语音/音乐/音频论文速递 2026-09-04

共分析 30 篇论文

⚡ 今日概览

✅ 筛选入选 30 篇 → 🔬 深度分析完成

🏷️ 热门方向

📊 论文评分排行榜（30 篇，按分数降序）

📋 论文列表

🥇 真假混在一起时，只给整段打分为什么不够：ToolDF 的分诊式推理

英文题目：ToolDF: Tool-Integrated Reasoning for Mixed-Authenticity Audio Deepfake Detection

标签：#音频伪造检测 | #多模态模型 | #参数高效微调 | #基准测试

评分：8.4/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前25% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Taewoo Kim：Multi-Modal Research Center, KETI, South Korea；Department of Artificial Intelligence, Korea University, South Korea
• Young Han Lee：Multi-Modal Research Center, KETI, South Korea
• Nam In Park：机构信息未在 arXiv HTML 中可靠披露
• Chanwoo Kim：Department of Artificial Intelligence, Korea University, South Korea

💡 毒舌点评

把混合真伪检测从整段二分类改写为可解析的编排推理，用监督轨迹把分离与分诊决策学了出来，思路干净。短板是整套裁决仍被外挂分离器和 4 个专家上限锁死，工具错则编排再漂亮也只是把错误解释得很清楚。

📌 核心摘要

本文针对单段音频内同时存在真实与伪造线索的混合真伪音频伪造检测问题，指出传统整段二分类无法处理时域切换与声源重叠。方法核心是工具集成推理框架ToolDF，以音频大语言模型为编排器，依次完成声场景理解、条件规划、局部工具调用与证据聚合，并通过监督工具使用轨迹微调学会何时分离与调用何种领域专家。与固定分离流水线和直接用音频大语言模型做分类相比，新意在于自适应分离路由、多领域专家分诊与结构化可解释轨迹的统一。在混合真伪基准复合类型上取得最高复合平均分，相对最强单体基线与固定流水线分别提升3.72与14.39个百分点，同时接近使用真值路由的Oracle上界。实际意义是为语音、歌声、音乐与环境声共存的复杂伪造场景提供可落地的检测与取证线索。作者承认的主要局限是依赖外部工具可靠性、自合成基准与真实篡改分布的差距，以及未覆盖单句内局部篡改评测。

🔗 开源资源

• 代码：https://github.com/rlataewoo/tooldf
• 模型权重：论文中未提及
• 数据集：论文称自建混合真实性基准和源代码公开并指向 https://github.com/rlataewoo/tooldf，该基准包含973649个样本并复用ASVspoof2019 LA，CtrSVDD，EnvSDD，FakeMusicCaps和MusicCaps构建
• Demo：论文中未提及
• 复现材料：训练使用428648个样本并训练3个epoch，使用AdamW优化器和1e-5学习率与0.1权重衰减与bfloat16精度与DeepSpeed ZeRO-2与4096最大序列长度，在8张NVIDIA A40 GPU上以每卡4批量和4步梯度累积实现128全局批量，LoRA适配器rank为64且alpha为16，附录B提供ALLM编排器在SFT和推理阶段使用的完整系统提示
• 论文中引用的开源项目：Qwen3-Omni-30B-A3B-Captioner，链接为 https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Captioner；py-webrtcvad，链接为 https://github.com/wiseman/py-webrtcvad；Demucs v4，XLSR-AASIST，ASVspoof2019 LA，CtrSVDD，EnvSDD，FakeMusicCaps和MusicCaps在论文中仅提及名称而未提供链接
• 资源可达性验证：code=available(HTTP 200)；dataset=available(HTTP 200)；third_party=available(HTTP 200)；third_party=temporarily_unreachable

🥈 掩蔽走不到的地方：一条直线、一个夹角与均方误差的回拉

英文题目：Geometric Ceilings on Time-Frequency Masking for Single-Channel Separation

标签：#音乐源分离 | #生成模型 | #理论分析 | #基准测试

评分：7.9/10 | 创新 1.6/2 | 技术严谨 1.3/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前25% | 文档类型：理论研究 | arXiv 原文

👥 作者与机构

• Maxime Baelde：organization=Independent researcher, city=Lille, country=France

💡 毒舌点评

亮点在于把时频掩蔽上限写成投影几何并证明均方准则把后验均值拉回实数线，理论链条完整且可证伪。短板是所测高斯混合先验远弱于当代分离器，整篇更像用弱模型验证强定理而非逼近上限本身。

📌 核心摘要

单通道时频掩蔽长期以理想比值掩蔽等特解作为上限，无法回答实增益格式本身禁止什么。本文把单频点估计看作复平面上的实线性算子，证明最优实增益是源向量向混合线上的正交投影，残差完全由源与混合夹角决定。作者建立实掩蔽、复掩蔽、宽线性与跨频耦合四层嵌套算子类，并对应先验零均值、循环对称与频率独立三条假设。构造堆叠实虚谱上的非循环高斯混合先验，其后验均值形式上离开最小类，但证明相位后验关于混合方向对称时均值落回实线，超额误差等于 oracle 增益的后验方差。在 MUSDB18 上人声与伴奏分离实验中，拟合估计器始终大幅低于逐帧上限，且增加分量数、训练量与全协方差均未弥合差距，约七成缺口可归因于后验方差。意义在于把突破上限的希望从更宽滤波器转向帧自适应先验与非均方准则。局限是测量取自较弱的浅层生成模型，且上限经重合成传输存在数值松弛。

🔗 开源资源

• 代码：https://github.com/mbaelde/masking-ceiling，tag v1.0.0，separator 实现导入自 https://github.com/mbaelde/generative-audio-source-models
• 模型权重：论文中未提及
• 数据集：论文中未提及
• Demo：论文中未提及
• 复现材料：论文说明全部 figure 和 table 可由 tag v1.0.0 复现，训练配置采用 diagonal 协方差并设置 floor 为 10-6，EM 迭代为 30 次，每种配置按 K 取 8，16，32 独立拟合且使用固定 seed，训练量按每源 20000 和 150000 frames 设置两档，堆叠维度在 L 为 1024 时是 1026，在 L 为 256 时是 258
• 论文中引用的开源项目：masking-ceiling https://github.com/mbaelde/masking-ceiling，generative-audio-source-models https://github.com/mbaelde/generative-audio-source-models
• 资源可达性验证：code=temporarily_unreachable；code=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable

🥉 被编解码器洗掉的水印：CRAW 如何把鲁棒性藏进听不见的地方

英文题目：CRAW: Codec Robust Audio Watermarking

标签：#音频水印 | #对抗训练 | #语音编码 | #鲁棒性

评分：7.7/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0.2/1.5 | 可复现 0.5/0.5 | 工程/实践 1/1.5

