Posts

ICML 2026 语音/音频论文详细分析 共分析 137 篇 ICML 2026 论文 🎯 任务分类 点击任务标签查看该方向所有论文： 音视频理解（18篇） 音视频生成（10篇） 音频分类（9篇） 音频理解（8篇） 音乐生成（8篇） 语音合成（8篇） 音视频问答（8篇） 语音识别（5篇） 语音伪造检测（4篇） 语音交互（4篇） 语音增强（4篇） 语音编码（4篇） 多模态模型（3篇） 音频伪造检测（3篇） 音频分离（2篇） 空间音频（2篇） 音频编码（2篇） 音频修复（2篇） 语音属性识别（2篇） 音频生成（2篇） ⚡ 会议概览 📥 ICML 2026 接收 6341 篇论文 → 🔍 关键词 + LLM 筛选 137 篇音频/语音/音乐相关 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音视频理解 18篇 ██████████████████ #音视频生成 10篇 ██████████ #音频分类 9篇 █████████ #音频理解 8篇 ████████ #音乐生成 8篇 ████████ #语音合成 8篇 ████████ #音视频问答 8篇 ████████ #语音识别 5篇 █████ #语音伪造检测 4篇 ████ #语音交互 4篇 ████ #语音增强 4篇 ████ #语音编码 4篇 ████ #多模态模型 3篇 ███ #音频伪造检测 3篇 ███ #音频分离 2篇 ██ 📊 论文评分排行榜（137 篇，按分数降序） 排名 论文 评分 分档 主任务 🥇 TimeChat-Captioner: Scripting Multi-Scene Videos with T 9.4分 前10% #音视频理解 🥈 Joint Enhancement and Classification using Coupled Diff 9.3分 前10% #语音识别 🥉 Learning Tight Rejection Boundaries without Negatives f 9.3分 前10% #语音伪造检测 4. AVTrack: Audio-Visual Tracking in Human-centric Complex 9.3分 前10% #音视频理解 5. A Semantically Consistent Dataset for Data-Efficient Qu 9.2分 前10% #音频分离 6. SAM Audio: Segment Anything in Audio 9.2分 前10% #音频分离 7. MECAT: A Multi-Experts Constructed Benchmark for Fine-G 9.1分 前10% #音频理解 8. $\tau$-Voice: Benchmarking Full-Duplex Voice Agents on 9.1分 前10% #语音交互 9. PhaseCoder: Microphone Geometry-Agnostic Spatial Audio 8.7分 前25% #空间音频 10. BAT: Better Audio Transformer Guided by Convex Gated Pr 8.6分 前25% #音频分类 11. SPEAR: A Unified SSL Framework for Learning Speech and 8.4分 前25% #音频理解 12. Dual-View Predictive Diffusion: Lightweight Speech Enha 8.4分 前25% #语音增强 13. Unlocking Cross-Modal Biosignal Synthesis: A Temporally 8.3分 前25% - 14. CoLA: Cross-Modal Low-rank Adaptation for Multimodal Do 8.3分 前25% #音视频理解 15. Speech-Audio Compositional Attacks on Multimodal LLMs a 8.3分 前25% #音频理解 16. MoST: Mixing Speech and Text with Modality-Aware Mixtur 8.2分 前25% - 17. IVQ: Structured and Lightweight Vector Quantization via 8.2分 前25% #音频编码 18. Spherical Procrustes Alignment for Reliable Medical Aud 8.2分 前25% #音频分类 19. Attend to Anything: Foundation Model for Unified Human 8.2分 前25% #音视频理解 20. VocSim A Training-free Benchmark for Zero-shot Content 8.2分 前25% #音频检索 21. JAEGER: Joint 3D Audio-Visual Grounding and Reasoning i 8.1分 前25% #声源定位 22. LALM-as-a-Judge: Benchmarking Large Audio-Language Mode 8.1分 前25% #语音交互 23. Pianist Transformer: Towards Expressive Piano Performan 8.1分 前25% #音乐生成 24. Simultaneous Speech-to-Speech Translation Without Align 8.0分 前25% #语音翻译 25. PHALAR: Phasors for Learned Musical Audio Representatio 8.0分 前25% #音乐生成 26. Optimality of FSQ Tokens for Continuous Diffusion for C 8.0分 前25% #语音合成 27. SonicMaster: Towards Controllable All-in-One Music Rest 8.0分 前25% #音频修复 28. Do Audio LLMs Listen or Read? Analyzing and Mitigating 8.0分 前25% #语音属性识别 29. Multiple Choice Learning of Low-Rank Adapters