语音/音频论文速递 2026-04-21

共分析 34 篇论文

⚡ 今日概览

📥 抓取 34 篇 → 🔬 深度分析完成

🏷️ 热门方向

📊 论文评分排行榜（34 篇，按分数降序）

📋 论文列表

🥇 FreezeEmpath: Efficient Training for Empathetic Spoken Chatbots with Frozen LLMs

🔥 10.0分 | #语音对话系统 #多模态模型 #迁移学习 #语音情感识别 | arxiv

👥 作者与机构

第一作者：Yun Hong（中国科学院计算技术研究所，智能信息处理国家重点实验室；中国科学院大学） 通讯作者：Yang Feng（中国科学院计算技术研究所，智能信息处理国家重点实验室；中国科学院大学） 其他作者：Yan Zhou（中国科学院计算技术研究所，智能信息处理国家重点实验室；中国科学院大学）

• 机构详情：所有作者均隶属于中国科学院计算技术研究所的“智能信息处理国家重点实验室”和“人工智能安全国家重点实验室”，以及中国科学院大学。

💡 毒舌点评

亮点是“冻结LLM”这个思路简直是懒人智慧的巅峰——让模型自己懂共情，我们只负责搭个桥，数据和训练成本直接砍半。槽点嘛，虽然生成的语音情感挺到位，但毕竟用的是现成的TTS模块，情感表达的上限可能被预训练模型锁死了，想让它“影帝级”爆发估计有点难。

📌 核心摘要

本文旨在解决训练共情语音聊天机器人时面临的共情语音数据稀缺、模型泛化能力弱、以及微调导致LLM通用能力退化三大难题。作者提出了FreezeEmpath，一种高效的端到端训练框架。其核心方法是冻结基础LLM，采用语义-情感解耦编码策略，通过独立的语义适配器和情感提取器从语音中分别提取内容和情感特征，并设计三阶段训练（语义对齐、情感对齐、语音生成）将这些特征与LLM的嵌入空间对齐，从而将LLM内在的文本共情能力迁移到语音模态。整个训练仅需现有的中性语音指令数据和语音情感识别数据，无需人工构建的共情语音数据。实验表明，FreezeEmpath在共情对话、语音情感识别和口语问答任务上均显著优于现有SOTA模型，证明了其方法的有效性和高效性。

🥈 Audio-DeepThinker: Progressive Reasoning-Aware Reinforcement Learning for High-Quality Chain-of-Thought Emergence in Audio Language Models

🔥 9.5分 | #音频问答 #音频理解 #强化学习 #音频大模型 | arxiv

👥 作者与机构

• 第一作者： Xiang He (腾讯AI Lab, 北京)
• 通讯作者： Li Liu (香港科技大学（广州）), Dong Yu (腾讯AI Lab, 北京)
• 其他作者：
  • Chenxing Li (腾讯AI Lab, 北京)
  • Jinting Wang (腾讯AI Lab, 北京)
  • Yan Rong (腾讯AI Lab, 北京)
  • Tianxin Xie (腾讯AI Lab, 北京)
  • Wenfu Wang (腾讯AI Lab, 北京)

💡 毒舌点评

亮点： 这篇论文最“性感”的地方在于它证明了在音频领域，像教婴儿学走路一样，不需要手把手教（监督微调），只需要给对“奖励信号”（混合相似度奖励），模型自己就能在探索中“悟”出如何推理，而且悟性还特别好（SOTA）。槽点： 依赖一个巨大的外部LLM（Qwen3-235B）作为奖励评估器，训练成本恐怕不菲，有点像请米其林三星大厨来给家常菜打分，效果虽好但难以普及。另外，参考推理链本身也依赖其他大模型生成，属于“站在巨人的肩膀上再创造”，原创性在数据层面稍打折扣。

📌 核心摘要

这篇论文旨在解决大型音频语言模型（LALMs）缺乏显式、高质量推理能力的问题。现有方法要么受限于监督数据的质量，要么使用粗糙的奖励，导致生成的思维链形式良好但缺乏声学依据。作者提出了Audio-DeepThinker框架，其核心贡献有三：1）设计了一种混合推理相似度奖励，结合LLM评估（逻辑、深度）和嵌入相似度（语义对齐），直接对推理链内容进行细粒度监督；2）提出了一个渐进式两阶段RL课程，首先在基础音频QA数据上通过纯RL探索激发基本推理模式，然后在声学边界案例上使用更灵活的奖励进行增强，全程无需监督推理微调；3）进行了深入的机理分析，揭示RL训练主要重塑上层MoE门控机制，且推理token在上层网络中逐步“结晶”。该方法在MMAR、MMAU和MMSU上取得了SOTA性能，证明了通过精心设计的奖励和课程，高质量的音频推理能力可以从RL探索中涌现。

🥉 VoxSafeBench: Not Just What Is Said, but Who, How, and Where

🔥 9.5分 | #语音大模型， #基准测试， #鲁棒性， #多语言 | arxiv

👥 作者与机构

第一作者：Yuxiang Wang（香港中文大学（深圳），Amphion Technology Co., Ltd.） 通讯作者：Zhizheng Wu（香港中文大学（深圳），深圳湾区研究院，Amphion Technology Co., Ltd.） 其他作者：

• Hongyu Liu（香港中文大学（深圳））
• Yijiang Xu（香港中文大学（深圳））
• Luchao Yao（香港中文大学（深圳））
• Qinke Ni（香港中文大学（深圳））
• Li Wang（香港中文大学（深圳））
• Wan Lin（香港中文大学（深圳））
• Kunyu Feng（香港中文大学（深圳））
• Dekun Chen（香港中文大学（深圳））
• Xu Tan（未明确机构，根据上下文推断可能与Amphion或合作方相关）
• Lei Wang（未明确机构）
• Jie Shi（未明确机构）

💡 毒舌点评

亮点：这篇论文最大的贡献是“掀桌子”——它用一个设计精巧的基准（VoxSafeBench）清晰地证明，当前顶尖的语音大模型在文字游戏（文本安全）上可能很溜，但一旦涉及“听话听音”（谁在说、怎么说、在哪说），其社会常识和道德判断就集体掉线，暴露出严重的“语音接地”缺陷。其“两层设计”像一把精准的手术刀，切开了模型“知道”和“做到”之间的鸿沟。 槽点：评测框架虽然全面，但稍显复杂，22个任务对于快速复现和模型迭代可能是个挑战。此外，合成语音数据终究与真实世界充满噪声和不确定性的交互有差距，论文自己也承认了这点。

📌 核心摘要

这篇论文旨在解决当前语音语言模型（SLM）社会对齐评估不全面、不深入的问题。现有基准要么只关注基础音频理解，要么孤立地研究单一风险，无法区分模型是因“不懂”还是因“没用对地方”而失败。为此，作者提出了VoxSafeBench，这是首个联合评估SLM在安全、公平、隐私三大社会对齐维度上的综合基准。其核心方法是创新的两层（Two-Tier）设计：Tier 1评估内容中心风险（文本本身有害），通过对比文本、干净音频和多样音频输入，揭示跨模态对齐差距；Tier 2评估音频条件风险（文本无害，但正确响应依赖于说话人、副语言或环境线索），这是本工作的精髓。为确保Tier 2的效度，论文采用了三项关键控制：所有转录文本被验证为无害；构建了“文本参考上限”（将声学线索文本化后，文本模型表现接近饱和）；并通过“中间感知探测”证实前沿SLM能感知相关声学线索但仍做出不安全响应。对多个领先SLM的评估一致表明：在文本层面看似稳健的安全防护，在语音场景中显著退化。模型经常能识别文本中的社会规范，却无法在决策线索必须通过语音接地时应用该规范，揭示了普遍存在的**“语音接地差距”**。该工作为评估和提升SLM的社会对齐能力提供了系统化的框架和关键洞见。

4 Benign Fine-Tuning Breaks Safety Alignment in Audio LLMs

🔥 9.0分 | #音频大模型 #模型评估 #对抗样本 #基准测试 | arxiv

👥 作者与机构

第一作者：Jaechul Roh（推断，基于论文作者顺序和邮箱前缀） 通讯作者：Amir Houmansadr（麻省大学阿默斯特分校，计算机科学系） 其他作者：无（本文为双作者论文）

• 所属机构：University of Massachusetts Amherst（麻省大学阿默斯特分校），计算机科学系。

💡 毒舌点评

亮点：这篇论文像一把精准的手术刀，首次剖开了音频大模型“安全对齐”的脆弱内脏——原来不用投毒，光喂“健康食品”（良性数据）就能让它对“坏指令”言听计从。其“邻近性分解”框架巧妙地将模糊的“相似”拆解为“说了啥”和“听着像啥”，并发现这居然取决于模型“耳朵”（编码器）的构造，洞察深刻。 槽点：研究聚焦于英语单轮问答，像是在无菌实验室里测试病毒的威力，现实世界中多语言、多轮次、带背景噪音的“培养皿”会怎样？防御手段（系统提示）虽有效，但像个事后补的“道德补丁”，模型本身的“先天缺陷”如何从架构上根治？

📌 核心摘要

这篇论文首次系统研究了良性音频数据微调对音频大模型安全对齐的破坏性影响。核心问题是：用户出于提升性能的目的，在完全无害的音频数据上微调模型，是否会意外削弱其拒绝有害指令的能力？作者提出了一个基于嵌入空间邻近性的过滤框架，通过计算良性音频与有害音频在模型内部或外部参考编码器空间中的距离，来选择性地构建微调数据集。实验在三个SOTA模型上进行，发现：1）良性微调能显著提升越狱成功率，在邻近性过滤下，JSR从个位数飙升至87.12%；2）主导的脆弱性轴（语义或声学）是架构依赖的，由音频编码器如何将声音映射到LLM输入空间的方式决定；3）防御是可行的，通过“远距离过滤”训练数据或在推理时添加安全系统提示，可将JSR降至近零。研究揭示了音频大模型安全与文本/视觉模型的结构性差异，强调了模态感知的安全评估和数据筛选的必要性。