排名：前25% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• David Chernin：机构信息未在 arXiv HTML 中可靠披露
• Ethan Fetaya：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

把失真池加宽、池化改注意力、推理加掩膜再用纠错码兜底的四件套分工清晰，对神经编解码器碾压式提升是真贡献。但掩膜依赖可微 PESQ 梯度且只在推理嫁接，训练推理不一致味道很重，最难的 TiCodec 仍是全场最低点，SI-SNR 与 STOI 也弱于最优基线，离真正透明部署还有距离。

📌 核心摘要

生成式语音伪造风险使音频水印成为溯源手段，但已有后处理水印在神经编解码器和降噪重合成下几乎失效。CRAW 以 TimbreWatermark 为基座，构建面向编解码器鲁棒的后处理水印框架，将宽化失真训练与基于查询的注意力池化、推理时感知掩膜和纠错编码串联，在增强检出的同时回收音质。与 WavMark、AudioSeal、TimbreWatermark、WMCodec 和 AWARE 相比，新框架在编解码器和降噪器等神经重合成攻击下取得断层领先，在 LibriSpeech 2620 条全量测试上 FACodec 场景达到 0.974 的检测 F1，而最强基线 AWARE 在同类编解码器上未超过 0.252，同时 PESQ 保持 3.990 的可比水平。该工作为语音通话和流媒体等真实传输链路提供了更可用的水印方案。主要局限是推理掩膜带来约 150 ms 额外延迟，且对极低码率编解码器的泛化仍存在明显短板。

🔗 开源资源

• 代码：https://github.com/DavidC1212/craw
• 模型权重：论文中未提及
• 数据集：训练使用 LibriSpeech train_clean100，测试集 2620 个片段，重采样至 22.05 kHz，另在 LJSpeech 上做零样本泛化评估，论文中未提及获取链接或开源协议
• Demo：https://davidc1212.github.io/craw-audio-samples/
• 复现材料：在 1 张 NVIDIA L4 GPU 上使用 PyTorch 2.1.2 和 CUDA 12.1 训练 20 个 epoch，batch size 为 1，Adam 学习率为 2e-5，随机种子固定为 2022，掩膜比例 k 为 10% 仅在推理阶段应用，补充材料报告完整攻击套件结果
• 论文中引用的开源项目：torch-pesq https://github.com/audiolabs/torch-pesq，ClearerVoice-Studio https://github.com/modelscope/ClearerVoice-Studio
• 资源可达性验证：code=temporarily_unreachable；demo=available(HTTP 200)；third_party=temporarily_unreachable；third_party=temporarily_unreachable

4. 八十小时练一人，十分钟认新人：词分类竞赛把跨被试泛化变成硬指标

英文题目：The 2026 PNPL Competition: Word Classification and Efficient Cross-Subject Generalisation in LibriBrain100

标签：#语音识别 | #自监督学习 | #低资源 | #基准测试

评分：7.5/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 1.2/1.5 | 开源 1.2/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5

排名：前25% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Francesco Mantegna：PNPL, Department of Engineering Science, University of Oxford, UK
• Gereon Elvers：PNPL, Department of Engineering Science, University of Oxford, UK
• Dulhan Jayalath：PNPL, Department of Engineering Science, University of Oxford, UK
• Gilad Landau：PNPL, Department of Engineering Science, University of Oxford, UK
• Tasha Kim：PNPL, Department of Engineering Science, University of Oxford, UK
• Miran Özdogan：PNPL, Department of Engineering Science, University of Oxford, UK
• Luisa Kurth：PNPL, Department of Engineering Science, University of Oxford, UK
• Teyun Kwon：PNPL, Department of Engineering Science, University of Oxford, UK
• SungJun Cho：PNPL, Department of Engineering Science, University of Oxford, UK；OHBA, Oxford Centre for Integrative Neuroimaging, University of Oxford, UK
• Benjamin Ballyk：PNPL, Department of Engineering Science, University of Oxford, UK
• Alex Fung：PNPL, Department of Engineering Science, University of Oxford, UK；FMRIB, Oxford Centre for Integrative Neuroimaging, University of Oxford, UK
• Anna Greer：PNPL, Department of Engineering Science, University of Oxford, UK
• Pratik Somaiya：PNPL, Department of Engineering Science, University of Oxford, UK
• Christian Herff：Maastricht University, The Netherlands
• Yorguin Mantilla Ramos：UNIQUE, Université de Montréal, Canada
• Hamza Abdelhedi：UNIQUE, Université de Montréal, Canada
• Karim Jerbi：UNIQUE, Université de Montréal, Canada；Mila–Quebec AI Institute, Canada
• Greg Farquhar：Google DeepMind, UKJoint first authors
• Brendan Shillingford：Google DeepMind, UKJoint first authors
• Mark Woolrich：OHBA, Oxford Centre for Integrative Neuroimaging, University of Oxford, UK
• Oiwi Parker Jones：PNPL, Department of Engineering Science, University of Oxford, UK

💡 毒舌点评

把非侵入语音解码从单被试刷分拉向临床最痛的跨被试少样本与 0 样本，课程设计与双轨评估颇有野心。短板是全篇零新模型，2 个参考模型均为旧工作复用，宽松的 Top-10 指标叠加功能词为主的词表让绝对分数虚胖，OVMI 揭开后通信价值几乎归零。

📌 核心摘要

本文要解决非侵入式脑机接口（Brain-Computer Interface, BCI）无法用分钟级数据泛化到新用户的问题，延续 2025 年 PNPL 竞赛从语音检测与音素分类向实用通信推进的课程设计。方法核心是发布 LibriBrain100 数据集并围绕词分类（Word Classification）组织双赛道竞赛：深度赛道（Deep track）利用单被试约 80 小时脑磁图（Magnetoencephalography, MEG）数据追求极限性能，广度赛道（Broad track）要求在约 40 分钟、约 20 分钟、约 10 分钟乃至零样本条件下跨被试泛化。相比已有工作，新意在于固定 50 词竞赛词表、复用侵入式 Moses 50 词表并引入开放词表互信息（Open-Vocabulary Mutual Information, OVMI）三重评估，同时首次将高效跨被试适应作为正式竞赛目标。基线结果显示深度赛道 Top-10 平衡准确率（Balanced Accuracy at 10, BAcc@10）达 73.23%，广度赛道仅 42.96%，OVMI 则分别为 0.220 与 0.014 比特每词，揭示跨被试落差与真实通信价值的双重鸿沟。实际意义是提供统一数据接口、评测划分、参考模型与排行榜基础设施，结束以往词分类各用最频繁 K 词无法比较的混乱。主要局限是任务仍为 50 词闭集听觉感知分类，与开放词表脑到文本（Brain-to-Text, B2T）和瘫痪患者主动产出言语相距甚远。

