用了公开数据集（VCTK, LibriSpeech, ZerothKorean, LJSpeech），但未说明是否提供额外的预处理版本或获取指引。 Demo：未提及。 复现材料：未给出训练细节、配置、检查点或附录说明。 论文中引用的开源项目：引用了FLAC和ALAC的GitHub实现用于基线对比[6][7]，以及LINNE的官方实现[4]。 总结：论文中未提及任何针对LLAC本身的开源计划。 📌 核心摘要 问题：传统无损音��编码（如FLAC）依赖线性预测和Rice编码，其编码效率在处理复杂或快速变化的音频信号时存在理论饱和，亟需更先进的技术来突破瓶颈。 方法核心：提出LLAC框架，摒弃传统的残差编码，转而使用自编码器神经网络为音频块中的每个样本学习一个概率质量函数（PMF）的参数集（如正态分布的均值和标准差），然后利用该PMF进行算术编码等熵编码以实现无损压缩。同时，引入注意力机制对生成的参数集进行校正，并采用多网络自适应策略处理音频信号的多样性。 创新点：首次将自编码器用于无损音频编码的PMF建模；设计了基于注意力的参数校正机制，利用过去样本的真实值和预测值进行动态调整；通过按信号梯度分类并训练多个专用网络，提升了模型对不同音频类型的适应性。 主要实验结果：在四个语音数据集（VCTK， LibriSpeech， ZerothKorean， LJSpeech）上进行了广泛对比。LLAC的平均比特率为6.9463 bits/sample，平均压缩率为43.41%。与FLAC相比，平均节省了约10.92%的比特；与已有的神经网络方法LINNE相比，平均节省了约7.25%。消融实验证明，参数校正机制贡献巨大（去除后平均比特开销增加15.33%），多网络优化也有明显作用（去除后开销增加2.14%）。 图1说明：展示了LLAC的整体流程。输入音频块x通过编码器网络生成瓶颈表示y。解码器网络从y中同时生成每个样本的PMF初始参数（µNN， σNN）和用于校正的注意力参数（aµ， aσ）。最后，通过注意力机制校正得到最终的PMF参数（µt， σt），用于熵编码。 ...

📄 LLM-Based Post-ASR Error Correction for Disordered Speech #语音识别 #大语言模型 #少样本 #低资源 ✅ 7.5/10 | 前50% | #语音识别 | #大语言模型 | #少样本 #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：未说明（论文中写“*These authors contributed equally.”，作者贡献均等） 通讯作者：未说明 作者列表：Hangyi Wen（卡内基梅隆大学计算机科学学院）、Mikiyas Assefa（卡内基梅隆大学计算机科学学院）、Anas Semsayan（卡内基梅隆大学计算机科学学院）、Eduardo Feo-Flushing（卡内基梅隆大学计算机科学学院） 💡 毒舌点评 本文首次系统性地将LLM后处理应用于病理性（失语症）语音识别纠错，研究路径清晰、实验设计全面（多ASR融合、少样本、微调），并提供了代码，具有明确的实用价值和人文关怀。然而，核心实验基于一个仅包含6个样本（共约20分钟）的小型数据集（APROCSA），这使得所有定量结论的普适性和统计显著性都大打折扣，也让论文在创新深度上稍显不足。 🔗 开源详情 代码：是，提供GitHub仓库链接：https://github.com/cmu-impactlab/LLM-Corrector-for-Aphasic-ASR。论文明确说明代码、提示、采样函数和转录数据均已开源。 模型权重：未提及。论文未说明是否公开微调后的LLM（Qwen2.5-14B LoRA）权重。 数据集：是，实验所用核心数据集APROCSA [17]是公开数据集。论文中也提供了处理后的转录数据（通过GitHub链接）。 Demo：未提及。 复现材料：提供了代码、提示词、数据处理脚本和转录文本，复现细节相对充分，但训练超参数（如学习率、batch size）未详细说明。 引用的开源项目/工具：JiWER（用于文本对齐）、CMU Pronouncing Dictionary（用于音素覆盖策略）、TRL SFTTrainer（用于微调）。 📌 核心摘要 要解决什么问题：当前自动语音识别（ASR）系统在识别病理性语音（如失语症患者）时性能极差，对话词错误率（WER）常超过50%，造成了严重的无障碍访问障碍。 方法核心是什么：提出使用大型语言模型（LLM）作为后处理层，对来自通用ASR系统的识别结果进行纠错，无需重新训练声学模型。具体评估了三种互补策略：多ASR系统输出融合、基于少样本提示的单假设纠正、基于参数高效适配器的监督微调。 与已有方法相比新在哪里：据作者声称，这是首次系统性研究基于LLM的后处理方法专门用于纠正病理性语音的ASR错误。现有工作多聚焦于将LLM集成进ASR流程或用于典型语音纠错，本研究验证了其在病理性语音这一挑战性场景下的有效性和可行性。 主要实验结果如何：在APROCSA失语症对话语料库上，三种LLM策略均能显著降低WER并提升语义相似度。 多ASR融合：使用GPT-4.1融合十个ASR假设，WER相对平均ASR基线降低了46%（从平均26%降至14%），语义相似度从87%提升至93%。 少样本纠正：使用GPT-4.1对单个ASR输出进行纠正，WER相对提升最高可达53%，且性能与基线ASR的WER高度负相关（R²=0.90）。 监督微调：在微小数据集（26条训练样本）上微调Qwen2.5-14B LoRA，效果不稳定，随机选择策略的SFT实现了11.1%的相对WER降低，但音素覆盖策略反而导致性能下降。 关键实验结果表格： ...