5 Prosody as Supervision: Bridging the Non-Verbal–Verbal for Multilingual Speech Emotion Recognition

🔥 9.0分 | #语音情感识别 #领域适应 #最优传输 #自监督学习 | arxiv

👥 作者与机构

• 第一作者 (共同)：Girish (UPES, India)
• 第一作者 (共同)：Mohd Mujtaba Akhtar (Veer Bahadur Singh Purvanchal University, India) 通讯作者：Muskaan Singh (Ulster University, UK)
• 机构：
  1. UPES, India
  2. Veer Bahadur Singh Purvanchal University, India
  3. Ulster University, UK (具体为Ulster University的某个实验室/课题组，论文未明确指出)

💡 毒舌点评

亮点：这篇论文最妙的地方在于“换道超车”——当大家还在为标注好的多语言情感语音数据发愁时，它另辟蹊径，用几乎“免费”的非言语情感声音（笑、哭、叹气）作为监督信号，去教模型理解说话人的情感，这个视角非常新颖且具有启发性。 槽点：方法有点“堆料”之嫌，双曲几何、最优传输、向量量化全用上了，模型复杂度不低。虽然实验结果漂亮，但让人不禁怀疑，在实际低资源场景中，这套复杂系统的训练稳定性和部署成本是否会成为新的瓶颈。

📌 核心摘要

这篇论文旨在解决低资源多语言语音情感识别（SER）中标注数据稀缺的核心瓶颈。作者提出了一个颠覆性的范式：将SER重新定义为无监督的“非言语到言语”迁移问题。其核心假设是，非言语发声（如笑、哭）中蕴含的韵律情感线索比言语更纯粹、更跨语言，因此可以作为更好的监督源。为此，作者设计了NOVA-ARC框架，它首先在标注的非言语数据上学习情感表征，并将其映射到双曲空间以捕捉情感的层级结构。通过一个双曲向量量化码本对韵律模式进行离散化，并与连续表征融合。对于无标签的目标言语数据，框架采用基于双曲最优传输的原型对齐方法，将目标语音样本软性地对齐到源域的情感原型上，从而诱导出伪监督信号进行自适应训练。实验在ASVP-ESD及五个公开言语SER数据集上进行，结果表明，NOVA-ARC在非言语到言语的迁移设定下， consistently 优于包括语音SSL模型在内的多种强基线，并在言语到言语的迁移设定中也表现出色。该工作首次为多语言SER提供了一种不依赖目标语言标签的、可扩展的监督新范式。

6 Anonymization, Not Elimination: Utility-Preserved Speech Anonymization

🔥 8.5分 | #语音匿名化 #流匹配 #扩散模型 #模型评估 | arxiv

👥 作者与机构

第一作者：Yunchong Xiao*, Yuxiang Zhao*（上海交通大学，计算机科学与技术学院，X-LANCE实验室） 通讯作者：Jiachun Liao（南湖实验室，大数据技术研究中心），Xie Chen（上海交通大学，计算机科学与技术学院，X-LANCE实验室） 其他作者：

• Ziyang Ma（上海交通大学，计算机科学与技术学院，X-LANCE实验室）
• Shuai Wang（南京大学，智能科学与技术学院）
• Kai Yu（上海交通大学，计算机科学与技术学院，X-LANCE实验室）

💡 毒舌点评

这篇论文的亮点在于把“匿名化”和“消除”分得门儿清，用流匹配生成千变万化的新“声纹”，而不是粗暴地抹掉或替换，还煞有介事地设计了从头训练下游模型的评估协议，这比那些拿预训练模型在匿名数据上跑个分就完事的“表面功夫”扎实多了。槽点嘛，内容匿名化部分对“语言风格”这种更隐蔽的PII保护力度似乎还不够，而且这么复杂的两阶段框架，真要部署到实时系统里，估计得把服务器累得够呛。

📌 核心摘要

这篇论文针对语音数据隐私保护中“隐私泄露”与“数据效用损失”的核心矛盾，提出了一个新颖的两阶段框架。首先，为解决语音匿名化（保护“谁在说”）中身份多样性不足和可控性差的问题，提出了基于流匹配的说话人嵌入匿名器（F3-VA），它能生成多样且与原始说话人充分分离的新身份。其次，为解决内容匿名化（保护“说了什么”）中传统删除/替换方法导致的声学不连续问题，提出了基于生成式语音编辑的管道（SECA），能无缝替换个人隐私信息。更重要的是，论文提出了一种更真实的效用评估协议，即通过在匿名化数据上从头训练ASR、TTS和SER模型来评估其作为训练资源的价值，而非仅在预训练模型上测试。实验表明，该框架在VoicePrivacy Challenge基线对比中，在提供更强隐私保护（更高的声学和内容验证等错误率）的同时，显著降低了下游任务性能的损失。

7 MimicLM: Zero-Shot Voice Imitation through Autoregressive Modeling of Pseudo-Parallel Speech Corpora

🔥 8.5分 | #语音转换 #自回归模型 #强化学习 #多语言 | arxiv

👥 作者与机构

第一作者：Tao Feng (清华大学) 通讯作者：Zhizheng Wu (香港中文大学（深圳）) 其他作者：

• Yuxiang Wang, Yuancheng Wang, Xueyao Zhang, Dekun Chen, Chaoren Wang (香港中文大学（深圳）)
• Xun Guan (清华大学)

💡 毒舌点评

亮点：把TTS生成的“垃圾”（合成语音）从训练目标变成训练源，这个“角色交换”的脑回路确实清奇，直接绕过了合成质量天花板，是论文最大的创新点。槽点：虽然思路巧妙，但整个框架依然严重依赖一个高质量的外部TTS系统来生成训练源，33%的数据过滤率也暗示了对TTS质量的敏感性；此外，构建850万对训练数据所需的计算资源（TTS推理+模型训练）恐怕不是一般实验室能承受的，可复现性存疑。

📌 核心摘要

这篇论文旨在解决零样本语音模仿任务中高质量平行训练数据稀缺的核心瓶颈。传统方法要么依赖复杂的解耦架构，要么使用合成语音作为训练目标，导致输出质量受限于合成系统的能力。作者提出了一种名为 MimicLM 的新框架，其核心创新在于**“角色交换”的数据构建策略**：使用TTS生成的语音作为训练源，而将真实的录音保留为训练目标。这使得模型能够直接从真实语音分布中学习，突破了合成质量的“天花板”。为应对这一新范式带来的内容保真度挑战和训练-推理分布不匹配问题，论文进一步引入了交错文本-音频建模（通过文本锚点引导内容生成）和基于DPO的偏好对齐（使用真实输入进行后训练以弥合分布差距）。实验表明，MimicLM在自然度、说话人相似度和情感保真度上取得了与SOTA方法竞争甚至更优的结果，尤其在主观评价中表现突出，并有效降低了在真实输入上的词错误率。该工作为语音模仿提供了一种概念更简单、效果显著的新范式。

8 ArtifactNet: Detecting AI-Generated Music via Forensic Residual Physics

🔥 8.5分 | #音频深度伪造检测， #知识蒸馏， #数据增强， #基准测试， | arxiv

👥 作者与机构

• 第一作者 & 通讯作者：Heewon Oh (Intrect / MARTE Lab, Dongguk University, Seoul, South Korea) 其他作者：无（论文仅列出一位作者）

💡 毒舌点评

亮点：巧妙地将AI音乐检测问题从“学习它听起来像什么”（容易过时）升维到“检测它物理上留下了什么痕迹”（更本质），就像法医通过指纹破案而非记忆罪犯长相。提出的“有界掩码”和“编解码器感知训练”解决了关键的技术陷阱。 槽点：检测器严重依赖完整的音频带宽（44.1kHz），在流媒体压缩或低采样率场景下可能失效，这限制了其在某些实际部署中的应用。此外，对“未来可能不使用神经编解码器”的生成器的失效警告，也像是给自己的“武功”画了个圈。

📌 核心摘要

这篇论文旨在解决AI生成音乐检测中普遍存在的泛化能力差的问题。当前主流方法（如CLAM、SpecTTTra）通过学习AI音乐的声音特征，在面对未见过的生成器时性能急剧下降。作者提出了一个核心假设：当前主流AI音乐生成器（如Suno, Udio）都依赖神经音频编解码器（如EnCodec）的残差矢量量化（RVQ），这一过程会引入不可逆的信息损失，形成独特的物理“痕迹”。基于此，论文提出了ArtifactNet框架，其核心是：1）使用一个轻量级（3.6M参数）的有界掩码U-Net（ArtifactUNet）从频谱图中提取源分离残差；2）应用谐波-打击乐源分离（HPSS）将残差分解为7通道的法医特征；3）用一个微型CNN（0.4M参数）进行分类。在包含22个生成器的新基准ArtifactBench上，ArtifactNet的F1分数达到0.9829，假阳性率（FPR）仅为1.49%，远超基线模型。论文还通过编解码器感知训练（使用MP3/AAC/Opus增强）解决了模型对压缩格式的敏感性问题，并在公开的SONICS数据集上验证了性能的领先性。该工作表明，通过放大生成过程的物理痕迹，可以用极小的模型实现鲁棒且可快速适应的检测。

9 Audio-Cogito: Towards Deep Audio Reasoning in Large Audio Language Models

🔥 8.5分 | #音频问答 #知识蒸馏 #音频大模型 #数据集 | arxiv

👥 作者与机构

第一作者：Longhao Li (龙浩 李)（西北工业大学 计算机学院，语音与语言处理组 ASLP@NPU） 通讯作者：Lei Xie (谢磊)（西北工业大学 计算机学院，语音与语言处理组 ASLP@NPU），其邮箱 lxie@nwpu.edu.cn 在摘要中列出。 其他作者：