🔗 开源资源

• 代码： https://github.com/neural-processing-lab/pnpl ， https://github.com/neural-processing-lab/MEG-XL
• 模型权重： MEG-XL 检查点见 https://github.com/neural-processing-lab/MEG-XL 。 允许来源见 https://huggingface.co
• 数据集： 名称是 LibriBrain100 。 加载使用 pip install pnpl 。 文档见 https://libribrain.com/editions/2026/
• Demo： 论文中未提及
• 复现材料： 提供 3 个 Colab 教程笔记本 。 内容覆盖 Subject 0 微调 ， 跨被试泛化 ， holdout 预测提交 。 竞赛网站见 https://libribrain.com/editions/2026/
• 论文中引用的开源项目： MEG-XL 见 https://github.com/neural-processing-lab/MEG-XL 。 pnpl 见 https://github.com/neural-processing-lab/pnpl 。 Hugging Face 见 https://huggingface.co 。 GitHub 见 https://github.com/ 。 Discord 见 https://libribrain.com/links/discord
• 资源可达性验证：code=temporarily_unreachable；code=temporarily_unreachable；model=temporarily_unreachable；model=temporarily_unreachable；dataset=available(HTTP 200)；reproduction=available(HTTP 200)；third_party=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable

5. 一句话没有干净答案时，让干净语音的记忆来校准耳朵

英文题目：Test-time adaptation for speech enhancement with an autoregressive speech prior

标签：#语音增强 | #测试时自适应 | #自回归模型 | #鲁棒性

评分：7.5/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前25% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Sofiene Kammoun：机构信息未在 arXiv HTML 中可靠披露
• Simon Leglaive：机构信息未在 arXiv HTML 中可靠披露
• Xavier Alameda-Pineda：机构信息未在 arXiv HTML 中可靠披露
• Timo Gerkmann：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

用神经音频编解码器潜空间上的干净语音先验做单句测试时自适应，思路干净且与回归型增强任务适配性好。短板在于缺少与主流测试时自适应基线的同条件对比，且最优停止严重依赖事后挑选，实际落地时的无监督早停仍未解决。

📌 核心摘要

语音增强在训练与测试噪声失配时会明显退化，而测试时无法获得干净参考，亟需无监督的单句自适应方案。本文提出基于自回归先验的单语句测试时自适应方法，冻结在描述音频编解码器潜空间上训练的自回归干净语音先验，以增强分布与先验之间的库尔贝克-莱布勒散度为目标对预训练增强模型做少量梯度更新。与熵最小化掩膜约束和师生伪标签等已有测试时自适应不同，该方法直接在连续潜表示上度量与干净语音流形的偏离，不修改原始监督训练流程且无需源数据。主实验在DNS Challenge V5开发测试集上以事后最优停止取得整体质量提升0.18，背景抑制提升0.23，在TIMIT-DEMAND上也有类似的失配噪声增益。该方法的实际意义在于仅用1秒无标签片段即可校准模型对未知噪声的残留抑制能力。主边界是增益集中于初始增强较差的低先验密度样本，对已干净样本可能无增益甚至退化，且依赖早停控制以防坍缩到先验。

🔗 开源资源

• 代码：论文声明代码与音频示例在线可用，项目页 https://sofienekammoun.github.io/TAAP-SE/
• 模型权重：论文中未提及
• 数据集：Libri1Mix数据集，EARS数据集，DNS Challenge V5 dev-test track 2数据集，TIMIT-DEMAND数据集，EARS-WHAM数据集，其中DNS Challenge V5 dev-test track 2包含600个录音，论文中未提及获取链接
• Demo：https://sofienekammoun.github.io/TAAP-SE/
• 复现材料：测试时自适应基于Descript Audio Codec架构并使用momentum为0.9的gradient descent，learning rate为2×10-5且最大adaptation步数为20，每2步重建增强语音并评估DNSMOS P.835与WER指标
• 论文中引用的开源项目：在线示例项目主页 https://sofienekammoun.github.io/TAAP-SE/，wav2vec 2.0 ASR模型 https://huggingface.co/facebook/wav2vec2-base-960h，Descript Audio Codec架构论文中未提及链接
• 资源可达性验证：code=available(HTTP 200)；demo=available(HTTP 200)；third_party=available(HTTP 200)；third_party=temporarily_unreachable

6. 不数拍子也能合唱：对齐无关的配音与双人对话合成

英文题目：Alignment-Free Text-Audiobox for Voice Dubbing and Full-Duplex Dialogue Synthesis

标签：#语音合成 | #流匹配 | #语音克隆

评分：7.5/10 | 创新 1.6/2 | 技术严谨 1.3/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.3/1.5

排名：前25% | 文档类型：系统技术报告 | arXiv 原文

👥 作者与机构

• Sanyuan Chen：FAIR at Meta
• Min-Jae Hwang：FAIR at Meta
• Sho Inoue：FAIR at Meta
• Anna Sun：FAIR at Meta
• Bokai Yu：FAIR at Meta
• David Kant：FAIR at Meta
• Dongmin Hyun：FAIR at Meta
• Dorian Desblancs：FAIR at Meta
• Gregory Antonovsky：FAIR at Meta
• Oleg Repin：FAIR at Meta
• Peng-Jen Chen：FAIR at Meta
• Xutai Ma：FAIR at Meta
• Zehai Tu：FAIR at Meta
• Juan Pino：FAIR at Meta
• Wei-Ning Hsu：FAIR at Meta

💡 毒舌点评

把对齐无关文本接口、48 kHz 低码率隐变量扩散与单双通道统一建模做成可落地的配音加全双工对话大系统，工程链条完整。短板是全程依赖内部数据与内部基线且无外部可验证产物，情绪与长对话评估多靠自动指标与自建主观量表，说服力打了折扣。