for Langu 8.0分 前25% #多模态模型 30. Bridging the Stability-Expressivity Gap: Synthetic Data 8.0分 前25% #语音合成 31. FutureOmni: Evaluating Future Forecasting from Omni-Mod 8.0分 前25% #音视频问答 32. Acoustic Interference: A New Paradigm Weaponizing Acous 8.0分 前25% #音频理解 33. ReGen: Hierarchical Multi-Prompt Representation Generat 8.0分 前25% #语音编码 34. DiscoForcing: A Unified Framework for Real-Time Audio-D 8.0分 前25% #音乐生成 35. DreamID-Omni: Unified Framework for Controllable Human- 8.0分 前25% #音视频生成 36. AgentSteerTTS: A Multi-Agent Closed-Loop Framework for 7.9分 前25% #语音合成 37. STAR-VAE: Structured Topology-Aware Regularization for 7.9分 前25% #音频生成 38. HyperPotter: Spell the Charm of High-Order Interactions 7.9分 前25% #音频伪造检测 39. T2AV-Compass: Towards Unified Evaluation for Text-to-Au 7.9分 前25% #音视频生成 40. Decoupling The “What” and “Where” With Polar Coordinate 7.8分 前25% #音乐生成 41. V-LynX: Token Interface Alignment for Video+X LLMs 7.8分 前25% #音视频问答 42. Ariadne’s Thread of LipSync: Unraveling Forgeries via I 7.8分 前25% #音视频理解 43. SONAR: Spectral‑Contrastive Audio Residuals for General 7.8分 前25% #语音伪造检测 44. TMD-Bench: A Multi-Level Evaluation Paradigm for Music– 7.7分 前25% #音视频生成 45. AudioMosaic: Contrastive Masked Audio Representation Le 7.7分 前25% #音频分类 46. BFCL Audio: An Audio Function Calling Evaluation for La 7.7分 前25% #语音交互 47. SALSA-V: Shortcut-Augmented Long-form Synchronized Audi 7.6分 前25% #音视频生成 48. BEAT: Tokenizing and Generating Symbolic Music by Unifo 7.6分 前25% #音乐生成 49. From Inpainting to Editing: Unlocking Robust Mask-Free 7.6分 前25% #扩散模型 50. Hearing Without Noticing? Attention-Aware Stealthy Blac 7.6分 前25% #语音识别 51. AVGen-Bench: A Task-Driven Benchmark for Multi-Granular 7.6分 前25% #音视频生成 52. Alethia: a Foundational Encoder for Voice Deepfakes 7.6分 前25% #语音伪造检测 53. AG-REPA: Causal Layer Selection for Representation Alig 7.6分 前25% #语音合成 54. AVI-Bench: Toward Human-like Audio-Visual Intelligence 7.6分 前25% #音视频理解 55. Two-dimensional quantization for geometry-aware audio c 7.6分 前25% #语音编码 56. Abstraction Induces the Brain Alignment of Language and 7.5分 前25% #语音编码 57. Self-Guidance: Enhancing Neural Codecs via Decoder Mani 7.5分 前25% #语音编码 58. OmniVideo-R1: Reinforcing Audio-visual Reasoning with Q 7.5分 前25% #音视频问答 59. Listening Through the Noise: Cauchy-Driven Diffusion Br 7.4分 前50% #音频修复 60. MoshiRAG: Asynchronous Knowledge Retrieval for Full-Dup 7.4分 前50% - 61. Omni-Perception Policy Optimization for Multimodal Emot 7.4分 前50% #音视频理解 62. video-SALMONN S: Memory-Enhanced Streaming Audio-Visual 7.3分 前50% #音视频问答 63. Group Cognition Learning: Making Everything Better Thro 7.3分 前50% #音视频理解 64. REST: Diffusion-based Real-time End-to-end Streaming Ta 7.3分 前50% #音视频生成 65. PhoStream: Benchmarking Real-World Streaming for Omnimo 7.3分 前50% #音视频问答 66. ProactiveLLM: Learning Active Interaction