• Hongjie Chen (陈鸿杰)（中国电信人工智能研究院 TeleAI）
• Zehan Li (李泽汉)（西北工业大学 计算机学院，ASLP@NPU）
• Qihan Hu (胡启涵)（西北工业大学 计算机学院，ASLP@NPU）
• Jian Kang (康健)（西北工业大学 计算机学院，ASLP@NPU）
• Jie Li (李杰)（西北工业大学 计算机学院，ASLP@NPU）
• Yongxiang Li (李永祥)（西北工业大学 计算机学院，ASLP@NPU）

💡 毒舌点评

亮点：构建了一套“授人以渔”的自动化数据炼金术（Cogito-Pipe），并用“自己教自己”的自蒸馏方法让模型学会了深度思考，效果立竿见影，在开源阵营里算是“卷”出新高度。 槽点：评估推理质量的“裁判”（GPT-4o）自己就是个闭源黑盒，用它来评判开源模型的推理逻辑是否严谨，总感觉有点“让厨师长评菜品”的味道，公平性存疑。

📌 核心摘要

本文旨在解决大型音频语言模型（LALMs）在复杂音频推理任务中能力不足、推理过程不透明的问题。核心贡献是提出了一个名为 Audio-Cogito 的完全开源解决方案，其核心是一个四阶段的自动化数据构建管道 Cogito-Pipe，用于生成高质量、多样化的音频推理链（CoT）数据。关键方法是利用Cogito-Pipe构建了包含545k样本的大规模数据集，并采用自蒸馏策略，使用同一模型（Qwen3-Omni-Thinking）进行推理数据生成和后续微调，确保了推理模式的一致性。主要发现表明，在专门评估推理过程的MMAR基准上，Audio-Cogito在开源模型中取得了SOTA性能，平均准确率达71.70%，其推理质量指标（Rubrics 62.22%， CRS 0.87）也优于所有基线，性能接近Gemini 2.5 Pro等顶级闭源模型。实际意义在于为社区提供了一个可复现的、用于提升音频模型深度推理能力的完整框架和数据资源，推动了音频智能从感知向认知迈进。局限性在于其数据生成和质量验证仍部分依赖于其他强大的闭源模型（如Qwen3-Omni, GPT-4o）。

10 LLM-Codec: Neural Audio Codec Meets Language Model Objectives

🔥 8.5分 | #语音大模型， #预训练， #基准测试， #音频大模型 | arxiv

👥 作者与机构

第一作者：Ho-Lam Chung (台湾大学 通信工程研究所， 华硕智能云服务) 通讯作者：Hung-yi Lee (台湾大学 人工智能卓越研究中心) 其他作者：Yiming Chen (华硕智能云服务)

💡 毒舌点评

亮点：精准地抓住了语音令牌化领域“重建质量”与“语言模型可预测性”之间的核心矛盾，并用一套设计精巧、实验扎实的“组合拳”（FTP+SA+Gumbel桥）漂亮地解决了问题，效果拔群。槽点：方法依赖语音-文本对齐（SA），这在非语音音频或无转录数据上就成了“阿喀琉斯之踵”，限制了其通用性；另外，训练时需要额外的前向传播和辅助模块，对计算资源是个小考验。

📌 核心摘要

本文旨在解决语音语言模型（SLM）中一个根本性矛盾：神经音频编码器以波形重建为目标进行优化，而语言模型以序列预测为目标进行优化，这种目标不匹配导致生成的离散语音令牌熵值高、难以预测。为此，作者提出了LLM-Codec训练框架，在不改变编码器和语言模型架构的前提下，通过引入两个面向语言模型的正则化目标来重塑编码器：1）未来令牌预测（FTP），使用Medusa风格的多头结构预测多个未来令牌，鼓励令牌序列的局部可预测性；2）语义对齐（SA），通过对比学习将语音在冻结LLM中的隐藏状态与对应文本的隐藏状态对齐，确保令牌的语义一致性。一个可微分的Gumbel桥使得梯度能够端到端地回传至编码器。实验表明，LLM-Codec在SALMon语音连贯性基准上达到61.6%的准确率（比基线AUV高12.1个百分点），并将令牌级困惑度降低了35倍，同时在Codec-SUPERB-tiny基准上将语音Mel距离提升了5.0%，证明了重建质量与令牌可学习性可以协同提升。

11 NIM4-ASR: Towards Efficient, Robust, and Customizable Real-Time LLM-Based ASR

🔥 8.5分 | #语音识别， #语音大模型， #强化学习， #流式处理 | arxiv

👥 作者与机构

• 作者：Yuan Xie, Jiaqi Song, Guang Qiu, Xianliang Wang, Kai Qiao, Junfeng Yuan, Shengqing Liu, Yi Zhang, Bowen Chen, Ming Lei, Jie Gao, Jie Wu
• 所属机构：Advanced Intelligent Systems Group, NIO (蔚来汽车)
• 备注：论文未明确区分第一作者和通讯作者。所有作者均来自同一工业界团队（NIO）。

💡 毒舌点评

亮点：这是一篇典型的“工程美学”论文，把一个前沿技术（LLM-based ASR）在落地前可能遇到的坑（轻量化、幻觉、热词）都系统性地填上了，而且填得很扎实、很漂亮。特别是多阶段训练和流式推理的设计，体现了对LLM和语音特性深刻的理解。 槽点：理论创新的“性感”程度略逊于其工程实现的“性感”。它更像是一个优化到极致的“解决方案”而非一个颠覆性的“新方法”。另外，开源信息的缺失对于这样一个以实用为导向的工作来说，是个不小的遗憾。

📌 核心摘要

本文提出了NIM4-ASR，一个面向生产环境的高效、鲁棒且可定制的实时语音识别框架。该工作旨在解决现有LLM-based ASR在实际部署中的三大挑战：1) 轻量化模型性能严重下降（有限的向下扩展性）；2) 在声学挑战条件下产生幻觉；3) 缺乏生产就绪的热词定制机制。为此，作者提出了一套原则性的多阶段训练范式，通过模块感知的预训练、迭代异步监督微调（IA-SFT）和ASR专用强化学习（RL），显式地划分编码器与LLM的功能边界，减少模态差距并抑制表示漂移。在推理端，设计了优化的流式推理管道和基于音素检索增强生成（RAG）的百万级热词定制方案。实验表明，仅2.3B参数的NIM4-ASR在多个公开基准上达到SOTA水平，并在内部实体密集型场景中大幅超越更大规模的模型，同时支持亚毫秒级检索延迟的热词定制。该工作为构建适用于实时语音交互的LLM-based ASR系统提供了实用的解决方案。

12 Video-Robin: Autoregressive Diffusion Planning for Intent-Grounded Video-to-Music Generation

🔥 8.0分 | #音乐生成 #自回归模型 #多模态模型 #基准测试 | arxiv

👥 作者与机构

第一作者：Vaibhavi Lokegaonkar（University of Maryland College Park, USA） 通讯作者：Aryan Vijay Bhosale, Vishnu Raj（根据“Corresponding authors”及邮箱 {vlokegao,aryanvib}@umd.edu 推断，均来自 University of Maryland College Park, USA） 其他作者：

• Gouthaman KV（University of Maryland College Park, USA）
• Ramani Duraiswami（University of Maryland College Park, USA）
• Lie Lu（Dolby Laboratories, USA）
• Sreyan Ghosh（University of Maryland College Park, USA）
• Dinesh Manocha（University of Maryland College Park, USA）

💡 毒舌点评

亮点在于巧妙地将自回归模型的“宏观规划”能力和扩散模型的“细节雕刻”能力缝合在一起，解决了视频配乐中“既要懂视频又要听指挥”的痛点，还顺手做了个挺专业的评测基准ReelBench。槽点是缝合的“线”（如FSQ, RITE）都是现成的，而且目前只能给10秒短片配乐，离给一部电影完整配乐的“终极梦想”还有不小的距离，更像是个精致的概念验证版。

📌 核心摘要

本文针对现有视频到音乐（V2M）生成模型缺乏对创作者风格、主题等细粒度意图控制的问题，提出了Video-Robin，一个结合文本提示的视频配乐框架。其核心方法是将生成过程解耦为两个阶段：首先，一个多模态自回归规划头（AR-Head）整合视频帧和文本提示，通过语义语言模型、有限标量量化（FSQ）和残差集成Transformer（RITE）生成粗粒度的全局音乐潜在表示；然后，一个基于扩散变换器（DiT）的局部细化头（Refinement-Head）将这些潜在表示逐步细化为高保真的音乐片段，最终由预训练的VAE解码为波形。该框架在自建的ReelBench基准和多个公开数据集上，于音频质量、多样性和音视频对齐等指标上超越了现有基线模型，同时推理速度提升了2.21倍。主要贡献包括：1）提出了首个意图驱动的文本条件V2M混合生成框架；2）构建了用于细粒度评估的ReelBench基准；3）通过实验证明了该框架在质量、可控性和效率上的优势。局限性目前在于处理片段长度有限（10秒）且依赖于预训练的VAE和编码器。

13 A state-space representation of the boundary integral equation for room acoustic modelling

🔥 8.0分 | #空间音频 #信号处理 #模型评估 | arxiv

👥 作者与机构

（根据论文摘要信息及常见研究机构推断） 第一作者：Randall Ali（推断：比利时鲁汶大学（KU Leuven）ESAT-PSI实验室） 通讯作者：Toon van Waterschoot（推断：比利时鲁汶大学（KU Leuven）ESAT-PSI实验室 / 代尔夫特理工大学（TU Delft）） 其他作者：

• Thomas Dietzen（推断：比利时鲁汶大学（KU Leuven）ESAT-PSI实验室）
• Matteo Scerbo（推断：意大利米兰理工大学（Politecnico di Milano））
• Enzo De Sena（推断：伦敦大学金史密斯学院（Goldsmiths, University of London））