📌 核心摘要

本文解决跨语言配音与立体声全双工对话合成中的音色保持、韵律自然与轮转交互建模问题，目标是在大规模单语数据训练下实现跨语言零样本泛化与可控多轮对话生成。方法核心是基于扩散变换器（Diffusion Transformer，DiT）与流匹配（Flow Matching，FM）的隐变量生成框架，直接以mT5文本编码器输出做交叉注意力条件，并用双通道拼接统一单声道与立体声合成。与Audiobox一脉相比，新之处在于改用DAC-VAE低帧率隐变量、取消强制对齐与时长预测，并配合多阶段微调与多重扩散长音频推理。在内部配音基准上可分享性与细粒度相似度显著优于最新内部系统，长对话上人类相似度大幅领先内部基线，短对话已接近真实录音。实际意义是为配音产线与全双工语音语言模型提供可控高质量合成数据引擎。主要局限是依赖闭源数据与内部基线，外部可比性与可复现性不足，且长时一致性与情绪可控仍依赖重排序与启发式流程。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：论文中未提及
• Demo：论文中未提及
• 复现材料：论文中提及3B参数默认配置和多阶段训练流程，预训练使用约480k小时英语和西班牙语单语数据并在256张A100 GPU上训练800k步，配音SFT使用约2k小时单语数据加50小时跨语数据并在256张A100 GPU上训练200k步，对话SFT使用约28k小时英语双通道对话数据并在256张A100 GPU上训练1M步，推理采用一阶Euler ODE求解器和基于SpkSim与WER的重排序策略
• 论文中引用的开源项目：Valence-Arousal-Dominance extractor https://huggingface.co/audeering/wav2vec2-large-robust-12-ft-emotion-msp-dim，Qwen2-Audio https://huggingface.co/Qwen/Qwen2-Audio-7B-Instruct
• 资源可达性验证：third_party=available(HTTP 200)；third_party=available(HTTP 200)

7. 暖启动之后，基座模型还记得什么：用隐状态几何找回被遗忘的人名

英文题目：Listen to the Latents: Self-Correcting Speech Recognition in Large Audio Language Models Through Hidden-State Interactions

标签：#语音识别 | #多模态模型 | #参数高效微调 | #鲁棒性

评分：7.2/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Chan-Jan Hsu：机构信息未在 arXiv HTML 中可靠披露
• Jaeyeon Kim：机构信息未在 arXiv HTML 中可靠披露
• Chao-Han Huck Yang：NVIDIA
• Shinji Watanabe：机构信息未在 arXiv HTML 中可靠披露
• Hung-yi Lee：机构信息未在 arXiv HTML 中可靠披露
• Carlos Busso：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

把适配后残留的基座大语言模型变成免费校正器，用跨模型隐状态几何做门控，避免全局融合的幻觉灾难，想法干净。短板是所谓自校正高度依赖在 YODAS 上拟合的高斯门限与延续词元规则，换模型换领域就要重标定，完整端到端只验了 1 个 Phi-4-Multimodal，离通用解码器还差一口气。

📌 核心摘要

本文解决暖启动语音大模型中语义知识迁移不完全的问题：即使经大规模语音文本联合训练，命名实体等多词元词仍系统性易错，而朴素重打分与晚融合会引入幻觉并损伤总体词错误率。核心机制是配对比较语音大模型隐状态与同文本下基座大语言模型隐状态的交互特征，再用混合搜索只在语义依赖区做束搜索与概率插值。相对已有输出级校正的新颖处在于门控信号来自层间几何而非词表概率，且校正器就是自身基座模型，无需额外参数与训练。在 Open ASR Leaderboard 七个子集加 Common Voice 的 Phi-4-Multimodal 评测中，单遍解码模式以约 1.4 倍贪心代价恢复束搜索 25% 的词错误率增益和 96.4% 的命名实体增益，两遍纠错模式将平均命名实体错误率从 18.29% 降至 17.69% 且词错误率维持 6.35% 对 6.36%。实际意义是为保留基座的 LoRA 适配模型提供低成本推理时增强路径。主边界是完整纠错仅在单一模型验证，门限与层聚合的跨架构通用性尚未确立。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及，实验使用模型 Phi-4-Multimodal 与 Granite-4.0-1B-Speech 但未给出权重链接
• 数据集：YODAS 数据集，为 CC 许可音频语料，另使用 AMI 与 Common Voice 与 Earnings22 与 GigaSpeech 与 LibriSpeech 与 SPGISpeech 与 TED-LIUM 与 VoxPopuli 及 Open ASR Leaderboard 相关评测集，论文中未提及数据集下载链接
• Demo：https://huggingface.co/spaces/Splend1dchan/Listen-To-The-Latent
• 复现材料：论文给出 Beam Search 束宽为 5 与插值权重为 0.2 与目标阈值 τ 为 1/2 和 1 及 0 的对比，报告 WER 与 NE-ER 与 McNemar 显著性，并以附录展示跨数据集目标区域泛化与修正样例，论文中未提及训练配置与检查点链接
• 论文中引用的开源项目：未提及
• 资源可达性验证：demo=available(HTTP 200)

8. 不看未来，也要补出高频：StreamWSR 的零前视波形赌局

英文题目：StreamWSR: Streamable and Lightweight Waveform-Domain Neural Speech Super-Resolution

标签：#语音增强 | #生成对抗网络 | #流式处理 | #高效推理

评分：7.2/10 | 创新 1.5/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Yuan Tian：机构信息未在 arXiv HTML 中可靠披露
• Yang Ai：机构信息未在 arXiv HTML 中可靠披露
• Hui-Peng Du：机构信息未在 arXiv HTML 中可靠披露
• Zhen-Hua Ling：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

亮点在于把波形域直接建模与零前视因果约束真正做成了可流式部署的轻量系统，避免了声码器和显式相位预测的复杂管线。短板在于仅在单一英文干净数据集上验证且缺少延迟实测与主观听感评估，零前视优势更多停留在结构因果层面而非系统级验证。

📌 核心摘要

本文要解决语音超分辨率（Speech Super-Resolution，SR）在低算法延迟流式场景下的高质量重建问题，现有波形域方法难以兼顾长序列建模效率，频谱域方法则依赖声码器重建或显式相位预测。作者提出可流式波形域模型StreamWSR，直接将经sinc插值升采样至目标采样率的低分辨率波形映射为高分辨率波形，训练期仅用频谱判别与重建损失提供监督，推理期仅保留生成器。与已有方法相比，新颖之处在于全因果紧凑帧级表示加局部长时因果建模与改进离散余弦变换（Modified Discrete Cosine Transform，MDCT）多分辨率对抗监督的组合。在VCTK数据集2 kHz扩展至16 kHz设置下，StreamWSR取得对数谱距离（Log-Spectral Distance，LSD）为1.03与ViSQOL为3.81，接近最强不可流式基线AP-BWE并在该设置下ViSQOL居首，同时仅需9.03M参数量与2.12G计算量。该工作为实时通信与编解码器后处理提供了轻量可部署方案。局限在于验证场景单一且缺乏真实流式延迟与主观评价支撑，外推至噪声混响多语言场景的稳健性尚未证明。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：VCTK-0.92 dataset，包含约44小时48 kHz语音，来自110位English speakers，实验中下采样至16 kHz作为High Resolution参考，并通过下采样生成8 kHz与4 kHz与2 kHz低分辨率输入，论文中未提及数据集获取链接
• Demo：https://tian1507.github.io/StreamWSR/
• 复现材料：输入波形经kernel size为80且stride为80的因果1D卷积降采样至40通道帧级表示，再投影至352通道，主干包含8个因果长短时建模块，训练裁剪为16000采样片段，使用AdamW优化器并设置初始学习率为2×10-4与指数衰减因子为0.999，共训练600k步且batch size为16，全部实验在单张NVIDIA RTX 3090 GPU上完成
• 论文中引用的开源项目：UDM+与TRAMBA与FLowHigh与AP-BWE与Whisper与ViSQOL，论文中未提供上述项目的链接
• 资源可达性验证：demo=available(HTTP 200)