📄 Localizing Speech Deepfakes Beyond Transitions via Segment-Aware Learning #音频深度伪造检测 #数据增强 #自监督学习 #语音安全 #鲁棒性 🔥 8.0/10 | 前25% | #音频深度伪造检测 | #数据增强 | #自监督学习 #语音安全 学术质量 7.5/7 | 选题价值 0.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Yuchen Mao 通讯作者：Yanmin Qian 作者列表：Yuchen Mao (Auditory Cognition and Computational Acoustics Lab, MoE Key Lab of Artificial Intelligence, AI Institute, School of Computer Science, Shanghai Jiao Tong University), Wen Huang (同Yuchen Mao的单位), Yanmin Qian (上海交通大学计算机科学学院 听觉认知与��算声学实验室，教育部人工智能重点实验室，AI学院； VUI Labs) 💡 毒舌点评 亮点：论文精准地指出了现有方法过度依赖“过渡区域伪影”的“捷径学习”短板，并提出了简洁有效的“段感知学习”框架，通过位置监督和跨段混合，强制模型理解伪造内容本身，显著提升了在最具挑战性的“中间段”的检测能力和跨数据集泛化性能。短板：尽管实验充分，但对模型容量（如Conformer块的具体参数）、训练硬件和时长的描述不够详尽，且未公开模型权重，这为学术界和工业界的复现与直接应用设置了一定门槛。 ...

📄 LongSpeech: A Scalable Benchmark for Transcription, Translation and Understanding in Long Speech #基准测试 #数据集 #语音识别 #语音翻译 #多语言 ✅ 7.8/10 | 前25% | #基准测试 | #数据集 | #语音识别 #语音翻译 学术质量 5.5/7 | 选题价值 1.8/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Fei Yang（上海交通大学；阿里巴巴国际数字商务） 通讯作者：Chenyang Lyu（阿里巴巴国际数字商务） 作者列表： Fei Yang（上海交通大学；阿里巴巴国际数字商务） Xuanfan Ni（阿里巴巴国际数字商务） Renyi Yang（代尔夫特理工大学；阿里巴巴国际数字商务） Jiahui Geng（林雪平大学） Qing Li（格罗宁根大学） Chenyang Lyu（阿里巴巴国际数字商务） Yichao Du（阿里巴巴国际数字商务） Longyue Wang（阿里巴巴国际数字商务） Weihua Luo（阿里巴巴国际数字商务） Kaifu Zhang（阿里巴巴国际数字商务） 💡 毒舌点评 亮点：论文直面语音模型从“短句能手”到“长卷大师”转型过程中的评测荒漠，构建了一个任务全面、数据量级宏大（10万+段，每段约10分钟）的“压力测试场”，其“内容分离”和“时序定位”等任务设计尤其刁钻，能有效暴露模型在长上下文推理上的短板。短板：作为基准，其自身的“创新”更多是工程整合与任务设计，论文对实验结果的剖析深度略显不足（例如，为何某些模型在特定任务上崩溃？），且完全依赖GPT-4作为某些任务的评估器，引入了“用更贵的模型评估便宜的模型”的黑箱与成本问题。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：论文评估了多个现有模型，但未提及公开自己训练的模型权重。 数据集：论文明确表示“The benchmark will be made publicly available to the research community.”，即数据集计划开源，但未给出具体的下载链接或平台（如Hugging Face）。 Demo：论文中未提及。 复现材料：论文提供了数据构建的方法论和流程描述，这是重要的复现材料。但未提供数据预处理脚本、评估脚本或具体的超参数配置。 引用的开源项目：论文引用了被评估的音频语言模型的代码库或技术报告，如Whisper [1], Qwen2-Audio [5], Kimi-Audio [6], AudioFlamingo3 [9], Voxtral [10], DashengLM [11]。也引用了评估工具如GPT-4-Turbo [14]和指标库如ROUGE [13]。 📌 核心摘要 解决问题：现有语音基准测试（如LibriSpeech）主要针对短音频，无法有效评估模型处理真实世界长时音频（如会议、讲座）的能力，特别是在需要跨片段理解、推理和跟踪复杂信息时。 ...