for Streaming 7.2分 前50% #语音识别 67. Stream RAG: Instant and Accurate Spoken Dialogue System 7.2分 前50% #流式处理 68. Probing Cross-modal Information Hubs in Audio-Visual LL 7.2分 前50% #音视频理解 69. Efficient Multi-modal Dataset Distillation via Analytic 7.2分 前50% #对比学习 70. Self-Supervised Flow Matching for Scalable Multi-Modal 7.2分 前50% #音视频生成 71. CoCoEmo: Composable and Controllable Human-Like Emotion 7.1分 前50% #语音合成 72. Scaling Transformers for End-to-End Discrete Audio Toke 7.1分 前50% #音频编码 73. Query-Based Asymmetric Modeling with Decoupled Input–Ou 7.1分 前50% #语音增强 74. OmniSIFT: Modality-Asymmetric Token Compression for Eff 7.1分 前50% #音视频问答 75. Sparse Autoencoders for Interpretable Emotion Control i 7.0分 前50% #语音合成 76. The Silent Thought: Modeling Internal Cognition in Full 7.0分 前50% #知识蒸馏 77. Hidden in Plain Tokens: Simply Robust, Gradient-Free Wa 7.0分 前50% #音频水印 78. Efficient Distributed MLLM Training with Cornstarch 7.0分 前50% #音视频理解 79. Reasoning LLM Improves Speaker Recognition in Long-form 7.0分 前50% - 80. Real-World Unsupervised Models Generalize to Predict Br 6.9分 前50% #模型评估 81. From Talking to Singing: A New Challenge for Audio-Visu 6.9分 前50% #音视频理解 82. OmniShow: Unifying Multimodal Conditions for Human-Obje 6.9分 前50% #音视频生成 83. E-VAds: An E-commerce Short Videos Understanding Benchm 6.9分 前50% #音视频问答 84. STARCaster: Spatio-Temporal AutoRegressive Video Diffus 6.8分 前50% #音视频生成 85. Zero-Shot Rankability: Revealing Latent Ordinal Structu 6.8分 前50% #音视频理解 86. An Exterior Method for Nonnegative Matrix Factorization 6.8分 前50% #音频分类 87. FoeGlass: Simple In-Context Learning Is Enough for Red 6.8分 前50% #语音伪造检测 88. Native Active Perception as Reasoning for Omni-Modal Un 6.8分 前50% #音视频理解 89. Unlocking Speech–Text Compositional Powers: Instruction 6.7分 前50% #语音交互 90. UltraLIF: Fully Differentiable Spiking Neural Networks 6.7分 前50% #音频分类 91. Towards Streaming Synchronized Spatial Audio Generation 6.6分 前50% #音视频生成 92. TextME: Bridging Unseen Modalities Through Text Descrip 6.6分 前50% - 93. Evaluating and Rewarding LALMs for Expressive Role-Play 6.6分 前50% #语音合成 94. PADS-TAL: Padding-Annealed Diffusion Sampling in Text-A 6.6分 前50% #音乐生成 95. ADEPT: RL-Aligned Agentic Decoding of Emotion via Evide 6.5分 前50% #语音情感识别 96. Universal Algorithm-Implicit Learning 6.5分 前50% #音频分类 97. SARSteer: Safeguarding Large Audio Language Models via 6.5分 前50% - 98. MetaPerch: Learning from metadata for bioacoustics foun 6.5分 前50% #音频分类 99. Polyphonia: Zero-Shot Timbre Transfer in Polyphonic Mus 6.5分 前50% #音乐生成 100. CMI-RewardBench: Evaluating Music Reward Models with Co 6.4分 前50% #音乐生成 101. Multimodal Fact-Level Attribution for Verifiable Reason 6.4分 前50% #音频理解 102. MedMosaic: A Challenging Large Scale Benchmark of Diver 6.4分 前50% #音频理解 103. INFER: Learning Implicit Neural Frequency Response Fiel 6.4分 前50% #空间音频 