语音/音乐/音频论文速递 2026-08-06

共分析 26 篇论文

⚡ 今日概览

📥 抓取 26 篇 → 🔬 深度分析完成

🏷️ 热门方向

📊 论文评分排行榜（26 篇，按分数降序）

📋 论文列表

🥇 Equivariant Music Transformer

8.6/10 | 创新 1.4/2 | 严谨 1.5/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1/1.5

🔥 8.6/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音乐生成 | #知识蒸馏 | #Transformer #音频理解 | arxiv

👥 作者与机构

• 第一作者：Zixun Guo（论文正文未给出完整作者栏；致谢表明其为UKRI Centre for Doctoral Training in Artificial Intelligence and Music博士生，结合伦理审查单位推断为Queen Mary University of London）
• 通讯作者：未说明
• 作者列表：Zixun Guo、Simon Dixon（其中Simon Dixon依据现有元数据；所给论文正文中未出现完整作者名单，无法从文本独立确认）

💡 毒舌点评

论文最有价值的贡献是一个反直觉且可复现的实证发现：标准音乐Transformer的等变性不会随规模扩大和训练步数增加而涌现，反而持续退化。EMT用共享权重的辅助分支做自蒸馏，在分布空间直接施加等变约束，方法简单、动机清晰，且在内部消融、外部基线对比和听感测试中都给出了一致验证。问题是训练关键超参数披露不足，batch size和内部模型训练步数均缺失；外部基线在数据、架构、tokenization上与内部模型不完全可比；Top-1/Top-5等变指标又和训练时的KL散度目标高度同源，削弱了“等变正则化全面提升生成能力”这一强声明的独立性。建议作者公开完整训练配置和推理采样参数。

📌 核心摘要

论文针对标准音乐Transformer将时间平移或音高移调后的音乐输入映射到不相关潜在表征的问题，提出Equivariant Music Transformer（EMT）。EMT在标准下一个词预测损失之外，增加一个基于自蒸馏的辅助等变正则化损失：对输入施加随机音乐变换，用共享权重Transformer得到移位后的输出分布，再通过逆变换映射回原空间，与主分支分布计算KL散度。该方法首次在模型/损失层面直接约束生成Transformer的等变性，不修改主干网络结构，并与FME、MRA等特征级等变方法正交互补。

在LMD clean子集上，EMT取得最低总体验证NTP损失（0.847）和最低等变损失（All=0.049），Top-1匹配准确率（All=0.917）与Top-5 Jaccard（All=0.747）均为内部模型和外部基线中最佳。外部基线显示，Anticipatory Music Transformer在更大规模和更长训练下等变性持续下降：M模型等变损失从100K步的0.397上升到800K步的0.741；800K步时S/M/L模型的等变损失分别为0.292、0.741、0.813。主观听感测试中，EMT在移位条件下的ΔMOS显著小于基线（平滑度0.20 vs 0.58，享受度0.30 vs 0.73），未移位条件下享受度与基线接近（3.02 vs 2.98），说明更小模型也能达到可比生成质量。论文核心结论是：普通语言建模目标不会自动捕获音乐平移对称性，显式等变归纳偏置能让模型容量更高效地用于共享音乐结构而非记忆绝对模式。

下图给出了各内部模型变体验证NTP损失随训练epoch的演化。

在整体以及onset、pitch、duration、instrument、velocity各属性上，加入辅助等变信号的模型（曲线3–5）损失普遍低于仅使用NTP损失的模型，其中EMT（曲线5）收敛到最低损失。

🔗 开源详情

• 论文摘要脚注声明：“The code, weights and demos are available online”，并给出链接：guozixunnicolas.github.io/equivariant-music-transformer-demo/。
• 该页面提供演示音频和项目信息；论文未在正文中给出GitHub仓库地址或具体开源许可证，因此完整代码仓库的直接URL、模型权重文件格式和许可证类型均未披露。
• 论文AI使用声明提到使用Claude Code协助实现代码库，并由第一作者人工验证正确性；这从侧面确认代码库已实现并公开（但具体仓库未在文本中给出）。
• 未披露训练数据集的下载/处理代码是否单独开源，但结合“code, weights”声明，可推测代码和权重随项目页面发布。

🥈 Breaking the Curse ofMultilinguality inMany-to-Many Speech-to-Text Translation via a Resource-AwareMixture of Speech Encoders

8.2/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5

🔥 8.2/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #语音翻译 | #语音大模型 | #端到端 #课程学习 | arxiv

👥 作者与机构

• 第一作者：Yexing Du（机构未说明；论文标注为 1,2）
• 通讯作者：论文未注明通讯作者
• 作者列表：
  • Yexing Du（机构未说明；标注 1,2）
  • Kaiyuan Liu（机构未说明；标注 1,2）
  • Youcheng Pan（机构未说明；标注 2）
  • Bo Yang（机构未说明；标注 2）
  • Chengpeng Fu（机构未说明；标注 1,2）
  • Yu Wang（机构未说明；标注 2）
  • Ming Liu（机构未说明；标注 1,2）
• 说明：论文只给出作者单位编号 1 和 2，没有提供单位名称，因此无法确认具体机构。

💡 毒舌点评

用“冻结高资源专家 + 可训练中低资源专家”的方式把资源分层直接做进语音编码器，思路不算复杂，但确实直击共享编码器的容量竞争问题，45 语言全方向评测的工程量也值得肯定。不过“打破多语言诅咒”这个结论仍偏强：MoSE 本质上只是按人工资源等级把模型容量切成两半，缺少参数匹配对照、显著性检验和更精细的资源分组依据，效果有多少来自路由、多少来自直接翻倍编码器参数，论文并没有彻底说清。全方向 1,980 个翻译方向的主结果表也只给出聚合分布与代表方向，逐方向失败模式仍未充分暴露。

📌 核心摘要

论文针对多语言多对多语音到文本翻译（S2TT）中单个共享语音编码器导致的多语言诅咒问题：不同资源水平的语言争抢有限编码器容量，使低资源语音翻译显著退化。其核心方法是 MSRT 框架，采用资源感知的语音编码器混合（MoSE）：高资源语言走冻结的 Whisper 专家，中低资源语言走可训练的 Whisper 专家，并由显式语言路由器按源语言 token 选择专家。相比共享编码器或 token 级 MoE，MoSE 直接按资源等级做专家分工，推理时仍只激活一个编码器，额外开销很低。训练上使用五阶段课程学习，从 ASR 对齐、专家特化、翻译激活到端到端 SRT 与 LoRA 联合微调，声称每语言只需约 10 小时配对 S2TT 数据。在 FLEURS 45 语言、全部 1,980 个非恒等翻译方向上，MSRT-4B 平均 COMET 为 83.3，超过 MCAT-27B（80.9）、Gemini-3.5-Flash-Lite（80.0）、Whisper+NLLB（78.4）、Qwen3-Omni（77.5）和 SeamlessM4T（72.5）；至少 80 分的方向为 1,552 个，显著多于 MCAT 的 1,232 和 Gemini 的 928。消融显示双专家相比单专家在低资源语言上提升明显，且高资源语言不降反升；CoVoST-2 上仅用 7.5 小时 FLEURS 英语数据即可达到平均 83.3 COMET。实际意义是提供了一个紧凑、可复现的多语言 S2TT 模型与全方向评测基线。主要局限性是翻译质量受限于底层 LLM 的 MT 能力，且人工资源分级与双专家容量配置的充分性仍缺乏更强论证。

🔗 开源详情

• 论文明确声明开放代码与模型：摘要中写明“we open-source its code and model”，结论中再次声明“we release our code and models”。
• 代码仓库：https://github.com/yxduir/MSRT
• 模型：MSRT-4B 已随论文发布；具体模型权重文件格式未披露。
• 数据集：未发布新数据集；实验基于 Common Voice 24、FLEURS 与 CoVoST-2。
• 许可证：未披露。

🥉 PASE: Leveraging the Phonological Prior of WavLM for Low-Hallucination Generative Speech Enhancement

8.1/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1/1.5

🔥 8.1/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #语音增强 | #知识蒸馏 | #自监督学习 #生成模型 | arxiv

👥 作者与机构

• 第一作者：Xiaobin Rong（未说明）
• 通讯作者：未说明
• 作者列表：
  • Xiaobin Rong（未说明）
  • Qinwen Hu（未说明）
  • Mansur Yesilbursa（未说明）
  • Kamil Wojcicki（未说明）
  • Jing Lu（未说明）
• 机构信息：论文可见部分未直接给出作者所属机构名称；作者名后虽有上标，但机构列表未出现在当前提供的文本中。致谢仅提到国家自然科学基金（No. 12274221）与长三角科技创新共同体联合研究项目（No. 2024CSJGG1103），无法据此确认作者单位。

💡 毒舌点评

PASE把生成式SE中容易被忽视的“幻觉”拆成语言内容错误与声学特征漂移，并用“去噪WavLM+双流声码器”在连续表示空间里给出一个低算力、可复现、WER低至7.49%的完整方案，确实比多数“只拼音质”的生成式SE更接近落地。可惜，“音系先验来自掩码预测”的论证高度依赖MRS/RFS这类代理探针，且没有人类听感评测和SNR难度分层，导致“高质量、低幻觉”的结论仍隔着一层证据窗户纸。

📌 核心摘要

针对生成式语音增强在低SNR和严重混响下容易产生内容错误、说话人特征漂移的“幻觉”问题，论文提出PASE框架。方法核心是：先通过Denoising Representation Distillation（DRD）将预训练WavLM微调为去噪专家，利用WavLM中已编码的“音系先验”，从带噪输入直接回归干净语音的深层表征；再用“最后一层音系表征+第一层声学表征”的双流条件，驱动基于Vocos的声码器重建波形，同时保证内容准确性与说话人一致性。与LM式生成SE不同，PASE完全在连续表示空间操作，避免离散token造成的信息损失。在自建LibriTTS测试集上，PASE达到最低WER（7.49%）、最高SBS（0.90）和最高LPS（0.93），SpkSim（0.80）与TF-GridNet并列最优，并显著超过StoRM、FlowSE、LLaSE-G1等生成式基线，计算量也最低（MACs 21.42 G/s）。实际意义在于为低幻觉、高自然度的真实场景SE提供了一个可复用、可听的pipeline；主要局限包括缺少主观听感评测、未做SNR分段分析和部分基线使用公开checkpoint导致比较不完全公平。

🔗 开源详情

• 官方代码仓库：https://github.com/cisco-open/pase
• 在线Demo：https://xiaobin-rong.github.io/pase_demo/
• 论文中明确说明代码与Demo可用，但未明确提供预训练模型权重或完整checkpoint下载链接。
• 机器摘要中的 has_code: 是，has_model: 未说明，has_dataset: 未说明。
• 因此，开源内容目前确认到“代码+Demo”级别；模型权重、训练脚本、测试集构造脚本等是否随仓库完整发布，原文未进一步说明。

4. Towards Robust Version Identification in the Wild: A Dataset, Benchmark, and Fine-Tuning Study

8.0/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1.3/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5

🔥 8.0/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #音乐检索 | #对比学习 | #音频理解 #Transformer | arxiv

👥 作者与机构

• 第一作者：Simon Hachmeier（机构未在论文中明确说明）
• 通讯作者：未说明
• 作者列表：Simon Hachmeier、R. Oguz Araz、Dmitry Bogdanov、Robert Jäschke、Xavier Serra
• 署名单位信息：论文中未提供作者所属机构的完整列表。致谢部分提到柏林图书与信息学学院的学生助理，并提到 R. Oguz Araz 受加泰罗尼亚 AGAUR-FI Joan Oró 博士预科资助及 Cátedra IA y Música 项目资助，据此可推断部分作者可能与柏林相关机构及西班牙加泰罗尼亚音乐技术研究机构有关，但论文本身未明确列出作者所属单位，因此仍以"未说明"为准。