9. 说了像本人，不等于接得住话：角色暗示里的时机考验

英文题目：DuplexSpeechBench-IFEval: Evaluating Implicit Instruction Following in Full-Duplex Voice Agents

标签：#语音交互 | #语音大模型 | #基准测试 | #实时处理 | #模型评估

评分：7.2/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Puneet Mathur：University of Maryland College Park, USA
• Dinesh Manocha：Project Page:

💡 毒舌点评

把显式打断规则换成悲伤辅导员与 911 接线员的人设暗示来考全双工话轮控制，这个切口抓得准且泄漏控制做了实事。遗憾在于 6 个系统绝对指令遵从率普遍低于 50%，近零差距模型的细排名在阈值抖动下并不稳，安全层级结论更多是 30 例小样本警示而非定论。

📌 核心摘要

全双工语音智能体需要根据角色推断何时倾听、附和、打断、让出或保持话轮，现有评测多只给显式话轮指令。论文提出DuplexSpeechBench-IFEval（DSB-IFEval，隐式指令遵循评测），用同一用户音频搭配5种条件协议对比显式执行与人设暗示执行。方法上以8个行为对比角色、6类会话探针、程序化合成与双通道实时编排为流水线，以确定性指令遵从分数Instruction Adherence Score（IAS，指令遵从分数）与大语言模型评价的人设内容分数Persona Adherence Score（PAS，人设遵从分数）解耦内容与时机。6系统实验显示全双工架构的蕴含差距Entailment Gap（蕴含差距）达9.7个百分点，而回合制系统内容跟随强但打断与附和几乎为0。安全冲突下仅MiniCPM-o-4.5在语义层60.0%选择安全侧，且IAS非零者仅2个系统。该基准为角色化实时语音部署提供了可复现的层级检验，但局限在英语双轮合成语音与小规模安全集。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：DSB-IFEval包含1038个测试用例源自240段受控用户侧对话覆盖8种助理角色与5种条件协议论文中未给出HTTPS获取链接与开源协议
• Demo：论文中未提及
• 复现材料：附录A至附录G提供基准规范与复现细节包含240段对话生成流程与224条独立用户音频流总时长约6.5k s平均单对话时长27.2 s合成采用Coqui XTTS-v2采样率24000 Hz对齐采用torchaudio MMS_FA评估覆盖180组阈值配置并在1块H100 80 GB GPU上运行本地模型论文中未给出HTTPS形式的代码仓库地址
• 论文中引用的开源项目：Silero VAD与Coqui XTTS-v2与torchaudio MMS_FA与NVIDIA parakeet-tdt-0.6b-v2与PersonaPlex-7B与F-Actor与NanoCodec与Moshi与Mimi与MiniCPM-o-4.5与Fun-Audio-Chat-8B与CosyVoice3论文中未给出上述项目的HTTPS链接
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

10. 十五秒换一个声音：当教师的错误变成学生的课本

英文题目：Building and Evaluating Fixed-Voice Thai TTS from Synthetic Speech

标签：#语音合成 | #知识蒸馏 | #低资源 | #多语言

评分：7.2/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：系统技术报告 | arXiv 原文

👥 作者与机构

• Kunat Pipatanakul：机构信息未在 arXiv HTML 中可靠披露
• Potsawee Manakul：机构信息未在 arXiv HTML 中可靠披露
• Warit Sirichotedumrong：机构信息未在 arXiv HTML 中可靠披露
• Sittipong Sripaisarnmongkol：机构信息未在 arXiv HTML 中可靠披露
• Pakorn Nathong：机构信息未在 arXiv HTML 中可靠披露
• Phatrasek Jirabovonvisut：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

亮点在于把泰语停顿可接受集合形式化并配套可复现的评测管线，让合成流水线的取舍变得可度量。短板在于学生上限被教师分布锁死，挑战集关键词准确率始终落后教师与专有系统，蒸馏更多是在做有损压缩而非能力扩展。

📌 核心摘要

本文解决低资源泰语固定音色语音合成 Text-to-Speech / TTS 部署难题，即缺少单人录音语料时如何在无参考音频条件下获得可落地的紧凑系统。方法核心是三段式合成蒸馏管线，以零样本语音克隆 Zero-Shot Voice Cloning 教师 OmniVoice 为可编程数据源，经文本准备与口语化、多次采样加质量过滤生成合成语料，再训练 Kokoro 骨干固定音色学生。相对已有工作，新颖处在于把教师错误视为训练目标来显式建模质量与覆盖的矛盾，并引入挑战集关键词准确率与韵律停顿准确率以补充字符错误率 Character Error Rate / CER 的盲区。主结果上，发布模型 Wayu-Paxa-TTS-Edge 在 1531 项挑战集上达到 68.2% 关键词准确率，为 Gemini 3.1 Flash TTS 的 85.5%，在 210 个长句上达到 91.4% 停顿精确率，为 Gemini 3.1 的 94.8% 并超过教师 OmniVoice 的 89.9%，同时保持 0.882 说话人相似度接近教师的 0.899。实际意义是给出 1 段 15 秒参考音频到端侧固定音色的完整可复用配方，并开源评测框架与挑战集。主要局限是难词与专名仍受教师语料覆盖约束，压缩主要损伤困难词词汇实现 lexical realization 而非韵律结构。