104. Characterizing the Predictive Impact of Modalities with 6.4分 前50% - 105. PCRNet: Phase-aware Complex Refinement Network for EEG- 6.4分 前50% #实时处理 106. OmniFit: Bridging Modalities via Layer-Adaptive Token C 6.3分 前50% #音视频理解 107. EchoingPixels: Aliasing-Resistant Joint Token Reduction 6.3分 前50% #音视频理解 108. Quaternion Self-Attention with Shared Scores 6.3分 前50% #语音增强 109. LightAVSeg: Lightweight Audio-Visual Segmentation 6.3分 前50% #模型压缩 110. SURF: Separation via Unsupervised Remixing Flow 6.2分 前50% #语音分离 111. Neural-Inspired Modeling of Auditory Selection and Comp 6.2分 前50% #音视频语音分离 112. AuTAgent: A Reinforcement Learning Framework for Tool-A 6.2分 前50% #音频理解 113. Multimodal Latent Language Modeling with Next-Token Dif 6.1分 前50% #语音合成 114. FakeWorld 1.0: An Omni-modal Benchmark for Fake Media a 6.1分 前50% #可解释性 115. ConsMSA: Semantic Distribution Consistency Learning for 6.1分 前50% #多模态模型 116. MusicDET: Zero-Shot AI-Generated Music Detection 6.1分 前50% #音频伪造检测 117. Convex Low-resource Accent-Robust Language Detection in 6.0分 前50% #语音识别 118. NeuroCLUS: A Foundation Model with Functional Clusterin 6.0分 前50% #语音识别 119. Sparse Tokens Suffice: Jailbreaking Audio Language Mode 5.9分 前50% #模型剪枝 120. Scaling Behavior in Model Fine-tuning for Audio DeepFak 5.9分 前50% #音频伪造检测 121. Bioacoustic Geolocation: Species Sounds as Geographic S 5.8分 前50% #音频理解 122. AudioChat: Unified Audio Storytelling, Editing, and Und 5.8分 前50% #音频生成 123. Omni-Diffusion: Unified Multimodal Understanding and Ge 5.8分 前50% - 124. Robust Signal Enhancement via Fractional Detail Views a 5.7分 前50% #语音增强 125. Multimodal Fusion via Self-Consistent Task-Gradient Fie 5.5分 前50% #鲁棒性 126. NAACA: Training-Free NeuroAuditory Attentive Cognitive 5.5分 前50% #音频事件检测 127. Language Model Augmented Semi-Supervised Statistical In 5.4分 后50% #语音属性识别 128. MER-DG: Modality-Entropy Regularization for Multimodal 5.4分 后50% #音视频理解 129. Towards Understanding Modality Interaction in Multimoda 5.3分 后50% #音视频理解 130. Stable Spectral Copula Alignment for Robust Multimodal 5.2分 后50% #鲁棒性 131. Multimodal Meta-Verifier with Explicit Structured Recal 5.2分 后50% #多模态模型 132. WaveSSM: Multiscale State-Space Models for Non-stationa 4.8分 后50% #音频分类 133. Efficient, Property-Aligned Fan-Out Retrieval via RL-Co 4.7分 后50% #音乐检索 134. VIBE: Disentangling Social Dynamics via Kinematics-Info 4.6分 后50% - 135. UniFLoW: Universal Multi-Modal Federated LoRA Fine-Tuni 4.4分 后50% #音视频问答 136. Rethinking Attention in Spiking Transformers: Overcomin 3.6分 后50% #音频分类 137. PRIM：Cooperative Dynamic Token Compression for Efficien 3.6分 后50% #音视频理解 📋 论文列表 🥇 TimeChat-Captioner: Scripting Multi-Scene Videos with Time-Aware and Structural Audio-Visual Captions 🔥 9.4/10 | 前10% | #音视频理解 | 创新 1.7/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 影响 0.9/1.5 | 开源 1.5/1.5 ...