💡 毒舌点评

用 1.1M 条版本把 VI 从"官方录音温室"推到了野生 YouTube 场景，数据规模与配套评测本身是扎实且有价值的贡献；但版本匹配主要依赖标题/表演者的文本模糊匹配，人工抽检只有 320 对，底层标注噪声可能被低估。标签自动匹配只评估了 precision 未评估 recall，且 rock、blues、solo 三个高频标签精度不达标。更值得注意的是，微调带来的鲁棒性提升并不是免费的：在 DVI* 上 MAP 从 0.793 降至 0.781，只有组合评测中才表现为净收益。

📌 核心摘要

论文针对现有 VI 数据集主要来自 SHS/Discogs 等策展来源、缺乏真实世界中业余与用户生成内容的问题，构建了 DiVers 数据集。DiVers 以 DVI 为种子，在 YouTube 上搜索非官方版本，经时长过滤、官方版本排除、Rapidfuzz 模糊匹配、soundalike 去重等步骤，得到包含 1,102,317 个版本的 DiVers-L。除版本级标注外，论文还提供 PANN 得到的逐段音乐/非音乐预测，以及由 MTG-Jamendo、MagnaTagATune 和自定义规则合并出的 329 个标签集合。实验表明，在 DiVers 上训练/微调可提升对噪声、非音乐片段和多样化输入的鲁棒性；例如 CLEWS 微调加 L2 归一化后在 YVI-L 上 MAP 从 0.816 提升到 0.842。但微调在更干净的 DVI* 上 MAP 反而从 0.793 下降到 0.781，说明鲁棒性与策展数据性能之间存在权衡。实际意义是提供了一个大规模、兼容既有 VI 基准的训练与评测资源，并揭示了现有 VI 系统对真实世界音频退化的敏感来源。主要局限是自动匹配与自动标签仍存在标注噪声，音频特征并非完全公开下载，且未发布模型权重。

下图概述了 DiVers 与 YouTube-VI（YVI）数据集的整体构建流程。

图中可见，从 DVI 元数据出发，经 YouTube 检索、候选过滤、模糊匹配、去噪与声学去重后得到 YVI，再与 DVI 合并形成 DiVers。

🔗 开源详情

• 论文在摘要和引言中声明公开数据集元数据、构建代码和实验代码。
• 提供两个 GitHub 仓库：一个用于数据集构建（divers_dataset），另一个用于实验（divers_benchmark）。
• 数据集发布内容包括：元数据（如作品、版本、标签）、自动标签、逐段音乐/非音乐预测以及派生特征表示。
• 原始音频不重新分发；论文伦理声明明确“不重新分发受版权保护的音频”，发布内容仅限元数据、注释和派生特征，面向非商业音乐检索研究。
• 提取的音频特征可供研究目的申请获取（原文：“Extracted audio features are available for research purposes upon request”），未说明具体申请流程和开放程度。
• 模型权重：论文未明确说明是否发布训练或微调后的模型权重；在发布内容描述中未提及权重文件。
• 数据集许可证：未披露。
• 构建过程遵循 YouTube 公平使用政策，且数据收集使用 youtube-search-python 库并控制检索配额。

5. Agogic: Performance-Timed Music Tokens for LLM-Native Text-to-Symbolic-Music Generation

7.9/10 | 创新 1.5/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5

✅ 7.9/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频理解 | #Transformer | #模型评估 | arxiv

👥 作者与机构

作者列表：Junhao Chen、Mingjin Chen、Jingjia Mao、Lin Chen、Saining Zhang、Minglin Chen、Ruocheng Wu、Liaoyuan Fan、Wenyi Li、Mingju Gao、Henghaofan Zhang、Zhihao Li、Hao Zhao、Yufei Wang、Ruqi Huang。 通讯作者：Yufei Wang、Ruqi Huang。 机构信息：论文原文未披露机构名称。

💡 毒舌点评

这篇论文最漂亮的地方是把“表征 vs 规模”这对长期纠缠的变量用受控交换拆开，证据链包括天花板锚定、跨规模验证、从零训练骨干、多 seed 和协议控制，确实少见。但话要说回来：PMT 本身只是 performance-event 谱系上的工程整合，作者自己也承认不主张编码原创；而最响亮的卖点是“0.8B 打败 27B”，实际限定在分布保真度、CLaMP-2 FMD 和这套受控协议内，自动听感代理不显著，人听实验尚在收集中，听起来像结论的部分其实还悬着。另一个要记住的保留是 FMD 本身协议敏感：同一模型在不同参考集上得到 159 vs 114，优势倍率在 1.6–2.8 之间漂移，900-token 预算还会奖励短样本；“减半”“1.7–1.8 倍”这类数字是某组协议下的代表值，不是普适常数。结论在协议内成立，但被标题化的风险很高。

📌 核心摘要

本文研究 LLM 原生文本到符号音乐生成中的表征选择问题。作者指出，现有系统的 tokenization 通常与骨干网络、训练数据和训练配方纠缠在一起，因此其独立效应从未被单独测量；本文固定骨干（预训练 Qwen3.5，0.8B–27B）、数据、训练预算和解码策略，仅跨七种 tokenization 交换表示，并将纹理指标锚定到每种表示的无模型表达上限。结果表明，表示而非模型规模是分布保真度的绑定变量：将骨干从 0.8B 扩大到 27B（34×）几乎不改变 Fréchet Music Distance，而切换表示可使其减半。论文发布性能分辨率 token 流 PMT（10 ms 时值、逐音符力度、多轨纹理；609 符号），在 0.8B 规模下取得 FMD 159，对比节拍网格的 272–286（该协议下低 1.7–1.8 倍，其他协议最高低 2.8 倍，bootstrap 置信区间不重叠），因此 0.8B 性能分辨率模型胜过 27B 节拍网格模型。该排序在一个 26M 从头训练的骨干和另一个独立的性能分辨率 tokenizer 上重现，表明这是表示类别而非单个词汇的性质。论文强调效果是分布层面的；是否可听由自动探针留下开放问题，并由预注册、有充分功效的人体研究收集数据来裁定。标题依从性较弱但可分离：轻量解码时约束使 instrument-F1 从 0.28 升至 0.60、Correct-Key 从 0.16 升至 0.35，且无分布成本。伴随 harness 和 25+ checkpoints，论文发布两个语料库：一个 86.6k 的 caption/MIDI/ABC/audio 对齐集和一个 6.25M 的带标题语料库（迄今最大的音乐数据集，符号或音频；仅被通用音频语料超越）。

🔗 开源详情

• 论文明确声明发布：受控评估 harness、25+ checkpoints、两个新语料库。
• 数据集包括：86,598 首四模态对齐语料（英文 caption、切片 MIDI、ABC、渲染音频）和 6.25M caption-MIDI 对语料；语料根据各来源许可证发布。
• 6.25M 语料由 Qwen3-Omni-30B 自动生成 caption，经过质量门控，并已对冻结测试集做去重。
• 论文正文未披露具体代码仓库 URL、模型权重托管平台和统一许可证清单；这些资源的具体获取地址需以论文后续发布的资源页为准。

6. OmniPack: Unified Token Compression for Efficient Omni-modal Large Language Models

7.7/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5

✅ 7.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音视频理解 | #模型压缩 | #音频理解 #Transformer | arxiv

👥 作者与机构

作者列表：Wanshun Su, Yang Shi, Feihu Liu, Ziwen Yu, Yan Min, Zhuoran Zhang, Qixun Wang, Haotian Wang, Shixuan Liu, Yuanxing Zhang, Peng Wu, Chengfu Huo, Liang Ding。
标注信息：Wanshun Su 与 Yang Shi 为共同一作；Peng Wu 与 Liang Ding 为通讯作者。
机构信息：1. Northwestern Polytechnical University；2. Peking University；3. Alibaba Group；4. Tsinghua University。
开源链接：https://github.com/RowanSu/OmniPack

💡 毒舌点评

OmniPack 名义上是“统一压缩”，实际上是把重要性选择、DPC-KNN、token merging、文本注意力引导、音视频协同等一堆模块拼成两阶段流水线；真正能打的是它把实验铺得很满：3 个 backbone、5 个 benchmark、4 组保留率。可一旦看到 25% 保留率下相对原模型只掉了 2 个点，却号称 FLOPs 降到 16.7%，就明白“效率优势”主要是靠极低保留率换来的。更不用说压缩模块自身的 DPC-KNN 和合并开销完全没被计入 FLOPs，表 3 里 OmniPack 的 prefill 耗时反而比同量级 FLOPs 的 SEATS 更慢。好在低 token 预算下性能确实稳，勉强配得上这个分数。

📌 核心摘要

OmniPack 面向 Omni-modal 大语言模型推理中的视觉与音频 token 冗余问题，提出免训练（training-free）的统一 token 压缩框架。它在进入 LLM 之前通过模态特定重要性选择、全局覆盖选择和相似性感知合并去除结构冗余；在多模态交互充分的中间层内，再通过文本引导和音视频协同进一步聚合任务相关 token。在 Qwen2.5-Omni-7B 上，25% 保留率时 OmniPack 保留 98.0% 的原始性能，FLOPs 降至 16.7%；在 15%/7.5% 保留率时保留 95.6% 的原始性能，FLOPs 降至 10.0%；在 10%/5% 保留率时仍保留 92.9% 的原始性能，FLOPs 仅占 6.8%。在 Qwen2.5-Omni-3B 和 MiniCPM-o-2.6 上也取得了稳定的性能–效率权衡。

下图给出了 OmniPack 在五个基准上与现有方法的性能对比。

径向图中各扇区对应 AVUT、WorldSense、DailyOmni、VideoMME 与 LVOmniBench 的得分，OmniPack 在多数基准上取得最高或接近最高的平均分，体现了低 token 预算下的性能保持能力。

🔗 开源详情

论文首页提供了项目链接：https://github.com/RowanSu/OmniPack。
根据机器摘要信息：has_code = 是，说明代码已公开；has_model = 否，表示未提供模型权重；has_dataset = 否，表示未提供数据集。
开源协议、完整复现脚本依赖、预训练模型下载方式等细节在给定原文片段中未披露。

7. OmniVR: Joint Video-Audio Conditional Generation for Restoring Degraded Historical Films

7.7/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5

✅ 7.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #音视频生成 | #流匹配 | #音频理解 #Transformer | arxiv

👥 作者与机构

• 作者：Xin Lu†、Zihao Fan†、Mingchen Zhong、Jie Huang‡、Xueyang Fu、Zheng-Jun Zha
• †表示共同一作；‡表示项目负责人
• 通讯作者为 Xueyang Fu
• 机构：1. 中国科学技术大学（University of Science and Technology of China）；2. JD Explore Academy（京东探索研究院）

💡 毒舌点评

这是那种“口号很满、源码欠奉”的典型顶会式论文：标题里“首个联合音视频生成式修复”和“22B 模型”都很唬人，但实际训练参数只有约 396M，也就是 22B 的约 1.8%。视觉修复确实强，六项无参考指标全部碾压；可一到全参考音频指标就露馅，STOI 和 SI-SDR 被简单的 VoiceFixer 反杀，作者只能用“生成式重合成所以不保相位对齐”来解释。OmniVRBench 是自己造的 benchmark，Controlled track 还全是 talking-face，却直接冠以“历史电影修复”的大名。不过实验设计、消融、统计检验和附录透明度都算厚道，说明作者清楚自己的软肋。问题在于：代码、权重、数据目前都只有“will be released”，可复现性约等于画饼。