💡 毒舌点评

这篇论文的亮点在于它用一套极其优美和统一的数学语言（状态空间算子理论），把房间声学里几个“老死不相往来”的模型（边界元、延迟网络、几何声学）给“串”起来了，理论贡献堪称“数学魔术”。槽点也同样突出：全文都在“纸上谈兵”，没有一行代码、一个仿真结果来证明这个漂亮的框架到底好不好用、快不快，让人不禁想问：“所以，然后呢？代码在哪？”

📌 核心摘要

本文旨在解决传统房间声学建模中多种方法（如边界元法、延迟网络、几何声学）彼此独立、缺乏统一理论基础的问题。作者提出了一种名为边界积分算子状态空间（BIOSS） 的新框架。该框架的核心是将描述声场的边界积分方程重新表述为一个状态空间模型，其中状态是房间边界上的声压分布函数，系统动态由一组积分算子（而非传统的矩阵）描述。通过数学推导，作者展示了BIOSS模型可以等价地转换为具有反馈或前馈结构的传递函数形式。这一框架的主要贡献在于其强大的统一能力：作者证明了BIOSS与边界元模型、延迟网络以及部分几何声学模型之间存在数学等价性，为理解这些模型的内在联系提供了理论基础。此外，论文提出，未来可将状态空间理论中的可控性、可观测性等概念应用于房间声学，以开发新的声场推断和控制方法。主要的局限性在于，本文仅提出了纯理论框架，缺乏任何实验验证或计算实现，其实际效果和效率有待后续研究证实。

14 AVRT: Audio-Visual Reasoning Transfer through Single-Modality Teachers

🔥 8.0分 | #音视频 #知识蒸馏 #强化学习 #数据集 | arxiv

👥 作者与机构

第一作者：Edson Araujo（德国图宾根大学，图宾根AI中心） 通讯作者：根据论文格式和机构排序，推测为 Hilde Kuehne（德国图宾根大学，图宾根AI中心）或 James R. Glass（MIT-IBM Watson AI Lab） 其他作者：

• Saurabhchand Bhati（MIT-IBM Watson AI Lab）
• M. Jehanzeb Mirza（IBM Research， USA； MIT-IBM Watson AI Lab）
• Brian Kingsbury（IBM Research， USA； MIT-IBM Watson AI Lab）
• Samuel Thomas（IBM Research， USA； MIT-IBM Watson AI Lab）
• Rogerio Feris（MIT-IBM Watson AI Lab）
• James R. Glass（MIT CSAIL； MIT-IBM Watson AI Lab）
• Hilde Kuehne（德国图宾根大学，图宾根AI中心； MIT-IBM Watson AI Lab）

💡 毒舌点评

亮点：这篇论文最聪明的地方在于“借力打力”——自己没有强大的多模态推理模型？没关系，找两个顶尖的单模态“专家”（视觉和音频模型）分别写解题思路，再让一个“文书专家”（纯文本LLM）把它们整合成一份完美的跨模态推理报告，然后用这份报告去“教”学生模型。这招“分而治之，再合而为一”在数据稀缺的领域堪称优雅。 槽点：整个流程的“天花板”被那两个单模态教师牢牢卡住了，如果教师自己就是“睁眼瞎”（幻觉），那合并出来的推理链就是“一本正经地胡说八道”。论文也承认了，大部分幻觉源自教师。此外，SFT数据基本来自AVQA一个数据集，多样性上可能有点“偏科”。

📌 核心摘要

本文旨在解决多模态大模型在音视频联合推理任务上缺乏高质量训练数据的核心挑战。核心贡献是提出了AVRT框架，通过组合单模态专家模型的能力来合成多模态推理数据。关键方法分为两步：1）数据生成：使用专门的视觉教师（Kimi-VL-Thinking）和音频教师（Audio Flamingo 3）分别对同一音视频样本生成独立的推理链，再通过一个纯文本LLM（Qwen2.5-14B-Instruct）将两者合并为统一的跨模态推理链，构成AVRT-20K数据集。2）模型训练：采用“SFT冷启动+RL强化”的两阶段策略，先用合成的推理链对基础模型（Qwen2.5-Omni）进行监督微调，再使用GRPO算法在更大规模数据上进行强化学习。主要发现：在OmniBench、DailyOmni、MMAR等7个基准上，3B和7B参数的AVRT模型取得了同规模下的SOTA性能，并且证明了在跨模态数据上训练获得的推理能力可以有效迁移至单模态任务。实际意义：为缺乏原生多模态推理数据的领域提供了一种可复用的数据合成与模型训练范式。局限性在于合成数据的质量受限于单模态教师的能力，且当前SFT数据源较为单一。

15 MoVE: Translating Laughter and Tears via Mixture of Vocalization Experts in Speech-to-Speech Translation

🔥 8.0分 | #语音翻译 #混合专家模型 #音频大模型 #少样本 | arxiv

👥 作者与机构

第一作者：Szu-Chi Chen (台湾大学，国立台湾大学) 通讯作者：Hung-yi Lee (台湾大学，国立台湾大学；根据贡献和常见通讯作者习惯推断) 其他作者：

• I-Ning Tsai (台湾大学，国立台湾大学)
• Yi-Cheng Lin (台湾大学，国立台湾大学)
• Sung-Feng Huang (NVIDIA，英伟达台湾)

💡 毒舌点评

亮点：精准抓住了S2ST“翻译了语义，却丢失了灵魂（笑声/哭泣）”这个长期痛点，并用一套从数据到模型的组合拳（合成数据管道+MoE架构+两阶段训练）系统性地解决了它，效果拔群，NV保留率从14%飙升到76%。槽点：数据合成依赖于现有的情感TTS和过滤器，可能引入合成偏差；目前只聚焦于五种特定情感/声音，离建模人类全部复杂细腻的情感光谱还有距离。

📌 核心摘要

这篇论文旨在解决语音到语音翻译（S2ST）系统普遍缺失非语言声音（如笑声、哭泣）和情感韵律的问题，这严重限制了跨语言交流的自然度和语用准确性。作者提出了三大贡献：1) 一个可扩展的表达性数据合成管道，能自动生成高质量、带情感标注的S2ST训练对，克服了数据稀缺瓶颈；2) MoVE（混合声音专家）架构，基于预训练音频大模型（Kimi-Audio），通过并行多个情感特化的LoRA适配器和一个动态软加权路由器，实现了对混合情感状态的精细建模，避免了特征干扰；3) 揭示了惊人的数据效率，仅需30分钟的精选数据微调，就能激活预训练模型的强大潜力，达到接近全量数据95%的情感保真度。实验表明，MoVE在英中翻译任务上，在语义准确性和非语言声音保留率（76%）上均大幅超越现有SOTA系统，并获得了最高的人工评价自然度和情感相似度分数。

16 SELF-EMO: Emotional Self-Evolution from Recognition to Consistent Expression

🔥 8.0分 | #语音情感识别 #强化学习 #多任务学习 #大语言模型 | arxiv

👥 作者与机构

第一作者：Shaowei Zhang (商汤科技 SenseTime) 通讯作者：Faqiang Qian, Mengya Gao, Yichao Wu (商汤科技 SenseTime，邮箱：{qianfaqiang, gaomengya, wuyichao}@senseauto.com) 其他作者：

• Yan Chen (商汤科技 SenseTime，清华大学)
• Ziliang Wang (商汤科技 SenseTime)
• Kang An (商汤科技 SenseTime，上海交通大学)
• Yong Dai (X-Humanoid)

💡 毒舌点评

亮点在于巧妙地将心理学中的“情绪理解驱动情绪表达”理论，包装成了一个AI自我进化的“飞轮”游戏，让模型自己跟自己玩就能变强，理论上很优雅。槽点是整个框架严重依赖另一个LLM（Seed-1.8， DeepSeek-V3.2）来提取人格和生成初始数据，这相当于请了个“家教”来启动“自学循环”，其最终效果的天花板可能受限于这位“家教”的水平，且可能引入隐性偏差。

📌 核心摘要

本文旨在解决对话系统中情感识别（ERC）与情感表达能力受限于高质量标注数据稀缺且静态的问题。核心贡献是提出了一个心理学动机的自我进化框架 SELF-EMO。关键方法是构建一个角色扮演的自博弈范式，使模型同时充当“情绪识别者”和“对话响应者”，并通过一个“生成-筛选-重用”的数据飞轮机制，利用平滑的基于IOU的奖励函数筛选高质量样本，实现无外部监督的持续自我改进。为此，作者还设计了多情感强化学习算法 SELF-GRPO，通过核心情绪集聚合和组级一致性建模来稳定训练。主要发现是在IEMOCAP、MELD和EmoryNLP三个基准数据集上，该方法在统一的训练设定下取得了SOTA性能，显著提升了模型的泛化能力。实际意义在于为构建数据高效、可自我进化的情感智能体提供了新范式。局限性在于框架的启动依赖外部LLM生成数据，且自我进化过程的长期稳定性和可能产生的偏差需要进一步研究。

17 BhashaSutra: A Task-Centric Unified Survey of Indian NLP Datasets, Corpora, and Resources

🔥 8.0分 | #数据集 #基准测试 #多语言 #低资源 | arxiv

👥 作者与机构

第一作者：Raghvendra Kumar（印度理工学院巴特那分校，计算机科学与工程系） 通讯作者：Devankar Raj（Indian Institute of Technology Patna，根据邮箱 devankarraj@gmail.com 推断） 其他作者：Sriparna Saha（印度理工学院巴特那分校，计算机科学与工程系）

💡 毒舌点评

亮点：堪称印度语言NLP的“维基百科”和“资源导航图”，第一次把散落在各个角落的珠子串成了完整的项链，让后来者不用再摸着石头过河。槽点：作为一篇“地图”本身，它没有开垦新的土地（提出新方法），而且在这个快速发展的领域，这幅“地图”可能很快需要更新版本，尤其是在大模型和生成式AI席卷一切之后。