ICASSP 2026 语音/音频论文详细分析 共分析 898 篇 ICASSP 2026 论文 🎯 任务分类 点击任务标签查看该方向所有论文： 语音识别（102篇） 语音增强（75篇） 语音合成（63篇） 语音情感识别（49篇） 音频分类（39篇） 音频生成（39篇） 音乐生成（31篇） 空间音频（31篇） 音频深度伪造检测（29篇） 音乐信息检索（26篇） 语音分离（25篇） 语音生物标志物（24篇） 音频事件检测（21篇） 模型评估（16篇） 声源定位（15篇） 音频问答（15篇） 生物声学（12篇） 音频安全（11篇） 音频检索（11篇） 音乐理解（11篇） 语音对话系统（10篇） 语音匿名化（10篇） 说话人验证（10篇） 说话人分离（9篇） 语音转换（9篇） 语音质量评估（8篇） 语音翻译（8篇） 语音伪造检测（8篇） 多模态模型（6篇） 音视频（6篇） 语音编码（5篇） 基准测试（5篇） 语音评估（5篇） 语音活动检测（5篇） 歌唱语音合成（5篇） 语音克隆（4篇） 语音问答（3篇） 情感分析（3篇） 音频场景理解（3篇） 音频增强（3篇） 语音识别 #语音翻译（3篇） 数据集（3篇） 音乐检索（3篇） 语音大模型（3篇） 歌唱语音转换（3篇） 视觉语音识别（2篇） 多模态情感识别（2篇） 信号处理（2篇） 语音理解（2篇） 领域适应（2篇） 听觉注意力解码（2篇） 多模态情感分析（2篇） 情感识别（2篇） 跨模态（2篇） 音频压缩（2篇） 音乐源分离（2篇） 关键词检测（2篇） 说话人日志（2篇） 跨模态检索（2篇） 水下声学目标识别（2篇） 视频生成（2篇） 听觉注意解码（1篇） 视频高光检测（1篇） 多音高估计 #音符跟踪（1篇） 歌唱语音转录（1篇） 异常声音检测（1篇） 脑机接口（1篇） 脑信号编码（1篇） 实体消歧（1篇） 音频检索 #音频分类（1篇） 目标说话人提取（1篇） 语音转换 #语音增强（1篇） 音频超分辨率（1篇） 基频估计（1篇） 语音发现（1篇） 语音表示学习（1篇） 数据集对齐（1篇） 预训练（1篇） 医疗AI（1篇） 语音解码（1篇） 说话人合成（1篇） 说话人脸生成（1篇） 说话人检测（1篇） 多模态对话意图识别（1篇） 视频理解（1篇） 音乐推荐（1篇） 视频设备识别（1篇） 说话人识别（1篇） 房间脉冲响应去噪（1篇） 音频质量评估（1篇） 主动降噪（1篇） 舞蹈生成（1篇） 歌唱旋律提取（1篇） 声场估计（1篇） 语音编码器（1篇） 音频编辑（1篇） 零样本关键词检测（1篇） 音频分离（1篇） 音频无损编码（1篇） 语音增强 #对抗防御（1篇） 音视频实例分割（1篇） 视频到音频生成（1篇） 语音摘要（1篇） 音频水印（1篇） 说话人日志 #语音分离（1篇） 联邦学习（1篇） 音乐混合（1篇） 视频片段检索（1篇） 神经解码（1篇） 视频检索（1篇） 语音驱动动作生成（1篇） 视频问答（1篇） 音频分类 #零样本学习（1篇） 主题建模（1篇） 说话人生成（1篇） 对抗样本（1篇） 音频描述（1篇） 主动噪声控制（1篇） 音乐分离（1篇） 音乐源提取（1篇） 音乐转录（1篇） 房间脉冲响应（1篇） 语音识别 #语音合成（1篇） 音频场景分类（1篇） 多通道（1篇） 音频效果估计（1篇） 音频信号处理（1篇） 回声消除（1篇） 语音生成（1篇） 实时处理（1篇） 音频大模型（1篇） 声学建模（1篇） 迁移学习（1篇） 课堂阶段分割（1篇） 噪声控制（1篇） 音频字幕生成（1篇） 轻度认知障碍检测（1篇） 音乐分类（1篇） 槽填充（1篇） 多模态学习（1篇） ⚡ 今日概览 📥 898 篇 → 🔬 深度分析完成 ...