🔗 开源资源

• 代码：https://github.com/wayu-research/thai-tts-eval ，该 GitHub 仓库包含 Challenge Set 构建元数据与评测基准
• 模型权重：论文中未提及
• 数据集：自建 Challenge Set 含 1531 条测试句与 210 条长句暂停标注，通过 https://github.com/wayu-research/thai-tts-eval 发布，第三方 Isan 方言测试集见 https://huggingface.co/datasets/typhoon-ai/thai-dialect-isan-dataset
• Demo：论文中未提及
• 复现材料：附录 A 提供 Challenge Set 构建细节与强制对齐器验证。主模型使用 AdamW 优化器训练 8 epochs。有效批量大小为单步 8 样本。PL-BERT 学习率为 1×10-5。主网络学习率为 1×10-4 ，编码器与解码器从 https://huggingface.co/hexgrad/Kokoro-82M 检查点初始化。
• 论文中引用的开源项目：OmniVoice 教师模型见 https://huggingface.co/k2-fsa/OmniVoice。Kokoro 82M 学生基座见 https://huggingface.co/hexgrad/Kokoro-82M。Whisper Large V3 见 https://huggingface.co/openai/whisper-large-v3。Typhoon Whisper Large V3 见 https://huggingface.co/typhoon-ai/typhoon-whisper-large-v3。Typhoon Whisper CTC 见 https://huggingface.co/typhoon-ai/typhoon-whisper-large-v3-ctc。ECAPA 说话人编码器见 https://huggingface.co/speechbrain/spkrec-ecapa-voxceleb。DeepSeek V4 Flash 见 https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash。Isan 方言 ASR 见 https://huggingface.co/typhoon-ai/typhoon-isan-asr-whisper。Gemini 3.1 Pro Preview 文档见未找到论文原文或已验证 Demo 中的精确链接。评测基准仓库见 https://github.com/wayu-research/thai-tts-eval。论文还提及 airesearch/wav2vec2-large-xlsr-53-th 对齐器与 TLTK 词典，未给出对应 HTTPS 链接。
• 资源可达性验证：code=temporarily_unreachable；dataset=temporarily_unreachable；dataset=temporarily_unreachable；reproduction=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable

11. 不排队，各自说话再相加：PACodec 把量化从接力改成合唱

英文题目：PACodec: A Low-bitrate Neural Speech Codec with Parallel Additive Vector Quantization

标签：#语音编码 | #生成对抗网络 | #语音转换 | #高效推理

评分：7.1/10 | 创新 1.5/2 | 技术严谨 1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Fei Liu：机构信息未在 arXiv HTML 中可靠披露
• Yang Ai：机构信息未在 arXiv HTML 中可靠披露
• Xiao-Hang Jiang：机构信息未在 arXiv HTML 中可靠披露
• Zhen-Hua Ling：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

并行加性量化摆脱残差依赖的思路干净且与解耦分析形成了呼应，低码率下能打平更高码率基线颇具实用价值。但量化损失对所有分支同等约束全局特征的设定在理论上略显粗糙，消融更多是事后解读而非可控解耦的证明。

📌 核心摘要

低码率神经语音编码长期依赖残差向量量化（Residual Vector Quantization，RVQ），其分支间顺序依赖限制了码率进一步压缩，也难以支撑表征解耦。论文提出并行加性向量量化（Parallel Additive Vector Quantization，PAVQ）编码器，即PACodec，采用全局-局部-全局（Global-Local-Global，GLG）结构对同一全局编码特征并行量化再相加融合。相对RVQ的残差精修与分组残差向量量化（Grouped RVQ，GRVQ）的通道分组残差，该设计让各分支聚焦局部属性并可使用更小码本。在LibriTTS（16 kHz，1.4 kbps）与VCTK（48 kHz，4.2 kbps）上的对比显示该方法以约30%码率节省维持了与高码率基线相当的重建质量，且模型仅6.7M参数保持轻量。消融表明不同分支分别偏向内容、音色与声学细节，具备解耦潜力。主要边界在于解耦仍属移除分支后的观测性分析，未实现显式可控分离或下游语音转换（Voice Conversion，VC）验证。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：LibriTTS数据集包含约585小时16 kHz语音。LibriTTS训练集有354780条utterances，来自2311位speakers。LibriTTS测试集有4837条utterances，来自39位unseen speakers。VCTK数据集包含约43小时48 kHz语音。VCTK训练集有40936条utterances，来自100位speakers。VCTK测试集有2937条utterances，来自8位unseen speakers。论文中未给出数据集下载链接。
• Demo：在线试听地址为 https://anonymity225.github.io/PACodec/ 。
• 复现材料：MDCT帧长为80，帧移为40，频点数为40。谱编码器和谱解码器各使用8个1D ConvNeXt v2 blocks。除最后一层外所有1D卷积输出256个channels。编码器最后一层输出32个channels。解码器最后一层输出40个channels。卷积核大小为7。编码解码上下采样因子均为320。PAVQ使用4个VQs，每个codebook大小为128。训练使用AdamW优化器，β1为0.8，β2为0.99，初始学习率为0.0002，每epoch衰减0.999，共训练500个epochs。PACodec在LibriTTS上比特率为1.4 kbps。PACodec在VCTK上比特率为4.2 kbps。PACodec参数量为6.7M。
• 论文中引用的开源项目：引用项目包括Encodec，AudioDec，DAC，HiFi-Codec，APCodec，MDCTCodec，SQCodec，UTMOS，DNSMOS，Amazon Mechanical Turk。论文中未提供上述项目链接。
• 资源可达性验证：demo=available(HTTP 200)

12. 何时闭嘴何时开口分开学：用真实重叠教会状态机的全双工配方

英文题目：Decoupling Turn-Taking from Semantics: A Decoupled Data Approach for Finite-State-Machine-Based Full-Duplex Dialogue

标签：#语音交互 | #大语言模型 | #流式处理 | #基准测试

评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Yihang Li：Kyoto University
• Chenhui Chu：Kyoto University

💡 毒舌点评

把轮次控制与语义解耦、用真实人人对话学打断的思路切中了神经有限状态机合成数据的要害，事件引导的规则序列化做得扎实可扩展。但合成基线复现自由度偏大且语义评估口径不对等，暂停处理的激进策略也暴露了单带序列化压缩连续时间的固有代价。

📌 核心摘要

全双工对话需要同时处理打断、反向通道和地板争夺，而神经有限状态机将状态转换与回复生成序列化到单条因果带上，却依赖大语言模型合成难以还原真实声学时序的训练带。本文提出解耦数据方法，用真实人人口语对话学习轮次控制，用可配置的人机文本对话塑造语义，并以全规则的事件引导变换加来源感知校准损失实现联合训练。在控制训练token量的对比中，该方法在轮次F1与VoiceBench上均大幅超越合成基线，扩大到按比例上采样混合后语义基本恢复至基座模型零样本水平。实际意义在于为基于有限状态机的全双工系统提供了可扩展到任意人人语料且无需大语言模型标注的配方。主要边界是单带离散化必然损失连续时间与副语言信息，且当前仅覆盖双人问答场景。