📌 核心摘要

论文标题为《OmniVR: Joint Video-Audio Conditional Generation for Restoring Degraded Historical Films》（arXiv:2608.04224）。历史影片通常同时存在视觉和音频退化，如模糊、噪声、闪烁、嘶声、削波和 dropout，而现有方法都是独立恢复单模态，导致质量缺口和跨模态不一致。OmniVR 声称是首个联合音视频生成式修复模型，基于 22B 参数的音视频生成主干 LTX-2，将修复建模为统一多模态 DiT 中的条件生成：低质量视频和音频被编码为隐空间条件，与固定修复提示一起，在统一目标下联合去噪，恢复视觉结构、时间运动和声学细节。三个关键设计是：联合音视频退化模拟管线、保持架构的 T2AV 到 AV2AV 转换与 prompt annealing、首帧 I2V 锚定配合损失重加权和波形监督。作者还提出 OmniVRBench，这是首个联合音视频修复 benchmark，包含 200 个真实历史片段，评估视觉质量、音频质量、时间一致性和音画同步。OmniVR 在全部六项视觉无参考指标上超过先前方法，取得最佳音频质量，并能生成自然上色。代码和权重声称将公开。

下图以真实历史影片为例，展示了输入中同时存在的视觉与音频退化以及 OmniVR 联合恢复后的效果。

左侧低质量片段同时存在模糊、噪声、低曝光等视觉缺陷与嘶声、削波等音频缺陷，右侧则输出了上色、去噪、锐化的画面以及带宽恢复后的音频波形。

🔗 开源详情

• 论文声明：Code and weights will be publicly released。
• 项目主页：https://xin1u.github.io/OminiVR_PAGE/
• 训练数据来源列表、过滤与许可标准将随 OmniVRBench 一起发布。
• 原始 HQ 视频片段不会在许可不允许的情况下重新分发。
• 退化管线 \(\mathcal{D}\) 的代码和完整参数分布将公开，以便第三方在自有 HQ 语料上复现训练。
• 截至当前论文信息，实际可下载的代码仓库、模型权重和数据集均未披露；机器摘要中 has_code=否、has_model=否、has_dataset=否。

8. A Dual Evaluation for Music Transcription

7.7/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5

✅ 7.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音乐转录 | #自监督学习 | #多模态模型 #音频理解 | arxiv

👥 作者与机构

• 第一作者：Ping Wang（华盛顿大学；按署名顺序为第一作者）
• 作者列表：
  • Ping Wang（华盛顿大学）
  • Guang Yang（华盛顿大学）
  • Nazif Can Tamer（华盛顿大学）
  • Victoria Ebert（华盛顿大学）
  • Noah A. Smith（华盛顿大学和艾伦人工智能研究所）
• 通讯作者：论文未明确标注通讯作者

💡 毒舌点评

这项工作的核心贡献在于把“转录质量”拆成“书面记谱”和“播放感知”两个正交维度，并通过大规模人类 ABX 实验确认了 CLEWS 这一最便宜的自动指标恰好在人类偏好上相关性最高，这一发现具有很高的实用价值。但整套评估始终以西方古典钢琴独奏、前三分钟片段为边界，所谓“dual evaluation”能否迁移到乐队、人声或非古典风格，论文既没有证据也没有给出令人信服的理论预期；同时，记谱侧从未用真人读谱或编辑工时做验证，OMR-NED 衡量的仍只是“符号层面的编辑距离”。这使论文更像一份高质量但边界明确的评估基准，而非已经确立的通用 AMT 评估范式。

📌 核心摘要

本文提出自动音乐转录（AMT）系统应同时从“written-score similarity”和“playback similarity”两个维度评估：既检查生成的乐谱与人工参考乐谱在视觉/谱面层面的接近程度，也检查由该乐谱渲染出的音频与原始演奏录音的感知相似度。作者构建了24条模块化音频转乐谱pipeline（8种audio-to-MIDI模型×3种MIDI-to-score转换器），并以230段ATEPP钢琴录音为测试集；谱面侧使用OMR-NED，播放侧使用DTW、TWED、CLEWS、CLaMP 3、Gemini 3.1 Pro等自动评估器，并用106名参与者、3,180条有效ABX听感判断对播放侧指标做标定。结果显示CLEWS segment-mean与人类偏好相关最高（Spearman ρ=0.971，Kendall τ=0.891），且调用成本最低；M2ST转换器在谱面维度普遍最优，而MuseScore转换器在播放维度普遍最优，两个评估维度确实会对同一系统给出不同排序。作者还以端到端模型Rubato作为案例：Rubato在OMR-NED上达到72.30，优于全部24条模块化pipeline，同时在CLEWS上排第六（0.749），说明双维之间的张力可以被端到端设计打破。该研究的实际意义在于为AMT评测提供一个经过人类验证的多指标框架，并给出成本-相关性权衡参考；主要局限在于结果仅覆盖西方古典钢琴独奏、每段音频只取前3分钟、谱面指标尚未经过人类阅读性验证。

下图以一段贝多芬钢琴奏鸣曲为例，直观展示“记谱相似度”与“播放相似度”之间可能出现的冲突。

Candidate A（Aria+MIDI2ScoreTransformer）的谱面形态更接近人工参考，而 Candidate B（ismir2021+MuseScore）渲染后的听觉效果更接近原始演奏。

🔗 开源详情

• 代码仓库：https://github.com/pingw220/AMT-Dual-Eval
• 许可证：整体代码使用MIT License；发布的数据表使用CC BY 4.0。
• 发布内容：评估代码、去标识化的人类ABX响应数据、各系统逐项评估分数；发布范围覆盖渲染音频（DTW/TWED）评估维度和人类听感实验结果。
• 未发布内容：参考音频与渲染音频、MusicXML和MIDI输出、第三方模型输出；这些内容仍受各自许可证约束。
• 隐私处理：参与者标识符被替换为代理ID，映射表不发布；人口统计学信息仅以汇总计数呈现。
• 论文在机器摘要中标记 has_code: 是、has_model: 否、has_dataset: 是；这与“代码与数据部分开放、模型权重未发布”的实际情况一致。

9. Crowdsourced Multilingual Speech Intelligibility Testing

7.5/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5

✅ 7.5/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：中 | #语音质量评估 | #端到端 | #多语言 #基准测试 | arxiv

👥 作者与机构

• 第一作者：Laura Lechler（所属机构未说明）
• 通讯作者：未说明
• 作者列表：Laura Lechler（未说明）、Kamil Wojcicki（未说明）

💡 毒舌点评

这篇工作把经典的 DRT 诊断押韵测试搬上众包平台，并实打实公开了五种语言的有声测试材料，弥补了多语言可懂度评测资源长期缺失的空白，工程执行力值得肯定。但实验设计整体偏“验证流程可用性”而非“建立高灵敏度评测方法”，缺少噪声条件下的系统对比和更强基线，结论的说服力仍显单薄。

📌 核心摘要

该论文提出了一种基于 DRT（诊断押韵测试）的多语言众包语音可懂度评估方法，核心贡献是公开英语、德语、西班牙语、法语和普通话五种语言的词表与 16 kHz 录音语料。方法上，作者将众包质量控制流程（预筛、听力筛查、练习轮、验证题、事后过滤）适配到可懂度测试场景，并采用文件级而非听众级计分来支持按音素/特征细粒度分析。较之以往以转写任务为主的众包可懂度测试，该方法采用封闭二选一判别任务，规避了拼写错误和记忆效应，测试时间更短、更适合大规模部署。实验一显示，西班牙语众包组在 NB PCMU 条件下比 WB 参考低 4.3 分，而内部专家组差异不显著；实验二重复测试相关系数为 0.87 与 0.86，跨人群复测无显著差异。实验三在 AMR 码本对比中复现了 ITU 实验室的下降趋势，按区别特征的相关性达到 0.86/0.94。实验四显示 PCMU 在五种语言的辅音 DRT 中普遍造成约 4-5 分的显著下降，中文声调 DRT 则无显著变化。该测试方案对语音编解码和语音增强算法的快速迭代评估具有明确实用价值，但目前仍缺少噪声提升灵敏度的系统性验证，且测试软件尚未完全开源。

🔗 开源详情

• 代码：论文中发布了相关数据与资料仓库：https://github.com/cisco/multilingual-speech-testing （截至论文公开版本，仓库包含录音材料、扩展文献目录；论文提到测试软件仍在后续工作中，当前未给出测试代码链接）
• 模型权重：论文中未提及
• 数据集：论文公开了英语、德语、西班牙语、法语、普通话五种语言的语音测试录音材料，通过 https://github.com/cisco/multilingual-speech-testing 获取；数据集具体开源协议论文中未明确说明
• Demo：论文中未提及
• 复现材料：论文详细描述了测试设计、词表来源、录音预处理流程、众包任务设置等；仓库中还提供了覆盖16种语言的DRT词表扩展文献目录。但论文中未提及训练配置、模型检查点等材料
• 论文中引用的开源项目：论文中未提及具体的第三方开源项目名称和链接；仅涉及商业众包平台 Prolific 和 Amazon Mechanical Turk，不属于开源项目

10. MERaLiON-GR: Speech Gender Recognition Model for English and SEA Languages

7.5/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5

✅ 7.5/10 | 前25% | 文档类型：模型报告 | 评分置信度：中 | #语音属性识别 | #LoRA | #多语言 #预训练 | arxiv

👥 作者与机构

• 第一作者：未说明。论文按 MERaLiON Team 字母顺序署名，无法据此认定第一作者。
• 通讯作者：Qiongqiong Wang（wang_qiongqiong@a-star.edu.sg）
• 作者列表（论文 Section 8，字母序）：Aw Ai Ti、Chen Fang Yih Nancy、Chiu Ying Lay、Ding Yang、He Yingxu、Jiang Ridong、Liu Zhuohan、Lu Yanfeng、Ma Yi、Muhammad Huzaifah Bin Md Shahrin、Nabilah Binte Md Johan、Nattadaporn Lertcheva、Pham Minh Duc、Sailor Hardik Bhupendra、Siti Umairah Binte Mohammad Salleh、Sun Shuo、Tarun Kumar Vangani、Wang Qiongqiong、Wong Heng Meng Jeremy、Wu Jinyang、Zhang Longyin
• 机构：Institute of Advanced Intelligence and Computing (IAIC), A*STAR, Singapore

💡 毒舌点评

把 LoRA 微调的大 Conformer 与 ECAPA-TDNN 下游网络拼起来做性别识别，系统集成和评测覆盖度确实比一般任务报告完整，模型权重和 demo 也开放了。但方法本身没有提出新的学习范式或模型模块，缺少消融、缺少统计显著性检验、缺少模型规模与推理效率数据，训练数据和内部评测集也不开放。所谓“consistent surpasses SOTA”实际是 15 个测试集上 12 胜、1 平、2 负，只能算限定条件下的工程优势，不能被视为方法层面的突破。

📌 核心摘要

论文提出 MERaLiON-GR，一个面向英语和东南亚语言的语音性别识别模型。该模型以 MERaLiON-SpeechEncoder-2 的 24 层 Conformer 为骨干，通过 LoRA 做参数高效微调，并用层注意力融合 25 个隐层表示，再接 ECAPA-TDNN 和轻量线性分类头输出女性/男性。模型在 15 个公开多语言测试集上相比 Vox-Profile 取得 12 个更高、1 个持平、2 个更低的结果；在内部新加坡四语 2 秒段级评测中均超过 Vox-Profile，最高提升 4.32 个百分点。将预测性别作为元数据注入 Audio-LLM 后，在报告的 8 个测试集上均提升了性别相关问答准确率，例如越南语 Common Voice 从 36.08% 提升到 96.08%。主要局限是训练数据和内部评测集未公开，缺少消融实验与显著性检验，创新以系统组合为主。