ICLR 2026 语音/音频论文详细分析 共分析 133 篇 ICLR 2026 论文 🎯 任务分类 点击任务标签查看该方向所有论文： 语音合成（10篇） 音频生成（9篇） 语音识别（9篇） 基准测试（9篇） 音乐生成（9篇） 语音对话系统（8篇） 音频分类（6篇） 音频问答（6篇） 语音情感识别（5篇） 多模态模型（5篇） 音视频（4篇） 音频检索（4篇） 语音分离（3篇） 模型评估（2篇） 语音翻译（2篇） 音乐信息检索（2篇） 生成模型（2篇） 音乐理解（2篇） 视频生成（2篇） 跨模态生成（1篇） 脑编码（1篇） 模型可解释性（1篇） 音视频深度伪造检测（1篇） 图像生成（1篇） 数据集（1篇） 语音增强 #对抗样本（1篇） 语音大模型（1篇） 音频编辑（1篇） 音视频事件检测（1篇） 生态计算（1篇） 视频描述生成（1篇） 视频摘要（1篇） 语音问答（1篇） 基准测试 #数据集（1篇） 音频安全（1篇） 神经网络架构（1篇） 语音转换 #语音匿名化（1篇） 声源定位（1篇） 序列解耦（1篇） 空间音频（1篇） 音频分离（1篇） 机器人操作（1篇） 动作生成（1篇） 音频场景理解（1篇） 跨模态检索（1篇） 语音增强（1篇） 多模态推理（1篇） 语音合成评估（1篇） 语音生成（1篇） 生物声学（1篇） 模型比较（1篇） 音视频联合推理（1篇） 语音识别 #语音合成（1篇） ⚡ 今日概览 📥 133 篇 → 🔬 深度分析完成 ...

📄 Alignment Drift in Single-Model Speculative Decoding for ASR: Mechanism, Correction, and Cost 标签：#语音识别 #自回归模型 #高效推理 #多语言 7.3/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 ✅ 7.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #自回归模型 | #高效推理 #多语言 | arxiv 👥 作者与机构 第一作者：Xinyu Wang（机构未说明；论文给出邮箱 xinyu@boson.ai） 通讯作者：未说明 作者列表：Xinyu Wang、Huapeng Zhou、Ziyu Zhao、Silin Meng、Ke Bai、Dongming Shen、Xiao-Wen Chang、Alex Smola（机构均未明确标注） 💡 毒舌点评 这篇文章的真正贡献不是“投机解码能加速 ASR”，而是把 ASR 单模型投机解码的失败定位到了浅层草稿在无 target 干预期间丢失音频位置。它用 restart/continuation 分解、固定宽度窗口干预、验证注意力读出和 AnchorDraft 训练目标形成了一套机制证据链。短板是证据链部分依赖离线强制对齐 oracle，运行时修正在 clean 上净收益不显著，训练修正数据量小，且没有可访问代码、权重或 demo；因此方法价值大于直接可复现价值。 ...

📄 CardioState-JEPA: Delay-Aware Cross-Modal Learning of a Shared Cardiac Representation 标签：#音频分类 #自监督学习 #多模态模型 #Transformer #医疗音频 7.2/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 7.2/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频分类 | #自监督学习 | #多模态模型 #Transformer | arxiv 👥 作者与机构 第一作者：Hamza Shafiq（机构未明确；文中“Affiliation: Jun Hu”标注异常） 通讯作者：Aaqib Saeed（Eindhoven University of Technology, Netherlands；a.saeed@tue.nl） 作者列表：Hamza Shafiq（机构未明确）、Hung Manh Pham（Singapore Management University, Singapore）、Bin Zhu（Singapore Management University, Singapore）、Pan Zhou（Singapore Management University, Singapore）、Aaqib Saeed（Eindhoven University of Technology, Netherlands） 💡 毒舌点评 本文把 ECG、PPG、PCG 之间的生理学延迟建模为可学习的一等公民部件，延迟感知 latent prediction 加上两阶段课程在多个下游任务中确实带来显著提升，尤其对过去较弱的心音 PCG 任务贡献清楚。跨模态对齐不是简单拼接，而是通过可微高斯核和生理 anchor 监督把延迟估计嵌入训练目标，这比 naive timestamp alignment 有实质进步。但论文在无代码、无权重、部分关键训练细节未交代的前提下，仍把“统一心脏基础模型”的叙述推得较满，复现性和工业可信度明显打折；PCG 基线选择和统计显著性也仍有可诟病之处。 ...