🔗 开源资源

• 代码： 仓库链接为 https://github.com/Liyht/def-fsm
• 模型权重： 论文中说明模型与代码均在 https://github.com/Liyht/def-fsm 获取，未提及独立HuggingFace或ModelScope权重链接
• 数据集： 采用Switchboard语料和Fisher语料作为人人口语对话，未提及获取链接，采用ShareGPT52K数据集作为人机对话，链接为 https://huggingface.co/datasets/RyokoAI/ShareGPT52K，另用GPT-4-Turbo生成1500个合成对话作为基线，未提及公开链接
• Demo： 论文中未提及
• 复现材料： 基础模型为Qwen3-4B，人人与人机按1比1 token量混合，Fisher与Switchboard按4比1混合，来源感知校准损失设置tau为1且alpha为0.6，上下文长度为1024 token，峰值学习率为1.0e-5且warmup比例为0.03，token匹配设置训练至多300步，放量混合设置训练至多700步，细节见Appendix B.1和Appendix D
• 论文中引用的开源项目： Faster-Whisper，链接为 https://github.com/SYSTRAN/faster-whisper，Kokoro TTS，链接为 https://github.com/hexgrad/kokoro，另提及Whisper-Turbo和SimulStreaming和Silero VAD和Qwen3-32B，未提及对应链接
• 资源可达性验证：code=temporarily_unreachable；model=temporarily_unreachable；dataset=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable

13. 十六种乡音一张卷：ChinaVoices 如何让方言识别与转写同场可比

英文题目：Summary of the ChinaVoices Challenge 2026: Data, Tasks, Baseline, and Methods

标签：#语音识别 | #参数高效微调 | #低资源 | #基准测试

评分：6.9/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Yujie Liao：机构信息未在 arXiv HTML 中可靠披露
• Bingshen Mu：机构信息未在 arXiv HTML 中可靠披露
• Shuiyuan Wang：机构信息未在 arXiv HTML 中可靠披露
• Liumeng Xue：School of Intelligence Science and Technology, Nanjing University
• Hexin Liu：Nanyang Technological University
• Xian Shi：Independent Researcher
• Jie Hu：Beijing Huiting Technology Co., Ltd.
• Lei Xie：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

亮点在于为长期各自为战的中文方言评测提供了统一的 16 方言双任务平台与隐藏集复核流程，分析扎实且对工业界有直接参考价值。短板在于科学增量有限，基线偏弱且未控制训练资源变量，导致排行榜更多反映工程堆料而非可归因的方法突破。

📌 核心摘要

本文要解决中文多方言处理缺乏统一可复现评测平台的问题，覆盖16类方言的方言辨识与方言语音识别双任务。挑战设计采用参考集加公开评测集加隐藏评测集的三级说话人无关划分，配以受限数据赛道与开放数据赛道，并以Qwen3-ASR-1.7B为统一生成式基线同时输出方言标签与转写文本。与已有分散语料评测相比，新意在于统一任务定义与宏平均指标、强制单主模型处理全方言、以及对头部系统做合规复现与隐藏集独立验证。最能支撑结论的头部结果是受限赛道最佳系统达到83.19%宏平均准确率与11.08%宏平均字错率，相对基线提升显著且头部顺序在隐藏集上保持稳定。实际意义是为低资源方言建模提供了可对比的起点与困难方言清单。主要局限是资源组合不受控、基线竞争力不足、难以分离数据增益与方法增益。

🔗 开源资源

• 代码： https://github.com/ASLP-lab/ChinaVoices-Challenge
• 模型权重： 论文中未提及
• 数据集： 论文中未提及独立下载链接，参考集与公开评测集音频与清单经官网与仓库发布，隐藏评测集未发布
• Demo： 论文中未提及
• 复现材料： 数据清单，训练配置，复现脚本位于 https://github.com/ASLP-lab/ChinaVoices-Challenge 。完整挑战信息发布于 https://aslp-lab.github.io/ChinaVoices-Challenge/
• 论文中引用的开源项目： 提及 ms-swift，LoRA，Qwen3-ASR-1.7B，FireRedASR2-AED，SeedVC，未给出上述项目链接
• 资源可达性验证：code=temporarily_unreachable；reproduction=temporarily_unreachable；reproduction=available(HTTP 200)

14. 谁在替鹦鹉说话：当音频偷偷改写了画面

英文题目：The Attention Triangle in Audio-Video Models

标签：#音视频生成 | #扩散模型 | #声源定位 | #可解释性

评分：6.9/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Sagi Polaczek：Tel Aviv University, Tel Aviv, Israel
• Noa Kraicer：Tel Aviv University, Tel Aviv, Israel
• Gal Metzer：Tel Aviv University, Tel Aviv, Israel
• Zhuo Ning：Simon Fraser University, Burnaby, Canada
• Ali Mahdavi-Amiri：Simon Fraser University, Burnaby, Canada
• Daniel Cohen-Or：Tel Aviv University, Tel Aviv, Israel
• Raja Giryes：Tel Aviv University, Tel Aviv, Israel

💡 毒舌点评

把文本音频视频三边泄漏统一为注意力三角并用双向路由可视化把玄学先验变成可干预通路，视角干净且干预无需训练。短板是全套转向依赖基线解码加 SAM3 外部分割与人工标注短语，成本约 2.5 倍且分割或音频显著性失效便无从纠偏，评估又建在人工筛选变异的失败富集提示集上，外推性存疑。

📌 核心摘要

本文针对联合文本到音频视频生成（Text to Audio-Video，T2AV）中的语义泄漏与声源归属错误，提出注意力三角（Attention Triangle）分析框架，覆盖文本到视频、文本到音频、音频与视频双向三组交叉注意力面。作者发现音频视频边具有双向路由能力且受学习先验主导，当提示与典型关联冲突时可覆盖文本绑定，把语音拖向视觉典型源。方法上提出无训练推理时转向，在三条注意力面上加预 softmax 偏置以增强意图配对并抑制冲突配对。在 100 个挑战提示与每提示 4 个种子的评测中，完整干预 Qwen 声源归属得分达到 0.1349，高于原生 LTX-2 基线的 0.1216，同时 VBench 主体一致性 0.990、背景一致性 0.986与美学质量 0.604 保持最优。该工作对理解多模态耦合放大偏置有启发意义，但依赖外部视觉分割与二次生成，局限在 LTX-2 模型族且提示集为刻意富集失败的诊断集。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：论文中未提及
• Demo：论文中未提及补充 HTML 外的公开演示链接，仅说明随文提供静态 HTML 页面展示生成视频
• 复现材料：附录 H.2 固定超参数 lambda 10，beta 0.5，gamma 2.0，theta_A 0.3
• 论文中引用的开源项目：LTX-2、SAM3、Ovi、Qwen3-Omni、VA-Judger、CLAP、VBench 等均为外部引用，非本文开源
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