🔗 开源详情

• 代码：论文中未提及代码链接，未提供 MERaLiON-GR 的 GitHub 或其他代码仓库链接。
• 模型权重：
  • MERaLiON-GR-v1：https://huggingface.co/MERaLiON/MERaLiON-GR-v1
  • 骨干模型 MERaLiON-SpeechEncoder-2：https://huggingface.co/MERaLiON/MERaLiON-SpeechEncoder-2
  • 对比模型 MERaLiON-v2 / MERaLiON-2-10B：https://huggingface.co/MERaLiON/MERaLiON-2-10B
  • 论文未提及上述模型的具体开源协议。
• 数据集：
  • 训练数据：VoxCeleb1、IMDA PART1–5（新加坡 IMDA 大规模语音语料，衍生自 NSC）。论文未给出这些数据的直接下载 URL，也未说明训练切分方式。
  • 评估数据：SG-ECMT（专有数据，未公开）、FLEURS、IEMOCAP、Common Voice、SMALDUSC、OpenSLR SLR65、EmoTa、THAI-SER、Thai Elderly Speech、IndoWaveSentiment、Khmer FLEURS。
  • 论文中未提供这些公开数据集的具体下载链接或开源协议说明。
• Demo：https://meralion.org/analysis
• 复现材料：论文包含较详细的训练配置，包括：使用 VoxCeleb1 + IMDA PART1–5；batch size 为 32；训练 15 epochs；单张 NVIDIA H100；LoRA 适配器学习率 \(5\times10^{-5}\)、权重衰减 \(5\times10^{-4}\)；下游分类网络学习率 \(6\times10^{-4}\)、权重衰减 \(8\times10^{-5}\)；余弦学习率调度，线性 warm-up 比例 0.08；标签平滑 \(\epsilon=0.1\)；使用类别平衡加权交叉熵损失；最终对验证集损失最低的 4 个 checkpoint 进行权重平均。未提及完整训练代码或配置文件链接。
• 论文中引用的开源项目：
  • wenet-e2e/wespeaker：https://github.com/wenet-e2e/wespeaker（用于 WavLM-ECAPA 基线模型）
  • 其他提及但论文中未给出链接的开源模型/方法：HuBERT、wav2vec 2.0、WavLM、ECAPA-TDNN、Best-RQ、LoRA、Vox-Profile、MERaLiON-AudioLLM framework。

11. HyPASE: Hyperbolic Geometry for Parameter-Efficient Speech Emotion Fine-Tuning Framework for Large Audio-Language Models

7.2/10 | 创新 1.2/2 | 严谨 0.9/1.5 | 实验 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 1/1.5

✅ 7.2/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音情感识别 | #LoRA | #参数高效微调 #语音大模型 | arxiv

👥 作者与机构

• 第一作者：Tian Jin（同济大学；香港中文大学（深圳））
• 通讯作者：未说明
• 作者列表：Tian Jin（同济大学；香港中文大学（深圳））、Ruikang Zhang（同济大学；北京大学）、Zefeng Zhao（香港中文大学（深圳））、Ding Luo（同济大学）、Jin Zeng（同济大学）

💡 毒舌点评

把双曲几何引入 LALM 的语音情感识别微调，角度确实少见，MELD 上全面超过 LoRA/Adapter、以及 IEMOCAP 上少数类 UA 提升都是值得肯定的结果。但 HGA 的数学形式经过 exp/log 恒等化简后，实际上等价于对冻结权重行的切空间表示做逐元素缩放，“双曲权重调制”更多是几何解释而非计算上的非线性变换；另外全文在 0.12% 参数预算与约 6.78M 可训练参数之间出现了算术口径不一致（约 6.78M / 8.4B ≈ 0.081%，而非 0.12%），这种细节问题出现在顶会投稿中会被直接放大。欧氏对照没有匹配的几何损失，统计显著性更是完全缺失——审稿人不会因为框架漂亮就忽略这些。

📌 核心摘要

该论文解决的是大型音频语言模型在语音情感识别任务上微调效率低、而传统欧氏 PEFT 难以建模情感线索从低层声学到高层语义的多粒度层级结构的问题。方法核心是 HyPASE，由 HGA 对音频编码器各层 Q/V 权重进行 Poincaré 球内的径向调制，并由 EMCA 通过任务条件门控、三个不同容量瓶颈支路、爱因斯坦中点融合和前缀生成，将帧级表征压缩为 K=4 个音频前缀令牌后送入冻结 LLM。与已有工作相比，新意在于将双曲几何引入 LALM 的参数适配层，并用双曲原型损失与半径排序损失显式约束多粒度结构。实验上，HyPASE 在 MELD 上全面超过 Adapter 与 LoRA，在 IEMOCAP 上取得更高的 UA 但 WA 小幅下降；零样本跨数据集泛化也明显优于 Qwen2-Audio 基线。实际意义是提供了一种极小参数量、可端到端训练的 LALM 情感识别适配方案。主要局限性是 HGA 的“双曲调制”在切空间下退化为逐元素缩放，几何先验更多表现为解释性与损失约束；此外仅验证了单一 Qwen2-Audio 骨干，缺少统计显著性检验，且参数预算表述存在算术不一致。

🔗 开源详情

• 论文结论部分声明：代码、预训练权重和训练日志均已公开，位于 https://github.com/LilSicko/HyPase ，以保证完全可复现性。
• 元数据标记：has_code=是，has_model=是。
• 数据集开放状态：原文未披露是否随仓库发布数据集，元数据中 has_dataset 为“未说明”。
• 其他未披露信息：具体开源许可证、模型权重版本、训练日志格式与测评脚本的详细使用方式未在论文中说明。

12. Transfer Learning for Avian Bioacoustics under Sparse Positive Labels

7.1/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5

✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频分类 | #迁移学习 | #模型集成 #低资源 | arxiv

👥 作者与机构

• 第一作者：Dhyey Patel（未说明）
• 通讯作者：未说明
• 作者列表：Dhyey Patel（未说明）、Yunting Yin（未说明）

💡 毒舌点评

这项工作的价值在于把“未标注≠不存在”这一领域常识转成了可量化的迁移学习问题，生态先验和多源可靠性建模比粗暴数据池化更诚实；但核心声明证据不强：最强可靠性模型相对 AST+stack+graph PU 融合基线仅提升 +0.007 Macro AP，且配对置换检验 p=0.526，统计上不可区分。表 5 的fold均值与 pooled OOF 置换检验结果存在表面矛盾，论文虽在表注中解释口径不同，但正文未充分消化，读者易误读。结论方向可信，但“显著缓解负迁移”的表述过强，需要更强的统计支持和更宽的标签覆盖才能支撑。

📌 核心摘要

本文针对鸟类被动声学监测中普遍存在的稀疏正标签问题，研究外部生物声学数据集如何用于迁移学习，并指出外部数据不能视为完整标签，只能作为弱正监督来源。方法上，作者构建了从生态先验、声学特征、预训练表征到正-未标注（PU）加权、多源可靠性建模的完整pipeline，核心是不再把异构数据集简单池化，而是保留每个来源的预测流并用元分类器学习其可靠性。与已有迁移学习方法相比，新意在于将稀疏正标签与负迁移显式结合，并用来源覆盖度、生态上下文和物种特征作为可靠性信号。在 BirdCLEF+ 2026 公开验证标签上，最强模型（leave out BirdSet PER）达到 0.584 macro AP 和 0.860 macro AUC，优于目标-only融合 AST+stack+graph 的 0.555 macro AP；但该提升在配对置换检验中不显著（相对 AST+stack+graph PU，ΔAP=+0.007，p=0.526），因此主要结论应视为“有方向性证据”而非决定性验证。论文明确承认若干边缘结果（如 BirdCLEF 2021 生物过滤 p=0.064，BirdSet NES p=0.502）统计支持不足。该工作对生态声学监测的工程实践有参考价值，尤其是“覆盖标签提升但全标签下降”的负迁移范式值得后续研究。主要局限是公开验证面积极小、159 个目标标签没有公共正例，且关键统计证据不足。

下图以阶梯柱状图展示了从全局先验到多源可靠性模型的性能演进过程。

图中可见，加入 site/month/hour 生态先验后 macro AP 从 0.127 跃升至 0.462，后续声学模型、预训练嵌入、图融合与来源感知校准逐步将指标推升至 0.584，呈现了各环节对排序指标的累积贡献。

🔗 开源详情

• 代码：https://github.com/AcaiLab/BirdMLSP
• 模型权重：论文中未提及模型权重下载链接（仅提到使用 AST/AudioSet 预训练嵌入和 Wav2Vec2-base，但未给出具体权重 URL）
• 数据集：论文中提及 BirdCLEF+ 2026（目标基准）、BirdCLEF 2021、iNatSounds、WABAD、BirdSet PER、BirdSet NES；但论文正文未给出这些数据集的具体获取 URL 或开源协议。
• Demo：论文中未提及
• 复现材料：论文中未提及检查点、附录等可下载复现材料；仅包含训练设置描述，如 L2 惩罚 C=0.5、lbfgs 求解器、PU 权重、cap-k 采样等。
• 论文中引用的开源项目：论文提到 scikit-learn（用于逻辑回归/随机森林等，未给链接）、AST/AudioSet 预训练模型（未给链接）、Wav2Vec2-base 预训练模型（未给链接）；均未在论文中给出具体 URL。

13. Helping Music Co-Creation Agents ‘Listen’ Well: Hierarchical Self-Supervised World Models for Understanding and Generation

7.1/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5

✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐理解 | #自监督学习 | #音乐生成 #Transformer | arxiv

👥 作者与机构

• 第一作者：Scott H. Hawley（Belmont University, Department of Chemistry & Physics）
• 通讯作者：未说明
• 作者列表：Scott H. Hawley（Belmont University, Department of Chemistry & Physics）

💡 毒舌点评

论文把“AI 音乐制作人”这种偏产品化的愿景落成一个可验证的自监督符号音乐表征系统，有一个明确且自洽的工程约束：CPU 上也要能实时给出建议。方法上没有范式级突破，但“层级 Swin V2 + JEPA 式目标 + 软因子分解 + 像素空间流匹配”的组合在音乐领域有一定区分度，层级探针结果也基本支撑“时间尺度→表征层级”的核心隐喻。问题在生成侧：只有像素 F1、掩码区密度恢复和延迟指标，没有任何听感、音乐性或用户层面验证，也没有与任何现有音乐生成模型对比，因此“AI Rick Rubin”的生成价值只能算被演示，尚未被证明。此外，探针报告的“最佳层级”是在事后从多个层级中选出的，未做多重比较校正，证据强度偏弱。

📌 核心摘要

本论文研究协同音乐创作中“机器如何听懂音乐并给出建议”的问题。作者提出一个层级自监督世界模型 MRJS：一个 2.55M 参数的 Swin V2 编码器，在 MIDI 钢琴卷帘图像上使用等变损失、SIGReg 分布正则化、掩码嵌入预测和软因子分解损失联合训练，不使用标签，也不依赖音乐理论词汇。与已有单尺度音乐 JEPA 工作（Stem-JEPA、Music-JEPA、ARIMA）不同，本文使用多层级 Swin V2，并通过 SIGReg、EMA teacher 和显式平移等变目标构建层级表征；生成侧采用 RAE 范式，用一个像素空间条件流匹配模型替代训练解码器，实现了 CPU 上约 2.8s 一条建议的延迟。探针实验显示：乐句边界在粗层级 L0–L2 可解码，音符密度与和声信息在细层级 L4–L5 可解码；加入小型和弦监督头后，联合和弦恢复从 0.18 提升到 0.54，从未被直接监督的调性检测从 0.16 提升到 0.70。生成管道在无掩码时重建像素 F1 为 0.996；掩码修复时通过层级条件 dropout 控制替换粗细程度。主要局限是生成侧缺乏音乐性评估与强基线对比，“Brain”（LLM 推理层）未实现，整体仍只是面向单轨二值 MIDI 的条件建议工具。