📄 CASA: Content-Acoustic Speaking Assessment with Speech Encoder and Large Language Model 标签：#语音质量评估 #多模态模型 #大语言模型 #参数高效微调 #教育 7.9/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.9/1 | 影响 0.9/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.9/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #语音质量评估 | #多模态模型 | #大语言模型 #参数高效微调 | arxiv 👥 作者与机构 第一作者：Nhan Phan（Aalto University, Department of Information and Communications Engineering） 通讯作者：未说明 作者列表： Nhan Phan（Aalto University, Department of Information and Communications Engineering） Ilona Lähteenmäki（University of Helsinki, Department of Education） Anna von Zansen（University of Helsinki, Department of Education） Olli-Pekka Pauna（Aalto University, Department of Information and Communications Engineering） Yaroslav Getman（Aalto University, Department of Information and Communications Engineering） Tamás Grósz（Aalto University, Department of Information and Communications Engineering / Walton Institute, Programmable Autonomous Systems Division） Mikko Kurimo（Aalto University, Department of Information and Communications Engineering） 💡 毒舌点评 该工作的双分支设计把"声学传达"与"文本内容"干净地拆开，并用带容差的辅助损失和 LoRA 适配 Whisper 中间层，提供了比大多数 speech-LLM 系统更少参数的可解释方案，实验透明度较好。然而，其 SOTA 声明建立在 RMSE 相差 0.002 的边际优势上，作者自己都不承认有实质改进，且没有跨数据集验证，距离真正的可泛化口语评估系统还有相当距离。 ...

📄 Comparative Analysis of Multilingual Pre-trained Models for Nepali Automatic Speech Recognition 标签：#语音识别 #迁移学习 #多语言 #低资源 #基准测试 7.6/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.6/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：中 | #语音识别 | #迁移学习 | #多语言 #低资源 | arxiv 👥 作者与机构 第一作者：Suman Paudel（Tribhuvan University, School of Mathematical Sciences） 通讯作者：未说明 作者列表：Suman Paudel（Tribhuvan University, School of Mathematical Sciences）、Sarbin Sayami（Tribhuvan University, Central Department of Computer Science and Information Technology） 💡 毒舌点评 这项工作把“fine-tune 六个现成多语言预训练模型”做成了尼泊尔 ASR 目前最需要的受控基准，proximity-vs-scale 和 29× RTF 差异是有信息量的部署结论。但研究更像一次严谨的模型体检：没有多 seed 或统计显著性检验，Common Voice 上所有模型集体崩坏却未做系统声学/文本噪声归因，“MMS-1B 域外退化最小”这一卖点也部分被其较差的内域基线稀释。结论主要建立在一个朗读语料协议和单一训练配置上，还不足以形成尼泊尔低资源 ASR 的完整可靠性判断。 ...