📄 Look, Listen and Segment: Towards Weakly Supervised Audio-Visual Semantic Segmentation #音视频语义分割 #弱监督学习 #对比学习 #跨模态 #视觉提示 ✅ 7.0/10 | 前25% | #音视频 | #对比学习 | #音视频语义分割 #弱监督学习 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Chengzhi Li（北京理工大学计算机学院） 通讯作者：Ping Jian（北京理工大学计算机学院） 作者列表：Chengzhi Li（北京理工大学计算机学院）、Heyan Huang（北京理工大学计算机学院）、Ping Jian（北京理工大学计算机学院）、Yanghao Zhou（北京理工大学计算机学院） 💡 毒舌点评 亮点：论文的“先看后听”直觉式框架设计非常巧妙，将人类感知顺序转化为模型中的“时序视觉提示”模块，有效提升了弱监督下的音频理解精度，是解决该问题的一个新颖且合理的思路。短板：作为一篇方法论论文，开源信息的完全缺失是硬伤，极大削弱了其可复现性和对社区的即时贡献，也与顶级会议推动可重复研究的目标背道而驰。 🔗 开源详情 论文中未提及任何开源计划、代码仓库链接、预训练模型权重或数据集获取方式。也未提供在线演示（Demo）。虽然文中提到了依赖的基线方法（如AST）和工具（如Dense CRF），但并未给出其具体使用的开源实现版本。因此，复现该工作需要读者自行实现所有模块并调试训练流程，门槛较高。 📌 核心摘要 本文旨在解决音视频语义分割（AVSS） 任务中标注成本高昂的问题。为此，作者首次提出了弱监督音视频语义分割（WSAVSS） 任务，仅使用视频级标签训练模型，以生成帧级的发声物体类别掩码。论文提出了渐进式跨模态语义对齐（PCAS） 框架，其核心包含两个模块：1）“先看后听” 模块，利用视觉特征作为提示来增强帧级音频理解；2）“先听后分割” 模块，通过实例级和令牌级的渐进式对比学习，实现从粗到细的跨模态对齐。与已有方法相比，新在：首次定义WSAVSS任务；首次在音视频分割中引入“视觉提示”来指导音频理解；设计了新颖的渐进式跨模态对比学习框架。实验结果显示，在弱监督设置下，PCAS在AVS-S4和AVS-MS3数据集上的性能大幅超越了现有弱监督基线（例如，在AVS-S4上以ViT-base为主干达到74.2 F-score 和 60.50 mIoU）。在更难的AVSS子集上，PCAS甚至达到了与全监督方法相竞争的性能（52.2 F-score， 42.07 mIoU）。其实际意义在于能够以低成本获取高质量的音视频语义分割数据，推动该技术的应用。主要局限性在于论文未开源代码，部分训练细节不完整，且实验主要在AVSS相关数据集上进行，泛化性有待进一步验证。 ...

📄 Loose Coupling of Spectral and Spatial Models for Multi-Channel Diarization and Enhancement of Meetings in Dynamic Environments #说话人日志 #语音分离 #麦克风阵列 #波束成形 #多通道 ✅ 7.2/10 | 前25% | #说话人日志 #语音分离 | #麦克风阵列 #波束成形 | #说话人日志 #语音分离 学术质量 7.2/7 | 选题价值 6.0/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Adrian Meise (Paderborn University, Germany), Tobias Cord-Landwehr (Paderborn University, Germany) （论文标注“*Authors contributed equally”，为共同第一作者） 通讯作者：未说明 作者列表：Adrian Meise (Paderborn University), Tobias Cord-Landwehr (Paderborn University), Christoph Boeddeker (Paderborn University), Marc Delcroix (NTT, Inc., Japan), Tomohiro Nakatani (NTT, Inc., Japan), Reinhold Haeb-Umbach (Paderborn University) 💡 毒舌点评 亮点： 论文直击一个长期被忽略但非常实际的痛点——传统谱空联合模型在动态会议场景（说话人移动）下的根本性失效，并提出了一个数学上优雅的“松耦合”解法，实验也证明了其在模拟移动场景下的巨大优势。 短板： 该模型的性能高度依赖于谱特征（说话人嵌入）的质量，而论文本身也承认在重叠语音下嵌入质量会急剧恶化，这使得模型在高重叠率的真实复杂场景中的有效性存疑；此外，所有实验均基于模拟的位置变化（旋转麦克风通道），而非真实的说话人移动轨迹，验证的充分性打折扣。 ...