下图以“耳朵/大脑/嘴巴”的比喻概括了本文面向协同音乐创作的系统愿景。

其中“耳朵”对应本文重点构建的层级自监督表征，“嘴巴”对应基于该表征的可控生成建议，“大脑”作为 LLM 推理层则留待后续工作。

🔗 开源详情

未披露模型权重与数据集的明确开源许可证；机器摘要中 has_model 与 has_dataset 均为“未说明”。论文公开了以下资源：

• live demo：drscotthawley-midi-rae-jepa-son.hf.space
• Supplemental Materials：drscotthawley.github.io/midi-rae-jepa-son
• STORMBIRD 探针套件：github.com/drscotthawley/stormbird
• 机器摘要中 has_code 为“是”，对应上述演示与探针代码的公开可用性。

14. EmpaAva: An Open-source Agentic 3D-Avatar Empathetic Live Chatbot

7.1/10 | 创新 1.1/2 | 严谨 0.9/1.5 | 实验 0.7/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5

✅ 7.1/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #音视频交互 | #大语言模型 | #语音合成 #语音情感识别 | arxiv

👥 作者与机构

• 第一作者：Jie Yang（新加坡国立大学，National University of Singapore）
• 通讯作者：Hao Fei（牛津大学，University of Oxford；论文中标注为 Corresponding author）
• 作者列表：Jie Yang（新加坡国立大学）、Wenhao Xu（新加坡国立大学）、Shuhui Lin（清华大学，Tsinghua University）、Hao Fei（牛津大学，University of Oxford）

💡 毒舌点评

把 ASR/SER/TTS/3DGS 这些开源模块用 LLM 编排成一个可运行的 empathetic avatar 系统，工程完成度和开源诚意值得肯定，尤其在“Response Planning”将情感意图显式传给语音和渲染模块这一点上设计清晰。但论文把“Tri-Agent”和“Response Planning”讲得很重，实际更像分层提示词与 JSON 合约，实验也没有对这两项做任何组件消融；45.8 秒的平均端到端延迟更让它离“live chatbot”还有实质性距离。整体是一个有价值的工程基线和测试平台，但不是论文所暗示的智能突破。

📌 核心摘要

EmpaAva 解决的是将文本级情感回复生成（ERG）扩展到“实时面对面的 3D 数字人对话”的问题：用户通过类似视频通话的界面说话，系统从语音和可选视觉中感知情绪，再以情感语音、唇形同步面部动作和 3D 高斯渲染的虚拟人做出回应。方法核心是一个由 LLM 协调的 Tri-Agent 架构，包含 PerceptionAgent、ResponseAgent 和 RenderAgent，并在 LLM 与渲染后端之间加入 Response Planning 层，让回复文本、语音音色、情绪表达和渲染背景服从同一份结构化情感意图。与已有 2D talking-face 或仅输出文本/语音的多模态 ERG 系统相比，主要新意在于把感知、规划和具身渲染整合成闭环，并发布可运行、可检查的开源系统。自动评测方面，在 EmpatheticDialogues 测试集上 Acc 10.26、Dist-1 4.01、Dist-2 30.54，均高于所列基线；在 AvaMERG 端到端评测上 Dist-2 45.81、Emo.Acc 53.85、Cause.M 74.81，也优于对比系统。人类评测中 10 名参与者对 5 轮用户输入进行 4 系统匿名比较，EmpaAva 在 Empathy 4.42、Relevance 4.65、Specificity 4.35 上最高，50 票偏好中获得 18 票。实际意义是提供了一个可复现、可扩展的具身共情对话测试平台；主要局限是平均单轮延迟 45.8 秒，尚未达到真正实时，且对人类评测、模块消融和跨模态一致性指标的统计支撑较弱。

下图是 EmpaAva 的实际交互界面截图。

界面采用左右分栏的视频通话布局：左侧为用户端，右侧显示 3D 数字人头像及其共情回复文本，底部提供麦克风、摄像头和渲染控制选项，体现了系统“实时面对面”的产品形态。

表 1：系统定位对比（原文 Table 1）

表 2：EmpatheticDialogues 文本级自动指标（原文 Table 2）

表 3：AvaMERG 端到端完整自动数值（原文 Table 6）

表 4：人工评测（10 人 × 5 轮，50 次偏好投票；原文 Table 3）

表 5：Avatar 表情/唇形/音视频一致性自动指标（原文 Table 4）

🔗 开源详情

• 代码：论文未给出 GitHub/HuggingFace/ModelScope 等传统代码仓库的直接链接，但正文与摘要提供了官方项目地址 https://empaava.top，并声明“We open-source EmpaAva”；该网站包含在线 demo（https://empaava.top/demo）。是否包含完整代码、模型资源、安装脚本和复现文档，论文中未给出详细目录，需要实际访问确认。
• 模型：未发布新模型权重。系统使用 Whisper-small、emotion2vec/FunASR、OpenAI-compatible LLM、EmotiVoice、DEEPTalk、FLAME、3DGS/GaussianAvatars 等已有开源模块，论文未提供微调后的模型文件或适配层权重。
• 数据：未发布新数据集。评测使用 EmpatheticDialogues 和 AvaMERG 两个已有数据集。

15. StuPASE: Towards Low-Hallucination Studio-Quality Generative Speech Enhancement

7.0/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5

✅ 7.0/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音增强 | #流匹配 | #自监督学习 #知识蒸馏 | arxiv

👥 作者与机构

• 第一作者：Xiaobin Rong（南京大学；xiaobin.rong@smail.nju.edu.cn）
• 通讯作者：论文未明确标注；按末位通讯惯例推断为 Jing Lu（南京大学；lujing@nju.edu.cn），但正文未声明
• 作者列表：Xiaobin Rong、Jun Gao、Zheng Wang、Mansur Yesilbursa、Kamil Wojcicki、Jing Lu
• 机构：1. Key Laboratory of Modern Acoustics, Nanjing University；2. Collaboration AI, Cisco Systems, Inc.；3. NJU-Horizon Intelligent Audio Lab, Horizon Robotics
• 论文未提供作者与机构的逐人对应表。

💡 毒舌点评

用干目标微调替代含早期反射的 PASE 训练目标，再拿流匹配换掉 GAN 声学生成器，方向直接，消融也给出了可量化的 UTMOS 和 dWER 提升，这是实打实的增量。但“低幻觉”主要靠 dWER/LPS/SBS 这类代理指标支撑，缺少对具体幻觉内容的细粒度分析；同时 SpkSim 在多数客观对比中低于 SenSE，和论文强调的“说话人一致性”优势之间存在张力。论文摘要中“outperforming state-of-the-art”的说法也偏强：DNS1 no-reverb 下 UTMOS 低于 AES-V2，dWER 高于 PASE 和 TF-GridNet。

📌 核心摘要

StuPASE 针对 PASE 在强混响和强噪声下感知质量有限的问题，提出两点改进：一是用不含模拟早期反射的“干目标”微调 PASE 的两个模块，改善去混响和语义保真；二是用 DiT 流匹配模块替换原 GAN 双流声码器（DualVocoder），联合预训练 Mel vocoder 生成接近录音室质量的语音。与 SenSE 等需要额外语义建模网络的方法不同，StuPASE 直接使用 DeWavLM-R 输出的连续音素表征作为语义条件，并用语音填充式训练降低对带噪声学细节的依赖。实验表明 StuPASE 在 DNS1 带混响集上 UTMOS 4.01、dWER 7.89%，在模拟困难测试集上 UTMOS 4.08、WER 11.57%，均优于多数基线；主观测试 Q-MOS 4.19、S-MOS 3.98。主要局限是代码与模型权重未公开，客观说话人相似度并未全面超越 SenSE，且“低幻觉”证据主要依赖代理指标。具体指标见“实验结果”部分表1—表4。

🔗 开源详情

论文未披露代码、模型权重和数据集的开源信息；仅在摘要中提供了音频演示页面：https://xiaobin-rong.github.io/stupase_demo/。作者未说明是否计划在论文发表后开放代码或模型。

16. Identity-Faithful Audio-Visual Target Speaker Extraction with QIANGDA and VOXBLINK2-AVSE

6.8/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.2/0.5 | 工程 1/1.5

✅ 6.8/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：中 | #音视频语音分离 | #多模态模型 | #基准测试 #数据集 | arxiv

👥 作者与机构

Peijun Yang（武汉大学网络空间安全学院 / 武汉大学人工智能学院），Zhan Jin（武汉大学计算机学院），Juan Liu（武汉大学计算机学院 / 武汉大学人工智能学院，共同通讯作者），Ming Li（武汉大学人工智能学院 / 香港中文大学（深圳）人工智能学院，共同通讯作者）。通讯邮箱：liujuan@whu.edu.cn, ming.li.cuhksz@gmail.com。

💡 毒舌点评

“QiangDa 把 AV-TSE 评测从’独立录音合成的干净混合’拉回到’同一物理场景共同录制的双人重叠’，并要求同一段混合分别在 A/B 视觉提示下输出两个不同身份，OSD-first 严格判定也确实堵住了 visual bypass——这个评测思路比只报 SI-SNR 聪明得多，发布 VoxBlink2-AVSE 也有实际价值。但作为 benchmark 论文，实验通篇只有自家 8 个检查点的内部互比，VisualVoice、USEV、AV-GridNet 这些已有 AV-TSE 方法一个直接对比都没有，读者无法判断 QiangDa 到底比旧基准难在哪、新方法比旧方法强在哪；最强的无 speaker-loss 检查点启动 CLI 未完整保存，等于资源论文里最亮的数字作者自己都复现不出来。基准的’锚’没打好，严谨性和可用性都要打折扣。”

📌 核心摘要

本文提出 QiangDa 真实场景音视频目标说话人提取（AV-TSE）基准：77 个场景、14 对说话人、7,598 个片段共 11.84 小时，其中 6,038 个可评估双人混合片段；每个混合片段分别以 A/B 两人的嘴部 ROI 为视觉提示查询一次，形成 12,076 个目标说话人评测行。与 audio-only 的 REAL-T 类似，QiangDa 针对合成混合与真实共同录制混合之间的 gap，并要求同一段重叠语音在两个视觉提示下输出两个不同身份，从而直接暴露 visual bypass 失败。作者另从 VoxBlink2 整理出 VoxBlink2-AVSE 训练语料，包含 250,828 对同步音频与嘴部 ROI、28,421 个身份、766.17 小时语音，且训练/开发集身份不相交。方法采用冻结的 M2S-AVSR 所用 AV-HuBERT 视频分支，配合输入级时频融合、层间 FiLM 调制、TF-GridNet 分离器与 speaker-margin 损失；评测使用 Qwen3-ASR-1.7B CER、WeSpeaker ResNet34 说话人相似度及 OSD-first 严格判定。最佳已归档检查点在完整 manifest 上取得 CER 0.2261、严格正确率 82.22%、双输出严格成功率 69.53%。

🔗 开源详情

• 数据集：论文明确将 QiangDa 和 VoxBlink2-AVSE 作为核心发布资产，但本摘要段的证据中未披露具体下载 URL 或 HuggingFace 链接。
• 评测工具：公开 WavLM OSD 模型 Den4ikAI/speech_overlap_detection 被明确使用；Qwen3-ASR-1.7B 和 WeSpeaker ResNet34 也是公开模型。
• 代码：论文未在给定证据中说明是否发布训练代码、推理代码或完整 manifest 生成脚本，因此状态为未披露。
• 模型权重：论文提到“已归档的无说话人损失检查点”，但未给出下载地址或 HuggingFace 模型标识，因此状态为未披露。
• 注意：Den4ikAI/speech_overlap_detection 是论文评测流程中直接引用的公开第三方模型，属于开源生态组成部分，而非作者发布的代码或模型。