📄 Drive-to-Music: Context-Aware Generative Audio for In-Vehicle Experiences 标签：#音乐生成 #多模态模型 #生成模型 #智能座舱 #实时处理 5.2/10 | 创新 1/2 | 严谨 0.8/1.5 | 实验 0.6/1.5 | 清晰 0.7/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 📝 5.2/10 | 后50% | 文档类型：系统技术报告 | 评分置信度：中 | #音乐生成 | #多模态模型 | #生成模型 #智能座舱 | arxiv 👥 作者与机构 第一作者：Cosmin Dragoiu（Mercedes-Benz Research & Development North America） 通讯作者：未说明 作者列表：Cosmin Dragoiu（Mercedes-Benz Research & Development North America）、Nooshin Nabizadeh（Mercedes-Benz Research & Development North America） 邮箱信息：cosmin.dragoiu@mercedes-benz.com、nooshin.nabizadeh@mercedes-benz.com 💡 毒舌点评 该工作把 VLM、LLM、生成式音频模型和座舱氛围灯整合成一条完整的车载音乐生成流水线，组件选型基准和 safety check 清单对工业落地有参考价值。但论文最大的硬伤是 VLM 选型结论与自己的基准数据直接矛盾：Gemini 2.5 Flash Lite 延迟更低（0.6s vs 1.2s）、CLIP 分数更高（27.25 vs 26.43），最后却选了 LiquidAI，且正文没有给出任何解释；此外"实时"“个性化"“用户正向反馈"等关键声明缺少端到端延迟、真实车辆测试和任何可量化用户研究支撑。作为顶会投稿，这更像是一份工程 demo 报告而非研究论文。 ...

📄 EgoCITE: Context-Augmented Indexing and Time-Aware Retrieval for Long-Horizon Egocentric Memory 标签：#音视频问答 #大语言模型 #多模态模型 #音视频 #基准测试 7.2/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.2/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #音视频问答 | #大语言模型 | #多模态模型 #音视频 | arxiv 👥 作者与机构 第一作者：Le Zhang（University of Michigan, Ann Arbor） 通讯作者：未说明 作者列表：Le Zhang（University of Michigan, Ann Arbor）、Ke Sun（University of Michigan, Ann Arbor） 💡 毒舌点评 这项工作把“索引条目本身不完整”和“检索只看语义、不看时间意图”这两个真实瓶颈讲得很清楚。EgoScheme 在写入索引前用局部多模态上下文消解指代和省略，EgoIndex 用动作、活动、言语、对话四个视图做多粒度划分，EgoRetrv 用软时间衰减和双智能体把“last / usually / this morning”从 prompt 修辞变成检索分数，三个基准上的准确率和证据命中率提升也基本连贯，成本账算得漂亮。短板是，它高度依赖 EgoLife 的人工 dense captions、身份先验，以及 GPT-5.4、Gemini-3.1-Pro 等闭源模型，不少领先数字锁定在特定 API 版本和定价结构上；对语音/音频领域读者来说，它仍更接近一个以视频多模态记忆与检索为中心的系统。 ...

📄 Evaluating Pre-trained Speech Encoders for Spontaneous Speech Detection and Out of Domain Synthetic Speech Generalisation in Indic Languages 标签：#语音伪造检测 #预训练 #语音属性识别 #多语言 #模型评估 6.0/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.9/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.9/1.5 ✅ 6.0/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音伪造检测 | #预训练 | #语音属性识别 #多语言 | arxiv 👥 作者与机构 第一作者：Varun Rai（Indian Institute of Technology Guwahati, Assam, India） 通讯作者：未说明 作者列表：Varun Rai（Indian Institute of Technology Guwahati, Assam, India）、Pavan Kumar J（AI & Robotics Technology Park (ARTPARK), I-Hub @ IISc, Bangalore, India）、Sujith Pulikodan（AI & Robotics Technology Park (ARTPARK), I-Hub @ IISc, Bangalore, India）、Nihar Desai（AI & Robotics Technology Park (ARTPARK), I-Hub @ IISc, Bangalore, India） 💡 毒舌点评 本文在 22 种印度语言上首次系统评估多个冻结语音编码器，并给出了语言可判别性与自发语音检测之间编码器依赖的折中关系，这是有价值的基准性发现；但合成语音检测只用 Whisper-small 单编码器，OOD 泛化结论又建立在仅四个训练 TTS 系统与两个外部 TTS 系统之上，缺乏与传统 AASIST、RawNet2、CQCC/LFCC 等基线的同条件比较，分类结果也缺少多次运行方差或显著性检验，几何邻近性解释更像观察性关联而非被充分控制的因果结论。 ...