📌 核心摘要

这篇论文旨在解决印度语言NLP研究资源分散、缺乏统一概览的痛点。作者首次提出了一个以任务为中心的统一分类体系，系统性地梳理和整合了超过200个数据集、50个基准测试以及100多个模型、工具和系统，覆盖了从核心语言处理（如分词、词性标注）到文本分类、生成翻译、信息检索、语音与多模态，乃至社会文化任务（如虚假信息检测、文化理解）的17个细分领域。论文不仅列举了资源，更深入分析了资源分布的不平衡性（如印地语资源远多于其他语言）、标注质量参差、评估标准不一等关键挑战，并特别关注了代码混合、文化语境等印度语言特有的问题。其核心贡献在于为印度语言NLP社区提供了一个全面的资源基准、一个可扩展的分类框架以及对未来研究方向的明确指引，旨在推动更公平、包容和文化扎根的NLP研究。

18 MINT-Bench: A Comprehensive Multilingual Benchmark for Instruction-Following Text-to-Speech

🔥 8.0分 | #语音合成 #基准测试 #多语言 #模型评估 | arxiv

👥 作者与机构

第一作者：Huakang Chen (陈华康)（西北工业大学，音频、语音与语言处理实验室，ASLP@NPU） 通讯作者：Lei Xie (谢磊)（西北工业大学，音频、语音与语言处理实验室，ASLP@NPU） 其他作者：

• Jingbin Hu (胡景斌)（西北工业大学，ASLP@NPU）
• Liumeng Xue (薛刘猛)（南京大学，智能科学与技术学院）
• Qirui Zhan (詹启瑞)（西北工业大学，ASLP@NPU）
• Wenhao Li (李文浩)（西北工业大学，ASLP@NPU）
• Guobin Ma (马国斌)（西北工业大学，ASLP@NPU）
• Hanke Xie (谢涵科)（西北工业大学，ASLP@NPU）
• Dake Guo (郭大可)（西北工业大学，ASLP@NPU）
• Linhan Ma (马林汉)（西北工业大学，ASLP@NPU）
• Yuepeng Jiang (蒋月鹏)（西北工业大学，ASLP@NPU）
• Bengu Wu (吴本固)（宇图智能，北京）
• Pengyuan Xie (谢鹏远)（灵光乍现科技，上海）
• Chuan Xie (谢川)（灵光乍现科技，上海）
• Qiang Zhang (张强)（灵光乍现科技，上海）

💡 毒舌点评

亮点：这篇论文精准地戳中了指令跟随TTS领域的“阿喀琉斯之踵”——评估。它不像某些工作那样“造轮子”，而是“造尺子”，并且是一把设计精巧、刻度分明、还能换着语言用的“多功能智能尺”。其分层分类和诊断性评估的思路，为混乱的评估现状带来了急需的秩序。 槽点：尺子本身好不好用，很大程度上依赖于“持尺人”（即评估器Gemini）。虽然论文做了人类一致性验证，但将评估标准很大程度上托付给一个商业黑盒API，总让人感觉根基不够稳固，未来可能需要更开放、可复现的评估模型。

📌 核心摘要

这篇论文旨在解决指令跟随文本转语音（TTS）领域缺乏系统化评估工具的问题。当前评估存在覆盖不全、诊断粒度粗、多语言支持弱等缺陷。为此，作者提出了MINT-Bench，一个全面的多语言基准测试。其核心方法包括：1）一个基于10种原子声学属性的分层多轴分类法，系统性地组织了从简单到复杂（如组合、动态、角色扮演）及特殊（如非言语事件）的控制案例；2）一个三阶段数据构建流程（节点规范->结构化标签规划->指令-文本对生成），确保生成语义清晰、无属性泄露的测试用例；3）一个分层混合评估协议，依次评估内容一致性（基于ASR和WER）、指令跟随（基于大型音频语言模型判断）和感知质量/音色多样性。在十种语言上的实验表明，当前系统远未解决该问题：商业系统整体领先，但开源模型在中文等本地化场景中已具竞争力；内容保真度高不等于可控性强，复杂的组合和副语言控制仍是主要瓶颈。该工作为可控、多语言的语音生成研究提供了重要的诊断和评估基础。

19 ICLAD: In-Context Learning with Comparison-Guidance for Audio Deepfake Detection

✅ 7.5分 | #音频深度伪造检测 #少样本 #检索增强 #音频大模型 | arxiv

👥 作者与机构

• 第一作者（推断）：Benjamin Chou（普渡大学，Purdue University）
• 通讯作者（推断）：Yi Zhu（Reality Defender Inc.），Surya Koppisetti（Reality Defender Inc.） 其他作者：无
• 机构详情：
  • Benjamin Chou：普渡大学（Purdue University），论文注释表明工作在Reality Defender Inc.实习期间完成。
  • Yi Zhu：Reality Defender Inc.（美国/加拿大，邮箱后缀为@inrs.ca，INRS为加拿大魁北克大学研究所）。
  • Surya Koppisetti：Reality Defender Inc.。

💡 毒舌点评

亮点：把大模型（ALM）的“思考”能力用在了音频安全这个“脏活累活”上，还搞出了个“左右互搏”（PCR）的套路让模型自己挑刺、去伪存真，思路相当清奇，结果在真实世界数据上效果拔群。槽点：最好的“厨师”（Phase-1证据生成）用的是谷歌的“秘制酱料”（Gemini），自己家“厨房”（开源ALM）的灶台还没完全搭好（AF3指令遵循差），让想完全复刻这道菜的人有点抓瞎。而且，这“秘制酱料”在处理“罐头食品”（脚本语音）时，味道反而不对了。

📌 核心摘要

本文针对音频深度伪造检测模型在真实场景（in-the-wild）中泛化能力差的核心问题，提出了一种名为ICLAD的全新范式。该框架利用音频语言模型（ALM）的上下文学习能力，实现了无需训练的快速适应。其核心是创新的成对比较推理策略：在离线阶段，引导ALM为每个样本同时生成“真实”和“伪造”的证据，再结合真实标签进行证据调和，生成高质量、去幻觉的文本解释库；在线推理时，通过检索最相似的样本及其证据作为上下文，并结合一个动态路由机制，将分布内样本交给专用检测器处理，将分布外（真实场景）样本交给ALM进行推理。实验表明，ICLAD在三个真实场景数据集上显著超越了SOTA专用检测器（宏F1最高提升近2倍），并能提供可解释的文本理由。然而，该方法在脚本语音数据集上性能有所下降，且其最佳性能依赖于专有模型Gemini。

20 Still Between Us? Evaluating and Improving Voice Assistant Robustness to Third-Party Interruptions

✅ 7.5分 | #语音对话系统 #数据增强 #鲁棒性 #基准测试 | arxiv

👥 作者与机构

第一作者：Dongwook Lee (首尔大学电气与计算机工程系) 通讯作者：Sungroh Yoon (首尔大学电气与计算机工程系) [推断：作为资深作者和实验室负责人] 其他作者：Eunwoo Song (首尔大学电气与计算机工程系)，Che Hyun Lee (首尔大学电气与计算机工程系)，Heeseung Kim (首尔大学电气与计算机工程系)

• 所属机构：所有作者均来自 首尔大学 (Seoul National University) 电气与计算机工程系。

💡 毒舌点评

亮点：精准地抓住了语音助手在“多人混战”场景下的“耳背”痛点，设计的“声纹感知难负例”数据构造方法像给模型做“听觉注意力矫正训练”，非常具有针对性。槽点：本质上是“用更好的数据喂养现有模型”，而非提出全新的“抗打断”模型架构，创新天花板相对有限，更像是一篇优秀的“数据集/评测”工程论文。

📌 核心摘要

本文旨在解决语音语言模型（SLMs）在真实场景中无法有效区分主要用户与第三方插入语音（Third-Party Interruption, TPI）的问题，这会导致上下文理解失败。为此，作者首先创建了 TPI-Train，一个包含8.8万个样本的训练数据集，其核心设计是“说话人感知的难负例”，通过构造语义相似但说话人不同的样本，强制模型优先依赖声学线索（如音色、语调）而非文本语义来辨别说话人变化。其次，作者提出了 TPI-Bench，一个综合性评估框架，用于严格测试模型在欺骗性语境下的中断处理策略和精准说话人辨别能力。实验表明，使用TPI-Train训练的模型显著降低了对“语义捷径”的依赖（即仅凭文本内容判断，忽略声音来源），在多项指标上优于使用常规数据训练的基线模型。该工作为克服SLMs对文本的单模态依赖、构建更鲁棒的多轮多方语音交互系统提供了关键的基础资源和评估标准。

21 Where Do Self-Supervised Speech Models Become Unfair?

✅ 7.5分 | #语音识别 #说话人识别 #自监督学习 #模型评估 | arxiv

👥 作者与机构

第一作者：Felix Herron（格勒诺布尔阿尔卑斯大学，GETALP团队；昆士兰科技大学） 通讯作者：Felix Herron（邮箱：felix.herron@univ-grenoble-alpes.fr，格勒诺布尔阿尔卑斯大学） 其他作者：

• Maja Hjuler（巴黎多菲纳大学，MILES团队，LAMSADE）
• Solange Rossato（巴黎多菲纳大学，MILES团队，LAMSADE）
• Alexandre Allauzen（格勒诺布尔阿尔卑斯大学，GETALP团队）
• François Portet（格勒诺布尔阿尔卑斯大学，GETALP团队）