17. AudioScape-TTA: A Structured Soundscape Benchmark for Fine-Grained Text-to-Audio Evaluation

6.8/10 | 创新 1.5/2 | 严谨 0.8/1.5 | 实验 1.1/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5

✅ 6.8/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #音频生成 | #多模态模型 | #大语言模型 #音频理解 | arxiv

👥 作者与机构

• 作者列表（按原文署名顺序）：Jinting Wang、Yuguang Yang、Shengyu Li、Yan Rong、Shan Yang、Xiaoda Yang、Li Liu。
• 第一作者：Jinting Wang（机构编号 1，机构名称原文未给出）。
• 通讯作者：原文未标注。
• 机构编号：1、2、3 对应不同单位，但具体机构名称在可见原文中未说明。

💡 毒舌点评

该工作把“结构化声景表示 + 复杂度感知分层 + rubric 细粒度验证”组合成一个可操作的 TTA 评测协议，方向正确且工程化程度较好，弥补了纯 CLAP 相似度无法定位语义失败的缺陷。但当前作为 benchmark 论文却通篇不提自有代码、数据集、评测脚本或发布计划，核心产物完全不可获取。更严重的是，语音内容指标 SCCA@0.60 只做顺序无关的词/字覆盖率剪枝匹配，不惩罚语序错误和额外转录内容，且多数通用模型在此维度得分为零，区分度和解释力都有限。

📌 核心摘要

AudioScape-TTA 是一个面向细粒度文本到音频（TTA）评测的结构化、复杂度感知基准。它用模态感知的语义结构表示真实声景，并用事件密度和结构复杂度刻画生成难度。基于这些标注，论文提出一种基于 rubric 的音频 grounded 评测框架，通过固定二值语义规则验证事件实现、声学属性和语音内容。基准包含 2,258 个音频-文本对和 25,707 条二值 QA rubrics。在 13 个开源 TTA 模型上的实验显示，现有模型在细粒度属性控制、语音内容保持和组合声景生成上存在持续局限。人工验证表明，该 rubric 评测与人类语义判断的一致性优于传统全局相似度指标。

下图给出了人工用户研究中对若干代表性模型在事件完整性、属性满足度和音频质量上的平均评分。

图中可见各模型在属性满足与事件完整度上的差距明显大于音频质量差异，说明语义忠实度是当前 TTA 模型的主要短板。

🔗 开源详情

• 本文代码：未披露。
• 本文数据集：未披露（原文描述了数据统计与构成，但未提供获取链接）。
• 评测脚本：未披露。
• 模型权重：未披露（本文不发布新模型）。
• 被评测的开源模型官方 checkpoint 链接（原文列出）：AudioLDM2（https://huggingface.co/cvssp/audioldm2）、Make-An-Audio-2（https://huggingface.co/ByteDance/Make-An-Audio-2）、AudioGen（https://huggingface.co/facebook/audiogen-medium）、Tango2（https://huggingface.co/declare-lab/tango2）、TangoFlux（https://huggingface.co/declare-lab/TangoFlux）、EzAudio（https://huggingface.co/OpenSound/EzAudio）、MAGNeT（https://huggingface.co/facebook/magnet-medium-10secs）、Stable Audio Open（https://huggingface.co/stabilityai/stable-audio-open-1.0）、MMAudio（https://huggingface.co/hkchengrex/MMAudio）、Foley-Omni（https://huggingface.co/CocoBro/Foley-Omni）、Omni2Sound（https://huggingface.co/Dalision/Omni2Sound）、AudioStory（https://huggingface.co/TencentARC/AudioStory-3B）、Dasheng-AudioGen（https://huggingface.co/mispeech/Dasheng-AudioGen）。

18. Visual Representation Matters: Exploiting Temporal Differences in Video-to-Audio Generation

6.8/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5

✅ 6.8/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音视频生成 | #扩散模型 | #音频生成 #课程学习 | arxiv

👥 作者与机构

• 共同第一作者：Zehua Chen（论文脚注标注 “Equal contribution”，邮箱 zhc23thuml@tsinghua.edu.cn；正文未列出机构）
• 共同第一作者：Junyou Wang（脚注标注 “Equal contribution”，邮箱 ackokomi0222@gmail.com）
• 通讯作者：Jun Zhu（论文脚注标注 “Corresponding author” 及邮箱 dcszj@tsinghua.edu.cn，按作者列表位置推断）
• 其他作者：Yuxuan Jiang、Zhenying Fang、Yusheng Dai、Jianfei Chen、Ziwei Liu（文献信息均未披露所属机构）
• 说明：论文正文与附录均未给出明确机构列表；邮箱域名仅作为线索，不作为机构确认依据。作者姓名后的数字 1/2/3/4 可能标注不同的单位，但对应单位列表未在论文中披露。

💡 毒舌点评

这篇论文想要解决的问题是真实的，视频生成音频确实绕不开时间同步；它的方案也很"简洁"——把相邻帧做差送给 CLIP 再拼回去。问题是，整篇论文的卖点几乎全部压在"时间差异（TD）“这一个概念上，而"把两帧相减"这样一个操作能否撑起一整篇顶会论文，值得打一个大大的问号。审稿人看完全文最想追问的一个问题或许是：FTD 本质上是否只是在用相邻帧的高频残差作为一种隐式的运动正则？如果是这样，TD 的"表示学习"含量并没有标题暗示的那么高。更让人遗憾的是，论文已经用了 massive 的预训练资源——AudioSet（5800 小时）、FreeSound（6246 小时）、MSD（7333 小时）、VGGSound（550 小时），最后却只在 VGGSound 一个测试集上做客观评测，主观评测更是只抽了 20 个样本、15 个被试，统计功效极其有限。与 Diff-Foley 相比，你的 AA 指标并没有全面超越，论文自己在正文里也承认只是"comparable”。此外，ATDG 引导需要在线执行三次 DiT 前向（无条件、帧条件、帧+TD 条件），虽然在 NFE 口径下与 CFG 对齐，但实际内存和延迟开销并未讨论。最后，最致命的是，代码、模型权重、数据集全部没有开源，唯一的结果来源是"自我报告"。对于一篇声称"surpassing dedicated V2A representations like CAVP"的论文来说，这样的可复现性现状是完全不合格的。结论：适合作为一项技术报告被公开，但作为顶会论文，其核心贡献的深度、评测的广度与开源诚意都有明显短板。

📌 核心摘要

提出 TD-V2A，通过显式建模视频帧间时间差异作为视觉条件，结合层次化持续学习与退火时间差异引导，在不引入辅助网络的情况下提升视频到音频生成的时间同步与语义对齐质量。在 VGGSound 测试集上，该方法在 FAD、KL、IS、FD、IBS、AA 六项客观指标上全面超过仅使用 CLIP 帧特征的基线，并超越需要额外训练的 CLIP+CAVP 表示；主观评测中三项评分均大幅优于 FoleyCrafter 和 Diff-Foley，其中 S-REL（3.85）接近真实音频（3.92）。论文的核心主张是：直接强化视频表示本身，优于为 V2A 设计专用辅助条件模块。

🔗 开源详情

• 官方代码：未披露
• 官方模型权重：未披露
• 官方数据集：未披露（训练使用了 AudioCaps、AudioSet、VGGSound、FreeSound、MSD；均已有公开版本）
• 体验 Demo：未披露
• 其他资源：论文称 VAE 与 DiT 骨干遵循 Stable Audio Open（公开架构）进行训练，但未提供适配后的配置文件或权重。主观评测材料（20 个样本、GT、基线结果）未提供链接。
• 复现难度评估：极高。除计算资源要求大外，论文未说明 V2A 微调时 AudioSet/VGGSound 的具体切分方式、数据采样策略和随机种子；代码与权重均不可获取，第三方无法校验表 1、表 3–5、表 7 中的数值。附录 F 仅对 4 个基线（Diff-Foley、VTA-LDM、FoleyCrafter、V2A-Mapper）说明了结果来源，其余基线结果直接引用原论文，进一步增加了对比口径的不确定性。

19. Spoken Function Calling: A New Perspective on Spoken Language Understanding for Large Audio Language Models

6.7/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.1/1.5

✅ 6.7/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：中 | #音频理解 | #Transformer | #模型评估 | arxiv

👥 作者与机构

Yuezhang Peng（上海交通大学；Token Foundry, Alibaba Group）
Yuxin Liu（上海交通大学）
Changfeng Gao（Token Foundry, Alibaba Group）
Zhifu Gao（Token Foundry, Alibaba Group）
Xiangang Li（Token Foundry, Alibaba Group）
Xie Chen（上海交通大学；上海创新研究院）

💡 毒舌点评

论文把传统 SLU 的“意图+槽位”改写成“函数名+参数”的 JSON 形式，就称之为新范式 Spoken Function Calling。实验确实证明 SFC 比 SLU 在相同模型上更稳、准确率更高，但这种提升更多来自结构化输出约束，而不是对语音语义理解本质的突破。更尴尬的是，即使强如 GPT-4o-Audio，在 Level 3 多意图/多轮任务上的总体准确率也只有 35.96% 和 30.31%，说明所谓“函数调用范式”并没有真正解决语音歧义和缺失参数补全问题。数据集靠 Gemini 生成、IndexTTS-2 合成语音，离真实口音、噪声和对话场景还有不小距离；开放链接只有一个 GitHub 路径，模型权重、数据集独立页面、完整训练配置均未披露。

📌 核心摘要

本文提出 Spoken Function Calling（SFC），将传统 SLU 的 closed-set 意图分类与槽位填充重构为基于函数定义的开放式语音语义理解任务。作者基于已有 SLU 数据集整理出 300 个 spoken functions，覆盖 5 个领域、21 个场景，并划分为 232 个 in-distribution（ID）函数与 68 个 out-of-distribution（OOD）函数；再通过 GPT-OSS-120B 驱动的多智能体系统生成查询、标签和口语化表达，结合 IndexTTS-2 与 LibriSpeech 音色合成语音，构建 SFC-Bench 数据集。SFC-Bench 共包含 7,078 条有效数据：训练集 4,499 条，Test-ID 1,986 条，Test-OOD 593 条，并划分为 L1、L2、L3-1、L3-2 四个难度级别，对应单意图、多意图、多轮、多意图+多轮等组合。

作者进一步采用 GRPO 与细粒度奖励对 Qwen2.5-Omni-7B 进行后训练，得到 SpokenFC-7B。实验表明，SFC 在 Intent/Slot/Overall 三项指标上普遍优于传统 SLU；SpokenFC-7B 在 SFC Test-ID 上达到 74.15% Overall Accuracy，在 SFC Test-OOD 上达到 75.10%，超过 GPT-4o-Audio 的 68.30% 与 68.09%，也超过 Gemini-2.5-Pro 的 69.00% 与 71.60%。同时，模型在 CommonVoice15 的 WER 为 8.30%，在 MMSU 上的准确率为 62.58%，在 API-Bank 上的 Overall 为 64.52%，表明 SFC 后训练没有显著破坏通用语音与工具调用能力。主要实验结果如下表所示：

🔗 开源详情

• 论文声明的代码与数据集地址：https://github.com/QwenAudio/FunResearch/tree/main/SpokenFC
• 论文摘要明确写道“The code and dataset are available at”，即可用代码和数据集均在该 GitHub 路径下。
• SFC-Bench 未提供独立的 HuggingFace/ModelScope 数据集页面，也未提供单独的数据卡链接。
• SpokenFC-7B 模型权重未披露独立下载链接。
• 训练脚本、评测脚本、环境配置、README 是否已完整公开，论文正文未披露。
• 论文引用的第三方项目/工具名称包括 Whisper、Llama-3、Qwen、vLLM、IndexTTS-2、LibriSpeech、BFCL、API-Bank、ToolBench、ToolACE 等，但论文正文未逐一给出官方仓库链接或具体版本号。

20. Masked diffusion enables coherent beat tracking

6.5/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.9/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5

✅ 6.5/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐理解 | #扩散模型 | #模型集成 #多任务学习 | arxiv

👥 作者与机构

• 第一作者：Francesco Foscarin（未说明机构）
• 通讯作者：未说明
• 作者列表：Francesco Foscarin（未说明机构）、Filip Korzeniowski（未说明机构）、Richard Vogl（未说明机构）

💡 毒舌点评

把 masked diffusion 从语言/图像生成迁移到节拍追踪，并用“双通道独立掩码+平衡反掩码+步间峰值拾取”解决事件稀疏、类不平衡与相邻伪峰问题，方向很漂亮，GTZAN 上无 DBN 条件下全面超过 Beat This 和 Gagneré ST-BCE，也让“连贯性”从口号变成了可测结果。但公开评测几乎只有 GTZAN 一个数据集，且三个关键设计没有做独立的组件级消融；与 SOTA 的对比数值又取自原论文而非统一重测，结论的普适性和归因强度仍显不足。

📌 核心摘要

论文提出用掩码扩散模型（MDM）解决节拍追踪中常见的输出不连贯问题，例如相邻强拍、速度加倍/减半、多种合理节拍层级被错误混合。方法的核心是让模型在迭代推理中根据音频和当前已揭示的部分输出逐步选择一种连贯的时间层级解释，而不是像传统单步模型那样在一次前向中直接输出最终预测。作者在 Beat This 架构上加入双通道嵌入、独立掩码的 beats/downbeats 建模、平衡反掩码调度、步间峰值拾取和模型集成，使扩散框架能适配音频节拍追踪。在 GTZAN 上，8 步推理的模型在无 DBN 后处理条件下，节拍 F1/CMLt/AMLt 达到 89.7/82.9/92.5，强拍 F1/CMLt/AMLt 达到 79.5/76.4/88.5，显著超过 Beat This 与 Gagneré ST-BCE；与 10 倍参数量的 MusicFM+HingeNet 系统相比，节拍 F1、节拍 CMLt、强拍 CMLt 更高，节拍 AMLt、强拍 F1、强拍 AMLt 略低，整体相当。该方法还明显减少了连续强拍和速度加倍/减半等不稳定输出。模型还支持接受用户部分标注后补全其余位置，并可在不修改训练的情况下进行自回归/分块自回归推理。主要局限是公开数据集评测只有 GTZAN，且没有对三个核心改进分别做隔离消融。

下图给出了 Beat This 在 GTZAN rock_00029 上出现的典型失败案例。

图中 beat/downbeat 概率出现连续强拍与节拍层级反复切换，直观体现了现有单步模型容易产生的不连贯现象。

🔗 开源详情

• 论文正文提供了补充材料链接：https://github.com/fosfrancesco/md_beat_this 。
• 论文明确说明会提供 8 折交叉验证指标和所有预测结果作为 supplementary material。
• 论文未明确说明是否公开完整训练代码、预训练模型权重或使用的数据集；这些信息需要以仓库实际状态为准。
• 机器摘要中的 has_code: 未说明、has_model: 未说明、has_dataset: 未说明 保持原提取结果不变。

21. InvFlowFD: Reference-Free and Background-Set-Free Perceptual Music Quality Metric with Flow Matching Inversion

6.4/10 | 创新 1.4/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.7/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5

✅ 6.4/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频质量评估 | #流匹配 | #音频理解 #Transformer | arxiv

👥 作者与机构

• 第一作者：Alon Ziv（未说明）
• 通讯作者：未说明
• 作者列表：Alon Ziv（未说明）、Harel Pogoda（未说明）、Yossi Adi（未说明）

💡 毒舌点评

把无条件 Flow Matching 反演终点与标准高斯先验之间的距离当成质量探针，确实干净地甩掉了 FAD 类指标对 background set 的依赖，这个观察值得肯定。但论文只在 JASCO 一个骨干上验证，基线只直接对比 FAD，8 人 400 对 pairwise 回答就要支撑 r=0.73 级别的结论，没有置信区间、显著性检验和 rater 一致性，统计证据过于单薄。更遗憾的是 InvFlowFD 自身的代码和工程封装一概未给，StabilityFlow 的时间索引也明显不对称且未解释，否则这个评估范式的可复现性和工程价值会高很多。

📌 核心摘要

本文提出 InvFlowFD，一种无需干净参考集、也无需 background set 的参考无关音乐感知质量评估指标。其核心做法是：用预训练 Flow Matching 模型 JASCO 对 EnCodec 编码后的音乐 latent 做无条件 Euler 反演，得到对应的先验分布样本，再计算这些样本与标准高斯先验 \(N(0,I)\) 之间的 Fréchet Distance，作为质量度量。与 FAD 相比，新方法不再依赖大规模 studio-quality 音频聚合统计，规避了不同 background set 导致结果不一致的偏差；同时 InvFlowFD 在构造上就是高斯的 Flow Matching 先验空间中计算距离，因此比 FAD 在非高斯 embedding 空间做高斯拟合更自然。在合成失真实验中，InvFlowFD 对白噪声、低通/高通滤波和人为设计的 crop-and-paste 局部时间失真均表现出单调或高灵敏反应。人类主观评测中，InvFlowFD 在 crop-and-paste 失真上 Pearson 相关系数为 0.73，而 FAD 在两种 background set 下分别为 -0.87 和 0.43。在生成模型排序实验中，InvFlowFD 与 FAD 都呈现出与 MAGNeT 原文人类评测一致的趋势，且 InvFlowFD 不需要任何 background set。论文还提出 StabilityFlow 用于单样本稳定性评估，对极轻微滤波失真更敏感。主要局限是仅使用单一 Flow Matching 骨干、缺乏与 KAD/MAD 等更新指标的对比、人评规模较小且未提供实现代码。

🔗 开源详情

• 代码：论文中未提及 Inv

22. Smartphone Audio Based Distress Detection

6.3/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5

✅ 6.3/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #音频事件检测 | #模型融合 | #实时处理 #鲁棒性 | arxiv

👥 作者与机构

• 第一作者：Anil Sharma（IIIT-Delhi）
• 作者列表：Anil Sharma、Sarthak Ahuja、Mayank Gautam、Sanjit Kaul（均为 IIIT-Delhi）
• 通讯作者：论文未标注

💡 毒舌点评

把现成的 MFCC+SVM 包装成“高召回前端、高精度后端、时间聚合、人工兜底”的多级流水线，工程落地 sense 很明确，也针对 Android 录音轮询、多核 null frame、隐私隐藏和能耗做了真实处理。但作为学术工作，它与已有 scream detection 工作没有任何定量比较；更关键的是，志愿者测试阶段不包含任何真实遇险叫声，所以“高检测率”只来自人工构造的 SNR 混合验证集，真实召回从未被验证。“entirely smartphone audio based 24/7 distress detection”的表述也偏强，因为最终仍依赖 friends-in-the-loop 人工确认，并非全自动闭环。

📌 核心摘要

论文提出 Always Alert（AA）：一个利用手机麦克风实现 24/7 遇险检测的系统，目标是检测尖叫声和哭声，并通过多级流水线压低误报。系统将音频切成 2 秒样本，提取 12 维 MFCC；先由二分类 Speech Filter 以高召回方式筛选，再由 7 分类 Context Filter 拒绝环境上下文误报；两级都判定为 distress 后，Temporal Analysis 利用误报在时间上的连续性抑制重复报警，最终将代表性音频片段发送给 friends-in-the-loop 做人工确认，确认后才可能升级给执法机构。

论文的主要贡献被概括为：首次提出完整的手机端 24/7 遇险检测系统；提出 Speech Filter 与 Context Filter 串联的两级 SVM 框架；利用时间连续性降低误报；引入 friends-in-the-loop 并量化其响应延迟；给出 Android 实现细节与能耗测量。结果显示，在 Clean、40dB、20dB 条件下可以取得约 95%、95%、79% 的检测率同时维持约 1% FAR；在 10dB 条件下检测率大幅下降，最佳操作点也只有约 50%–80%。志愿者数据上 P1 操作点的平均 FAR 约 0.90%，经过 Temporal Analysis 后，对录音超 10 小时的志愿者平均每 2.5–3 小时转发一条疑似报警，论文将其表述为约每 3–4 小时产生一条 Facebook 帖子级别的开销。主要局限是测试数据不含真实遇险事件，且未与任何已有检测系统做直接对比。

🔗 开源详情

• 代码：论文中未提及代码链接，未提供 GitHub 等代码仓库。
• 模型权重：论文中未提及。
• 数据集：论文中未提及公开数据集链接或开源协议。实验数据为作者自行构建，包括 340 个 2 秒 distress 音频样本、580 个正常语音样本、五类环境声音数据，以及 16 名志愿者的日常生活录音；均未说明公开获取方式。
• Demo：论文中未提及。
• 复现材料：论文中未提及训练配置、检查点或一键复现脚本。仅给出部分关键参数，如 \(D_T\)、\(C_R\) 和操作点 P1–P6。
• 论文中引用的开源项目：
  • libsvm [11]：https://www.csie.ntu.edu.tw/~cjlin/libsvm/ （GitHub 镜像：https://github.com/cjlin1/libsvm）
  • CoMIRVA [32]：https://sourceforge.net/projects/comirva/

23. Assessing speech quality metrics for evaluation of neural audio codecs under clean speech conditions

6.0/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.7/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1/1.5

✅ 6.0/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：中 | #语音质量评估 | #预训练 | #模型评估 #基准测试 | arxiv

👥 作者与机构

• 第一作者：未披露（文献信息中标注 * 与 †† 为 equal contribution，但原文未在正文给出作者机构信息）
• 通讯作者：未说明
• 作者列表：Wolfgang Mack、Nezih Topaloglu、Laura Lechler、Ivana Balić、Alexandra Craciun、Mansur Yesilbursa、Kamil Wojcicki（机构信息均未披露）
• 备注：论文首页脚注标注 “††* Equal contribution”

💡 毒舌点评

这篇文章用 45 个客观指标去碰 17 个神经编解码器条件，最后得出结论：神经网络指标比传统指标强，scoreq_ref 最牛，非侵入式指标在高分段会饱和。整个工作像一次大型指标“选美比赛”，态度认真、数据量大，但选美标准（主观 MUSHRA-1S）本身就是众包分数的平均值，评委只有约 7 人/文件，噪声不小。更关键的是，作者把“非侵入式指标高分段饱和”归因于 MOS 训练目标，却拿不出训练标签分布的直接证据，只能停在“我们推测”的层面。至于那个“高分数区间可能没有真实质量差异，侵入式指标测的只是与参考信号的无关差异”的自我怀疑，论文也只是轻轻带过——这个 alternative hypothesis 要是真成立，整篇的“指标好用”叙事就得打对折。另外，论文没给代码、没给数据、没给指标版本配置，号称 reproducible evaluation protocol 却连最小复现包都没有，审稿人要是较真，一句“请提供评估脚本”就能让作者难受半天。