💡 毒舌点评

亮点：这篇论文像给语音模型做了一次全面的“公平性X光扫描”，首次系统揭示了SID和ASR任务在不同网络层中“此消彼长”的偏差规律，这个发现本身很有洞察力，为后续研究指明了病灶所在（问题出在预训练阶段）。 槽点：但论文基本止步于“诊断”而未开出“药方”。它告诉我们模型从第一层就开始“偏心”，且微调和现有的去偏方法（DET/DAT）效果甚微，这多少有点令人沮丧——相当于确诊了顽疾，却说“现有疗法效果有限，建议研发新药”。对于急需解决方案的从业者来说，实用性打了折扣。

📌 核心摘要

这篇论文旨在探究自监督语音模型（S3M）的不公平性究竟在模型的哪个层级产生。研究团队采用了一种轻量级的线性探针方法，在多个S3M（如WavLM, Wav2Vec2, BEST-RQ, Whisper）的每一层嵌入上，同时评估了说话人识别（SID）和自动语音识别（ASR）任务的整体性能及对不同说话人组（如非母语者、儿童、女性）的偏差。研究发现：1）模型从第一层开始就对不同说话人组表现出性能偏差；2）SID和ASR任务呈现出截然相反的层间偏差模式：SID性能最佳的层偏差最小，而ASR性能最佳的层偏差最大；3）对ASR进行微调（包括使用对抗性去偏方法）能提升整体性能，但几乎无法改变预训练阶段已固化的层间偏差模式。这表明，S3M的不公平性根植于预训练过程，且难以通过后续的微调消除，强调了研究更公平预训练技术的必要性。

22 Neural Encoding Detection is Not All You Need for Synthetic Speech Detection

✅ 7.5分 | #语音伪造检测 #自监督学习 #数据集 #模型评估 | arxiv

👥 作者与机构

第一作者：Luca Cuccovillo（柏林工业大学，媒体技术中心） 通讯作者：根据论文格式和致谢，Xin Wang（理化学研究所，RIKEN）可能是通讯作者，但论文未明确标注。 其他作者：

• Xin Wang（日本理化学研究所，RIKEN 知能系统中心 PRESTO）
• Milica Gerhardt（柏林工业大学，媒体技术中心）
• Patrick Aichroth（柏林工业大学，媒体技术中心）

💡 毒舌点评

亮点：给当前合成语音检测领域狂热追捧的“神经编码检测”泼了一盆及时的冷水，一针见血地指出SOTA方法可能只是在检测“声码器痕迹”而非“合成语音本质”，并犀利地关联到法律证据适用性问题，格局打开了。 槽点：作为“综述”，自己提出的“假设驱动”方法部分（韵律、POI）有点像文献综述的简单罗列，深度和说服力不如对数据驱动方法的批判部分那么酣畅淋漓，有点“破而不立”的感觉。

📌 核心摘要

这篇综述论文的核心贡献在于揭示并论证了当前合成语音检测领域的一个关键误区：过度依赖“神经编码检测”。论文首先系统回顾了基于SincNet、自监督学习（SSL）和神经编码检测的三类数据驱动方法，指出当前性能最佳的SSL模型实际上主要捕捉的是声码器（vocoder）在波形生成阶段引入的痕迹，而非语音合成特征提取阶段的异常。通过实验（图2）证明，当对自然语音施加神经编码后，现有SOTA检测器的性能会显著下降，这验证了其核心论点。论文进一步指出，这种依赖在长期来看是不可靠的，因为神经编码将成为语音传输的常态，而非合成的专属标志。因此，论文倡导未来研究应转向更具可解释性和针对性的“假设驱动”方法，如基于韵律异常和特定说话人身份（POI）验证的检测，并呼吁建立高质量的合成语音数据集、标准化的评估流程以及可解释性分析工具。

23 Omni-Embed-Audio: Leveraging Multimodal LLMs for Robust Audio-Text Retrieval

✅ 7.5分 | #音频检索 #多模态模型 #鲁棒性 #基准测试 | arxiv

👥 作者与机构

第一作者：HaeJun Yoo（韩国西江大学） 通讯作者：Myoung-Wan Koo（韩国西江大学）（根据论文联系邮箱推断） 其他作者：Yongseop Shin, Insung Lee, Du-Seong Chang（均来自韩国西江大学）

💡 毒舌点评

亮点：论文最犀利的地方在于“掀桌子”——直接指出大家常用的AudioCaps/Clotho评测集和真实用户查询方式（平均才1.8个词！）严重脱节，并为此精心打造了一套更贴近现实的“用户意图查询”（UIQ）考题和“硬负样本辨别”评分标准，这比单纯刷高几个点的Recall@K有意义得多。 槽点：模型本身（OEA）有点像“富二代”——背靠强大的多模态LLM（Qwen2.5-Omni等）这个“家族产业”，通过LoRA等手段“微调”一下就上岗了。虽然效果不错，但核心创新更多在“评测”和“应用”层面，而非底层模型架构的突破，让人感觉“这活儿我上我也行（如果有足够GPU的话）”。

📌 核心摘要

这篇论文旨在解决当前音频-文本检索模型在真实、多样化用户查询下性能下降的问题。作者指出，现有基准测试（如AudioCaps, Clotho）依赖描述性标题式查询，与真实世界中简短、多变的搜索行为（如问题、命令、关键词、排除性查询）存在巨大差距。为此，论文提出了两大核心贡献：1) Omni-Embed-Audio (OEA)：一个基于多模态大语言模型（如Qwen2.5-Omni）的统一编码器架构，通过LoRA适配器将文本和音频映射到同一嵌入空间，充分利用LLM强大的语义理解能力；2) User-Intent Queries (UIQ) 基准：包含五种查询类型（问题、命令、关键词、同义改写、排除性查询）的评测集，并配套提出了硬负样本辨别率 (HNSR) 等新指标，以评估模型抑制语义相似但内容相异干扰项的能力。实验表明，OEA在传统文本到音频检索上与SOTA的M2D-CLAP持平，但在文本到文本检索（相对提升22%）和硬负样本辨别（HNSR@10提升4.3个百分点）上显著领先，证明了LLM骨干在理解复杂查询和进行细粒度语义区分方面的优势。论文还进行了详尽的数据泄漏分析，并发布了无泄漏的MECAT基准评测结果。

24 Latent Fourier Transform

✅ 7.5分 | #音乐生成 #扩散模型 #生成模型 #数据集 | arxiv

👥 作者与机构

第一作者：Mason L. Wang (MIT CSAIL) 通讯作者：Cheng-Zhi Anna Huang (MIT CSAIL) 其他作者：无

💡 毒舌点评

亮点：这篇论文最妙的地方在于，它没有去折腾音频波形本身，而是聪明地给音乐模型的“脑内活动”（潜在表示）做了一次傅里叶体检，然后像调EQ一样去调节音乐在不同时间尺度上的特征，思路非常清奇且有效。槽点：目前这“脑内手术”需要专门训练一套模型才能做，还不能直接给一个现成的音乐生成模型（如MusicLM）装上这个“傅里叶控制插件”，限制了其即插即用的潜力。

📌 核心摘要

这篇论文旨在解决现有音乐生成模型难以对任意时间尺度上的音乐模式进行精确控制的问题。作者提出了潜在傅里叶变换（LatentFT） 框架，其核心是将离散傅里叶变换应用于由扩散自编码器编码得到的潜在向量序列，从而得到“潜在频谱”。通过在训练过程中对潜在频谱进行随机频率掩码，迫使解码器学会从部分频率信息中重建音乐，使得训练后的模型潜在空间对频率域操作具有鲁棒性。这使得用户可以在推理时，通过指定潜在频率（对应音乐模式的时间尺度）来生成保留特定尺度特征的变体，或将两首乐曲按不同时间尺度进行混合。实验表明，LatentFT在条件生成和混合任务的保真度与质量上均优于多个基线方法。用户研究也证实了其生成质量和混合效果更受青睐。此外，论文还展示了隔离特定潜在频率以“聆听”对应音乐模式，以及分析不同音乐属性（如流派、和声、节奏）在潜在频谱中分布的能力。该工作为生成模型引入了一种直观、连续的频率域控制维度，推动了更可解释、可交互的音乐生成模型的发展。其局限性在于需要端到端训练特定模型，且目前主要应用于音乐领域。

25 Hard to Be Heard: Phoneme-Level ASR Analysis of Phonologically Complex, Low-Resource Endangered Languages

✅ 7.5分 | #语音识别， #预训练， #低资源， #模型评估 | arxiv

👥 作者与机构

第一作者：V.S.D.S. Mahesh Akavarapu (University of Tübingen, 计算语言学系) 通讯作者：Gerhard Jäger (University of Tübingen, 计算语言学系) (根据邮箱和机构推断) 其他作者：Michael Daniel (University of Jena, 语言学系)

💡 毒舌点评

亮点：在“几乎没数据”的极限条件下，用巧妙的初始化技巧（平均复合音素权重）让一个通用模型（wav2vec2）学会了识别拥有80多个辅音的“语言界刺猬”Archi，并且把识别错误归因于“见得少”而不是“长得怪”，这个洞察很有价值。 槽点：总共就1小时左右的训练数据，得出的“S型学习曲线”结论虽然有趣，但总感觉像是在用显微镜观察一滴水里的生态，结论能不能推广到其他语言和更大规模的数据上，还得打个大大的问号。

📌 核心摘要

这篇论文针对两种音系极其复杂、资源极度匮乏的濒危东高加索语言（Archi和Rutul），首次建立了语音识别（ASR）基准。作者们整合并标准化了现有的语言学记录，创建了约50分钟和1小时20分钟的语音-文本数据集。他们评估了多种前沿ASR模型（wav2vec2, Whisper, Qwen2-Audio等），并为wav2vec2引入了一种语言特定的音素词汇表及启发式输出层初始化方法（平均复合音素参数），在该低资源场景下取得了与Whisper相当或更优的性能。超越传统的词/字错误率，论文进行了细致的音素级错误分析，发现音素识别准确率（F1）与训练频率的对数之间存在稳健的S型（sigmoid）关系。这一核心发现表明，许多通常归因于音系复杂性的识别错误，实际上主要由训练数据稀缺导致。研究证明了音素级评估对于理解低资源、类型复杂语言ASR行为的价值。