📌 核心摘要

本文评估了 45 种客观语音质量指标在干净语音条件下与主观听感分数的一致性。作者选取 LRAC Track 1 盲测集中的 100 条干净语音，并采用 MUSHRA-1S 单条件变体进行众包主观测试，覆盖 17 个神经编解码器条件（0.9–8 kbps），共得到 1700 个数据点。结果显示，基于神经网络的指标（scoreq_ref、scoreq_nr、utmos、nomad、audiobox_aesthetics_ce、sheet_ssqa）获得了最高的 Pearson 相关系数，其中 scoreq_ref 与主观分数的相关系数绝对值最高（|r|=0.87）；传统指标中 warpq 与 pesq 表现最好。进一步分析发现，非侵入式、基于 MOS 训练目标的指标在高主观质量区间会出现饱和，导致排序能力下降；该现象的可能解释是 ACR/MOS 训练目标难以区分高质量端差异，但论文也提出了另一种解读——高 MUSHRA 分数区间内可能不存在可感知的质量差异。本文的主要价值在于提供了当代神经编解码器场景下指标选择的经验基准，但局限是仅覆盖干净语音与单一语料库，且未做指标间差异的统计推断；论文未提供主观评分数据、评估代码或开源链接，复现门槛较高。

🔗 开源详情

• 代码：论文未披露代码仓库链接；正文提及 VERSA 工具包 [21] 用于客观指标计算，但未给出 URL。
• 模型权重：论文未发布或披露任何预训练模型权重。
• 数据集：评测采用第三方 LRAC Challenge Track 1 盲测集，论文给出的唯一链接为 https://lrac.short.gy；论文未提供主观 MUSHRA-1S 评分数据的下载链接，也未提供 100 个测试文件的选取清单。
• Demo：未披露。
• 复现材料：未披露评估脚本、指标版本配置、听感测试界面或聚合脚本。论文中提及 VERSA toolkit [21] 与 Opus [28]，但均未给出 URL；正文唯一给出的链接是 LRAC 挑战赛 https://lrac.short.gy。

24. Modality Agreement- and Conflict-Aware Prototype Hypergraph Learning for Multimodal Intent Understanding

5.5/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.6/1.5

📝 5.5/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频理解 | #图神经网络 | #对比学习 #Transformer | arxiv

👥 作者与机构

• 第一作者：Mohnish Raj（论文署名第一位；机构未说明）
• 通讯作者：Soumi Chattopadhyay（论文标注通讯作者；邮箱为 soumi@iiti.ac.in；但正文作者列表拼写为 Soumi Chattopadhayay，与通讯邮箱拼写不一致；机构未说明）
• 其他作者：Suraj Kumar、Chandranath Adak、Ayan Dutta（机构均未说明）
• 论文状态：原文标注 “This work has been submitted to a prominent venue for possible publication”，属于投稿中稿件。

💡 毒舌点评

把 agreement/conflict 从“融合的副产品”提升为“可跨样本共享的结构化交互表示”，并用原型超图实现，这个重构意图是清楚的，主实验在多数指标上也超过 HIER 等强基线。但 conflict 分支本质上只是“逐元素绝对差 + MLP + 原型精炼”，层次越高冲突建模越弱，到 trimodal 层甚至直接消失；MELD-DA 上 macro F1 反而低于 HIER，原文“所有指标均最佳”的说法站不住。更令审稿人不满的是，GitHub 链接只写着“Appendices are provided”，根本不是可运行代码，复现只能靠正文之外的附录猜谜。

📌 核心摘要

该论文针对多模态意图识别中“模态一致”和“模态冲突”被隐式吸收入单一融合表示的问题，提出将它们显式建模为可复用的结构化交互表示。方法核心是 MACH 层次原型超图框架：从单模态、双模态到三模态逐层构造 interaction anchors，每一层分别通过 agreement 原型超图传播和 conflict 分支的 pairwise-difference 编码获得两组互补表示，再用样本自适应的特征级门控进行仲裁。与已有融合、置信度估计和普通超图方法不同，新意在于把 agreement/conflict 当作跨样本共享的高阶交互结构，而非一次性融合结果。主实验在 MIntRec、MIntRec2.0 和 MELD-DA 上均取得最佳 Accuracy，但注意：MELD-DA 的 macro F1 上 MACH（52.81）低于 HIER（54.80），因此原文“consistently best across all metrics”的表述并不准确。完整主结果见下表：

实际意义在于提供了一种不依赖单点融合、显式区分一致与冲突证据的多模态交互建模思路；主要局限是冲突分支建模较浅、视觉单模态几乎无效、三模态层丢失冲突信息，且关键实现细节依赖补充材料。

🔗 开源详情

原文在 Supplementary Appendix 中给出 GitHub 仓库链接：https://github.com/csksuraj17/MACH，并注明“Appendices are provided”。从原文可见，该链接仅用于提供附录材料，未声明包含可运行代码、模型权重或数据集；论文中也没有其他开源资源说明。这与机器摘要中的 has_code: 否、has_model: 否、has_dataset: 否 保持一致。

25. Deep Learning for Real-Time Sound Order Recognition in Human-Robot Interaction

5.2/10 | 创新 1.2/2 | 严谨 0.8/1.5 | 实验 0.7/1.5 | 清晰 0.6/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5

📝 5.2/10 | 后50% | 文档类型：方法研究 | 评分置信度：中 | #音频事件检测 | #CNN | #音频交互 #实时处理 | arxiv

👥 作者与机构

• 第一作者：Rezaul Tutul（Berliner University of Applied Science, Berlin, Germany）
• 通讯作者：未说明；论文首页标注第一作者邮箱 rezaul.tutul@bht-berlin.de
• 作者列表：Rezaul Tutul、Usaid Khan、André Jakob、Ilona Buchem（均署名 Berliner University of Applied Science）

💡 毒舌点评

把“谁先发声”定义成一个可学习任务，并用多特征分支加注意力融合做到99%，是合成条件下有启发的起点。但整篇论文的核心证据只来自一张“最佳准确率”表：baseline数值缺席、注意力消融缺席、分延迟准确率缺席、真实房间验证缺席。STFT幅度谱帧移为8ms，论文却要解决0.4ms级别的onset差异，既没有给出机制分析，也没有给出随延迟变化的性能曲线。当前证据更适合支撑“合成数据上的技术报告”，而不是“可靠识别声音顺序”这一强结论。

📌 核心摘要

本文研究人机交互中重叠非语言声音的时间顺序识别，目标是在响应几乎同时发生时判断谁先发声。方法采用多分支CNN，分别从Mel谱图、MFCC（含delta/delta-delta）和STFT幅度谱中提取特征，并通过注意力融合层强调关键时间帧。与常见声音事件检测不同，该工作聚焦亚毫秒级顺序判断，并显式引入幅度变化与未见声音的泛化测试。

实验在合成重叠数据上进行：同幅度条件准确率99%，变幅度条件91%，未见声音测试集在Z-score归一化后为74%；论文报告归一化带来约10%的泛化提升。GPU推理平均4.8ms，CPU推理平均18.6ms，特征提取8.1ms，端到端延迟低于30ms，作者据此主张实时可行性。实际意义在于为机器人抢答、协作轮转等场景提供一种无需语音或按钮的输入方式。主要局限是仅使用三类高区分度合成声音、依赖两源假设、未做真实房间验证，且缺乏开源与定量基线对比。

🔗 开源详情

• 代码：论文中未提及代码链接，未给出GitHub、HuggingFace、ModelScope等仓库地址。
• 模型权重：论文中未提及模型权重下载链接或获取方式。
• 数据集：论文使用Freesound（https://freesound.org/）下载猫叫、狗叫、直升机声音作为干净源样本，并自行构建了合成重叠音频数据集；延迟范围为0.0004–0.3s，幅度变化为±12dB，按70/15/15划分训练/验证/测试集，另有独立unseen test set。但论文未提供该合成数据集的直接下载链接、开源协议或外部托管地址。
• Demo：论文中未提及在线演示链接。
• 复现材料：论文中未提及检查点、附录或完整可复现代码包；仅给出训练实现细节：采样率16kHz、2s固定长度、Z-score归一化，特征为Mel spectrogram、MFCC（含deltas）和STFT magnitude；多分支CNN + attention融合；Adam优化器（lr=0.001）、categorical cross-entropy、early stopping、最多100 epochs、batch size=32；使用Python与TensorFlow，在NVIDIA RTX GPU上运行。
• 论文中引用的开源项目：Freesound（https://freesound.org/，CC许可声音数据库）。论文实现部分提及Python和TensorFlow，但未给出具体链接；除此之外未提及其他第三方开源项目仓库。

26. C\(^2\)MOE: Consistency and Complementarity-guided Mixture of Experts for Incomplete Multimodal Emotion Learning

4.1/10 | 创新 1.2/2 | 严谨 0.3/1.5 | 实验 0.8/1.5 | 清晰 0.4/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.5/1.5

📝 4.1/10 | 后50% | 文档类型：方法研究 | 评分置信度：中 | #音视频理解 | #多模态模型 | #音频理解 #Transformer | arxiv

👥 作者与机构

• 第一作者：Yuntao Shou（Central South University of Forestry and Technology；邮箱后缀为 xjtu.edu.cn，与署名机构不一致，原文未解释）
• 通讯作者：未说明
• 作者列表：Yuntao Shou（Central South University of Forestry and Technology）、Tao Meng（Central South University of Forestry and Technology）、Wei Ai（Central South University of Forestry and Technology）、Keqin Li（State University of New York, New Paltz, USA；另附“Xi’an, China”但机构名未说明）

💡 毒舌点评

把一致性拆给一个专家、互补性拆给另一个专家的MoE思路是有嚼头的，且实验覆盖了特定缺失与随机缺失两种设置，工作量值得肯定。但核心信息论目标是自相矛盾的：一致性专家在最小化条件熵的同时又在最大化边缘熵，这在理论上并不自洽；互补预测采用最大化重构误差，实际会鼓励输出偏离真实分布。加上公式编号大面积重复、表2中多个基线数值在不同缺失率下完全相同、关键训练细节与图结构定义缺失，当前版本只能算一份不成熟的工作稿。

📌 核心摘要

1. 要解决的问题：多模态对话情感识别（MERC）在真实场景中经常出现模态缺失，导致模型性能显著下降；已有方法主要做跨模态一致性学习，忽略了模态互补性，恢复结果有偏。
2. 方法核心：提出C²MOE框架，把多模态表示分解为一致性成分和互补性成分；一致性专家最大化跨模态互信息并最小化条件熵，互补性专家最大化条件熵保留模态特有信息；路由网络动态分配权重，双分支预测后加权融合。
3. 相比已有方法的新意：论文声称是第一个尝试将一致性/互补性语义显式放入Mixture of Experts框架中、用路由机制化解两个目标冲突的工作。
4. 主要实验结果：在CMU-MOSI和CMU-MOSEI上，C²MOE在多个缺失设置下超过MCTN、MMIN、GCNet、DiCMoR、IMDer、GSDNet等基线；例如CMU-MOSI特定缺失平均ACC2/F1/ACC7为78.4/78.2/38.3，CMU-MOSEI随机缺失率下平均为84.0/83.8/53.0。消融实验显示四个损失联合优化时达到最佳（例如CMU-MOSI 84.8/84.7/43.5），但单独使用预测损失时性能显著下降。
5. 实际意义：为缺失模态下的对话情感识别提供了一个“一致性+互补性”可解耦的恢复框架，对鲁棒多模态系统设计有参考价值。
6. 主要局限性：理论推导存在明显矛盾，互补预测最大化重构误差缺少合理解释，且代码、详细训练配置与统计显著性检验均未提供，难以独立复现和验证。

🔗 开源详情

• 论文未提供任何开源资源：没有代码仓库链接、模型权重、数据集、配置文件、官方实现地址或补充材料链接。
• 原文仅说明实验使用 PyTorch 在 NVIDIA RTX 4090 GPU 上实现，但未给出可下载或可复现的代码资源。
• 未披露许可证信息，也未承诺未来是否开放源码。
• 在论文可获取范围内，无法通过开源途径验证、运行或扩展该方法的实现，因此开源详情为“未提供”。