26 VIBE: Voice-Induced open-ended Bias Evaluation for Large Audio-Language Models via Real-World Speech

✅ 7.5分 | #模型评估 #音频大模型 #基准测试 | arxiv

👥 作者与机构

第一作者：Yi-Cheng Lin (台湾大学 通信工程研究所) 通讯作者：Hung-yi Lee (台湾大学 通信工程研究所， 人工智能卓越研究中心) 其他作者：

• Yusuke Hirota (NVIDIA，台湾)
• Sung-Feng Huang (台湾大学 通信工程研究所)
• 机构：
  • 国立台湾大学 通信工程研究所 (Graduate Institute of Communication Engineering, National Taiwan University)
  • NVIDIA，台湾
  • 国立台湾大学 人工智能卓越研究中心 (Artificial Intelligence Center of Research Excellence, National Taiwan University)

💡 毒舌点评

亮点：这篇论文最巧妙的地方在于“让模型自由发挥”——用开放生成任务代替选择题，就像撤掉考场的栅栏，让模型在真实场景下的“偏见本能”无处遁形。结合真实人声录音，评估框架的设计非常贴近实际应用，比那些用合成语音做选择题的“象牙塔测试”高明不少。 槽点：但它的“考场”只设在了英语世界（两个英文数据集），对于口音偏差的评估也仅限于非母语英语者，全球化视角稍显局限。另外，偏差的定义仍集中在“分布差异”上，对于更复杂的个体公平、交叉性公平（如同时考虑性别和口音）探讨不足，算是开了个好头，但远未终结话题。

📌 核心摘要

这篇论文旨在解决大型音频语言模型（LALM）在开放生成任务中社会偏见评估不足的问题。现有基准多依赖合成语音和选择题（MCQ），无法捕捉模型在真实交互中自然流露的刻板印象。为此，作者提出了VIBE框架，其核心是使用真实人声录音输入模型，并通过开放生成任务（如故事创作、个性化推荐）来激发模型的潜在偏见。框架采用“输入音频+任务提示 → LALM生成自由文本 → LLM提取器结构化属性 → 计算组间分布差异（nTVD）”的流程进行量化。通过对11个主流LALM在5个任务上的评估，论文揭示了三个关键发现：1) 偏见具有高度任务依赖性，叙事和推荐类任务更容易引发偏见；2) 没有模型能在所有任务上都保持低偏见；3) 性别线索通常比口音线索引发更显著的输出分布偏移，表明模型复制了社会性别刻板印象。该工作为LALM的公平性评估提供了一个更真实、可扩展的新基准。

27 Aligning Language Models for Lyric-to-Melody Generation with Rule-Based Musical Constraints

✅ 7.5分 | #音乐生成， #大语言模型， #强化学习， #跨模态 | arxiv

👥 作者与机构

第一作者：Hao Meng（根据论文格式推断） 通讯作者：未明确标注。根据论文中“Aligned Lyric2Melody Model”的在线演示域名（arain233.github.io）推断，可能与第一作者或项目负责人相关。 其他作者：Siyuan Zheng, Shuran Zhou, Qiangqiang Wang, Yang Song

• 机构信息：论文全文未明确列出作者所属机构。根据论文内容和常见的学术实践推断，作者可能来自同一研究团队或实验室。论文中提到了“Xiaomi LLM Core Team”，但未明确说明作者是否隶属于此团队。（推断） 所有作者可能来自小米公司或与其合作的研究机构。

💡 毒舌点评

亮点：这论文最聪明的地方在于，它没去跟人类评委死磕“什么叫好听”，而是把音乐老师敲黑板划的重点（音域别太宽、节奏别太怪、歌词对齐）变成了冷冰冰的代码规则，让模型自己跟自己玩“大家来找茬”，省时省力还效果拔群。 槽点：规则是把双刃剑，虽然保证了下限（能唱），但也可能锁死了上限（好听）。模型学会了“不犯错”，但离“写出动人旋律”可能还差着十个贝多芬的灵感。另外，实验里的“主观评分”居然没找专业音乐人，这就像让一群美食家去评判手术缝合技术，专业不对口啊！

📌 核心摘要

这篇论文旨在解决大语言模型在歌词到旋律生成任务中，通过监督微调（SFT）训练出的模型常产生音乐上不可行（如节奏怪异、音域超限）的“约束违反”问题。核心贡献是提出了一套无需人工标注、基于规则约束的自动化对齐框架。关键方法分为三步：首先对预训练LLM进行SFT以获得基础生成能力；其次，利用SFT模型生成大量候选旋律，并通过五类预定义的音乐规则（格式、歌词对应、音符重复度、时长合理性、音域）自动评估，构建包含“好-坏”配对和纯“坏”样本的偏好数据集；最后，采用序列对齐策略，先用DPO在配对数据上优化模型偏好，再用KTO在纯负面样本上进一步抑制不良输出。主要发现是该方法在客观指标（音高/时长分布相似度）和主观听感（MOS评分接近真人作品）上均显著优于多个基线，并能大幅减少各类规则违反。实际意义在于为将领域专家知识（以规则形式）高效、可扩展地注入生成模型提供了一种新范式，对音乐、代码等结构化生成任务有重要参考价值。局限性在于规则集可能无法涵盖所有音乐美学维度，生成的旋律在创造性上可能受限。

28 ClariCodec: Optimising Neural Speech Codes for 200bps Communication using Reinforcement Learning

✅ 7.0分 | #语音识别 #强化学习 #低资源 #模型评估 | arxiv

👥 作者与机构

（注：根据您提供的摘要信息，无法提取作者的具体机构。以下为基于常见情况的推断格式，需根据论文全文确认。）

• 第一作者：Junyi Wang（推断为某大学或研究机构）
• 通讯作者：Chao Zhang（推断为导师或项目负责人，所属机构同上）
• 其他作者：Chi Zhang, Jing Qian, Haifeng Luo, Hao Wang, Zengrui Jin（推断与第一作者同属一个团队或合作机构）

💡 毒舌点评

亮点：巧妙地将“让语音听清”这个工程问题，转化为一个“策略优化”的RL问题，跳出了传统声学重建损失的桎梏，思路值得玩味。 槽点：实验只用了LibriSpeech这一个“干净”数据集，对于真实世界带宽受限场景中可能出现的噪声、混响等挑战缺乏验证，有点像在无菌实验室里测试防弹衣。

📌 核心摘要

本文针对卫星、水下通信等超低比特率（200bps）场景下，传统神经语音编解码器因优化重建质量而牺牲可懂度的问题，提出了ClariCodec。其核心方法是将编码器的量化过程重新定义为一个随机策略，并利用强化学习（RL），以词错率（WER）作为奖励信号对编码器进行微调，而冻结解码器等声学重建管线。实验表明，即使不使用RL，ClariCodec在LibriSpeech test-clean集上已达到3.68%的WER，性能优于更高比特率的编解码器；经过RL微调后，WER进一步降至3.20%（test-clean）和8.93%（test-other），相对降低13%，同时保持了感知质量。该工作证明了在极低比特率下，直接以可懂度为目标进行优化的有效性。

29 From Reactive to Proactive: Assessing the Proactivity of Voice Agents via ProVoice-Bench

✅ 7.0分 | #语音对话系统 #基准测试 #音频大模型 #模型评估 | arxiv

👥 作者与机构

第一作者：Ke Xu (上海交通大学) 通讯作者：根据联系邮箱 {overji1, colane, yuwangsjtu}@sjtu.edu.cn 推断，三位作者均来自同一机构，论文未明确指定唯一通讯作者。 其他作者：Yuhao Wang (上海交通大学), Yu Wang (上海交通大学)

• 所属机构：上海交通大学 (Shanghai Jiao Tong University)

💡 毒舌点评

亮点：精准地抓住了当前语音代理“只会接话不会读空气”的痛点，设计了一套系统、严谨的“主动性”考卷（ProVoice-Bench），数据合成流水线考虑周全（从数字上下文到环境音效），实验揭示了模型“乱接话”和“想太多”的普遍毛病，对领域有明确的指导价值。 槽点：本质上是一篇“出题+阅卷”的评估论文，没有提出新的“解题”模型或算法。创新停留在任务定义和数据层面，深度略显不足。依赖现有的TTS和LLM来构建数据，其质量上限受限于这些生成模型本身。

📌 核心摘要

本文旨在解决现有语音代理评估基准主要关注被动响应，而忽略其主动感知与干预能力的问题。作者提出了ProVoice-Bench，这是首个专门用于评估主动式语音代理的基准测试框架。该框架通过一个包含数字状态构建、场景合成、对话生成、声学模拟和对话组装的多阶段数据合成管道，构建了包含1182个高质量样本的数据集，并定义了四项核心主动任务：主动意图捕获（PIC）、潜在话题监控（LTM）、上下文事实核查（CFC）和环境声音感知（ESS）。对多个先进多模态大语言模型（如Qwen3-Omni, Step-Audio-R1）的评估结果显示，当前模型普遍存在过度触发（over-triggering）问题，且在“决定何时说话”与“决定说什么”之间存在显著差距。该工作为开发更自然、上下文感知的主动式语音助手提供了清晰的评估标准和未来路线图。

30 A novel LSTM music generator based on the fractional time-frequency feature extraction

✅ 6.5分 | #音乐生成 #LSTM #时频分析 #数据集 | arxiv

👥 作者与机构

第一作者：Li Ya（海南师范大学音乐学院） 通讯作者：根据邮箱推断，Li Ya (liya@hainnu.edu.cn) 和 Chen Wei (chenwei@hainanu.edu.cn) 可能为共同通讯作者。 其他作者：

• Chen Wei（海南师范大学外国语学院）
• Li Xiulai（海南海瑞众创科技有限公司，研发部）
• Yu Lei（海南师范大学音乐学院）
• Deng Xinyi（海南师范大学音乐学院）
• Chen Chaofan（海南海瑞众创科技有限公司，研发部）

💡 毒舌点评

这篇论文的亮点在于把信号处理领域的“古老神器”分数阶傅里叶变换（FrFT）拽进了AI音乐生成的派对，试图在时频平面上找个更刁钻的角度来“撬开”音乐的特征，想法值得点赞。但槽点在于，实验部分寒酸得像用MIDI键盘弹了个单音旋律就宣称自己复刻了交响乐团——缺乏与SOTA方法的正面PK，没有听众盲测，仅靠几条损失曲线和波形对比图就得出“生成质量媲美人类”的结论，这自信程度堪比认为学会了音阶就能写《月光奏鸣曲》。

📌 核心摘要

本文提出了一种基于分数阶傅里叶变换（FrFT）和长短期记忆网络（LSTM）的新型AI音乐生成系统。核心目标是利用FrFT在分数阶域（时频平面的旋转表示）中提取比传统时域或频域更丰富的音乐信号特征，以解决传统LSTM在捕捉音乐复杂时频结构上的不足。关键方法是将输入音乐信号进行FrFT变换，分离其实部和虚部并归一化后，分别输入到一个多层LSTM网络中进行训练和预测，最后将网络输出的实部和虚部合并并通过逆FrFT重构为音频信号。主要发现是，在GiantMIDI-Piano钢琴数据集上，该方法在训练集的损失值（0.0155）低于不使用FrFT的基线方法（0.0351），并且生成的波形与原始音乐在视觉上相似。实际意义在于探索了将经典信号处理工具与深度学习结合用于音乐生成的新路径。主要局限性在于实验验证极不充分，缺乏与SOTA方法的对比、客观音乐质量评估和主观听感测试，方法细节（如FrFT公式的准确性、为何选择α=0.05）阐述模糊，结论的可靠性存疑。

31 Incremental learning for audio classification with Hebbian Deep Neural Networks

✅ 6.5分 | #音频分类 #自监督学习 #多任务学习 #模型评估 | arxiv

👥 作者与机构

第一作者：Riccardo Casciotti (论文中未明确标注机构，根据arXiv作者列表和研究领域推断可能来自意大利的学术机构，如米兰理工大学等) 通讯作者：Annamaria Mesaros (论文中未明确标注，但作为资深作者和项目负责人，通常为通讯作者。推断来自坦佩雷大学或相关机构) 其他作者：Francesco De Santis, Alberto Antonietti (机构推断同第一作者)

💡 毒舌点评

亮点：把生物脑的“用进废退”哲学（Hebbian学习）和“重点保护”策略（核塑性）搬到音频分类的增量学习上，思路清奇，为摆脱反向传播依赖提供了一个有趣的备选方案。 槽点：绝对性能（联合训练58.4%）在ESC-50上实在不算亮眼，让人怀疑这个“生物脑”是不是有点“健忘”；实验对比略显“关起门来比武”，缺少与当前音频领域强力对手的正面交锋。

📌 核心摘要

本文针对音频分类中的增量学习（持续学习）问题，提出了一种受生物启发的解决方案。核心是解决深度学习模型在学习新任务时对旧知识的“灾难性遗忘”。作者首次将Hebbian学习（一种基于神经元同步激活的无监督、无反馈学习规则）与增量学习相结合，并设计了一个核塑性机制。该机制通过分析训练过程中卷积核的权重变化和激活值，动态识别对当前任务重要的核，并在学习新任务时，选择性增强非重要核的学习率（提高可塑性），同时抑制重要核的更新（维持稳定性）。在ESC-50数据集上，该方法在五个增量步骤后达到了76.3%的总体准确率，显著优于不使用核塑性的基线（68.7%）和EWC方法（33%）。增量学习指标（如BWT, FM）也证实了该方法在保持可塑性的同时，有效减少了遗忘。工作展示了Hebbian学习作为一种生物合理、无监督的替代范式，在持续学习中的潜力。

32 Coexisting Tempo Traditions in Beethoven’s Piano and Cello Sonatas: A K-means Clustering Analysis of Recorded Performances, 1930-2012

✅ 6.0分 | #音乐理解 #模型评估 #数据集 | arxiv

👥 作者与机构

• 作者：Ignasi Sole (ignasiphd@gmail.com)
• 机构：论文中未明确标注所属机构。根据联系邮箱（个人Gmail）和致谢（未提供）推断，可能为独立研究者或未在文中注明机构信息。

💡 毒舌点评

亮点：巧妙地用数据聚类“打脸”了音乐史中“所有演奏都朝一个方向变快或变慢”的简单叙事，揭示了“慢、中、快”三种演奏传统并存的稳定生态，视角犀利，论证扎实。 槽点：方法就是教科书级的K-means，没啥技术新意；研究对象（贝多芬大提琴奏鸣曲）小众到除了音乐学家和资深乐迷，可能没人会关心这些BPM数字背后的恩怨情仇。

📌 核心摘要

本文旨在挑战音乐表演实证研究中普遍使用的单一回归分析模型，该模型常将历史速度变化描绘为一个单向、统一的过程。作者提出，这种模型掩盖了多种演奏传统并存的事实。研究通过对贝多芬五首钢琴与大提琴奏鸣曲（Op. 5, 69, 102）在1930-2012年间超过一百个乐章录音的逐小节速度数据进行K-means聚类分析（k=3），发现每个乐章都稳定地存在慢、中、快三种速度传统，其中中等速度传统占据主导（55-70%）。除一个乐章外，各传统内部的速度在八十年间高度稳定（R² ≤ 0.25）。研究未发现演奏者的世代、国籍或师承背景与聚类归属有系统性关联，表明速度选择更多是个人诠释决定。论文据此提出了一个“生态模型”，认为音乐风格的演变是不同共存传统相对流行度的变化，而非单一传统的线性进化。这一重新构架对理解历史表演数据具有广泛意义。

33 FLiP: Towards understanding and interpreting multimodal multilingual sentence embeddings

📝 5.5分 | #模型评估 #线性模型 #多语言 #多模态模型 | arxiv

👥 作者与机构

第一作者：Santosh Kesiraju (布尔诺理工大学，Speech@FIT实验室) 通讯作者：Petr Schwarz (布尔诺理工大学，Speech@FIT实验室，根据联系邮箱推断) 其他作者：

• Bolaji Yusuf (布尔诺理工大学，Speech@FIT实验室)
• Šimon Sedláček (布尔诺理工大学，Speech@FIT实验室)
• Oldřich Plchot (布尔诺理工大学，Speech@FIT实验室)

💡 毒舌点评

亮点：提供了一把“线性手术刀”，干净利落地剖开了SONAR、LaBSE这些黑盒嵌入，直观展示了里面到底塞了哪些词，还量化了“英语霸权”在嵌入空间中的统治力。槽点：本质上还是个高级线性探针，创新天花板明显；主要发现“多语言模型更偏爱英语”这事儿，大家心里其实都有数，论文只是用更漂亮的方式证实了它。

📌 核心摘要

本文提出FLiP，一种因子化线性投影模型，旨在理解并解释多语言、多模态句子嵌入空间（如SONAR, LaBSE, Gemini）。核心思想是将嵌入空间的解释转化为一个线性关键词提取任务：通过一个简单的线性投影，从句子嵌入向量中恢复出构成该句子的词汇。实验表明，训练良好的FLiP模型能从嵌入中回忆起75%以上的词汇内容，显著优于非因子化基线。利用这一工具，作者系统性地诊断了不同嵌入模型的跨模态对齐（语音-文本）和跨语言对齐性能，揭示了这些模型普遍存在的英语偏向性，即语义的线性表示在英语中最清晰，随语言距离增大而衰减。FLiP为研究者提供了一种无需依赖下游任务即可内在评估嵌入质量的诊断工具。

34 HCFD: A Benchmark for Audio Deepfake Detection in Healthcare

📝 5.0分 | #音频深度伪造检测 #状态空间模型 #基准测试 #超几何学习 | arxiv

👥 作者与机构

• 第一作者： Mohd Mujtaba Akhtar (Veer Bahadur Singh Purvanchal University, India) † (论文标注为Equal contribution as a first author)
• 通讯作者： Muskaan Singh (Ulster University, UK) (论文标注为Corresponding author)
• 其他作者： Girish (UPES, India) † (论文标注为Equal contribution as a first author)

💡 毒舌点评

亮点： 填补了医疗音频领域深伪检测的空白，像个“音频法医”一样专门为病态语音设计检测工具，数据集构建和实验设计非常系统、扎实。 槽点： 用了“Mamba”、“超几何空间”这些时髦词汇包装，但核心是“多个证据向量+原型聚类”的思路，有种给传统方法穿上了最新款外套的感觉。另外，实验都在干净的数据集上做，真放到嘈杂的远程医疗通话里，这97%的准确率估计得打个对折。

📌 核心摘要

本文针对医疗健康领域中神经音频编解码器生成的语音深伪检测问题，提出了一个全新的研究任务（HCFD）和基准数据集（HCFK）。研究发现，在健康语音上训练的现有深伪检测模型在病态语音上性能显著下降。为此，论文首先验证了预训练音频模型（如PaSST）能更好地应对病理语音带来的变异性。更重要的是，本文提出了一个名为PHOENIX-Mamba的几何感知检测框架，该框架通过Mamba骨干网络建模长程上下文，并利用超几何空间中的多个原型来表征和聚类异质的伪造语音模式，从而在多个临床条件（抑郁、阿尔茨海默症、构音障碍）和语言（英语、中文）上取得了优于预训练模型基线的性能。工作为医疗音频安全提供了重要的基准和初步解决方案，但其方法在真实复杂场景下的鲁棒性以及数据集的覆盖广度仍有待提升。