15. 不抄答案抄思路：把蒸馏钉在量化器之前

英文题目：Compressing Streaming Neural Audio Encoders via Latent-Space Distillation

标签：#语音识别 | #知识蒸馏 | #模型压缩 | #多语言

评分：6.9/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Prasanth Yadla：Apple
• Mohammad Samragh：Apple
• Dongseong Hwang：Apple
• Mingbin Xu：Apple
• Yuanyuan Zhang：Apple
• Chung-Cheng Chiu：Apple
• Yongqiang Wang：Apple
• Yuan Liu：Apple
• Zhen Huang：Apple
• Xiaodan Zhuang：Apple

💡 毒舌点评

把蒸馏目标钉在量化器前潜变量上的选择干净利落，一份配方同时覆盖离散与连续 2 种入模接口值得肯定。但全文对为何不直接蒸馏离散标识或解码器输出只有动机论述而无实证对照，阶段一中有 1 组学生反超教师的异常现象也未被真正解释清楚。

📌 核心摘要

面向端侧听写场景，常驻音频前端与稀疏激活的基座模型共享显存与功耗预算，论文将问题定义为在不损失识别精度的前提下大幅压缩音频分词器音频编码器。方法核心是冻结教师编码器，仅训练学生编码器回归教师的量化前潜变量，配合单个仿射层对齐宽度差异，目标位于量化器与语言模型桥接层之前。相比以往蒸馏离散单元以改变语义或端到端蒸馏识别模型的做法，该工作固定词表语义只做编码器压缩，且无需标签与解码。在2.8倍参数压缩下，6组师生配对中有5组学生在无需微调时与教师的相对词错误率差距保持在1.9%以内，同容量独立训练基线相比蒸馏学生落后3.9%相对值。该配方同时适用于单独预训练与联合训练后的分词器，具有明确的端侧部署意义。主要边界在于阶段一结果波动明显且缺乏替代目标的直接消融，结论外推依赖教师质量与评测套件的稳定性。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：论文中提及评估数据集名称包括LibriSpeech dev-clean和dev-other与TED-LIUM与VoxPopuli与AMI与Earnings-22与MLS与Common Voice与FLEURS，论文中未提及获取链接或开源协议
• Demo：论文中未提及
• 复现材料：论文附录提供完整复现配置，包括500000 steps训练与1280全局批量与AdamW优化器与0.001峰值学习率与10000步预热与1.0梯度裁剪与0.9999 EMA衰减与float32精度，以及262M参数转写解码器与2.8B参数联合语言模型评估流程与Algorithm 1蒸馏流程
• 论文中引用的开源项目：未提及
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

16. 该归一的漏掉，不该归一的乱改：双形式识别如何管住数字

英文题目：Dual-Form ASR: Semantics-Aware Inverse Text Normalization for Chinese Speech Recognition

标签：#语音识别 | #语音大模型 | #大语言模型 | #基准测试

评分：6.8/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Fengrun Zhang：机构信息未在 arXiv HTML 中可靠披露
• Li Fu：机构信息未在 arXiv HTML 中可靠披露
• Wangjin Zhou：机构信息未在 arXiv HTML 中可靠披露
• Lu Fan：机构信息未在 arXiv HTML 中可靠披露
• Youzheng Wu：机构信息未在 arXiv HTML 中可靠披露
• Xiaodong He：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

把中文逆文本归一化从级联后处理收编为提示词可控的双形式联合建模，并用 Require-ITN 与 Forbid-ITN 把该归一和不该归一拆开考核，是切中部署痛点的设计。短板是书面目标中含阿拉伯数字的时长仅占 4.4%，评测只靠 772 条与 309 条的单一 SpeechIO 衍生集，序列级奖励相对验证后监督的增益有限却包装成核心方法贡献。

📌 核心摘要

中文语音识别在实际部署中同时需要忠实转写的口语形式和可读的书面形式，而级联式逆文本归一化只能看到识别文本，导致识别错误传播且无法结合声学与语言上下文做语义相关的数字表达决策。本文提出双形式语音识别，其以提示词选择口语或书面输出，用配对监督让同一模型保留忠实识别能力并学习何时归一或保留数字表达。监督通过大语言模型生成与评审流程从口语语料构造，再以面向逆文本归一化的最小词错误率变体强化数字敏感片段。在来自SpeechIO的人工中文评测上，该方法在Require-ITN上取得4.64%的I-CER与94.85%的数字关键词F1，在Forbid-ITN上达到95.18%的禁用片段保留率，整体优于开源基线并接近闭源参考。该工作为可控的口语与书面双模式部署提供了可复用的流程，其主要边界在于仅覆盖离线中文场景且大语言模型构造目标可能残留数字错误。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：提及SpeechIO手动标注中文子集，未提及获取链接
• Demo：论文中未提及
• 复现材料：初始化采用FireRedASR2编码器与Qwen2-7B-Instruct解码器，LoRA秩为64，缩放因子为16，学习率为2×10-5，单批为18000 tokens，训练1轮，使用8张NVIDIA H200 GPU
• 论文中引用的开源项目：提及FireRedASR2、Qwen2-7B-Instruct、WeTextProcessing、FunASR-Nano、Whisper-large-v3，未提及对应链接
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

17. 压住房间的尾音：375bps 里留住混响的衰减骨架

英文题目：Deep Neural Compression for RIR-Characterized Acoustic Environments with Structure-Aware Constraints

标签：#音频编码 | #对抗训练 | #空间音频 | #模型压缩

评分：6.6/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Chen-Yuan Ning：机构信息未在 arXiv HTML 中可靠披露
• Yang Ai：机构信息未在 arXiv HTML 中可靠披露
• Hui-Peng Du：机构信息未在 arXiv HTML 中可靠披露
• Xiao-Hang Jiang：机构信息未在 arXiv HTML 中可靠披露
• Zhen-Hua Ling：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

把房间脉冲响应当成特殊音频来压的思路切中了通用神经编解码器水土不服的痛点，能量衰减曲线与混响语音联合约束的设计颇为对症。遗憾在于验证只困在单一房间的 Motus 数据上，基线又弱又少，低码率极限的反常波动也缺乏解释，离顶会要求的普适性证据还有距离。

📌 核心摘要

密集采样的房间脉冲响应（Room Impulse Response，RIR）为沉浸式渲染保存了完整声场，但高采样率与长时延使其存储负担沉重，而面向语音优化的神经音频编解码器难以保留衰减结构。论文提出基于 EnCodec 主干的单码本神经 RIR 压缩器，在 RIR 层面施加能量衰减曲线（Energy Decay Curve，EDC）与短时局部能量约束，在混响语音层面施加时域与梅尔域一致性约束，形成两级结构感知训练。与语音训练和 RIR 训练的 EnCodec 基线相比，新方法在极低码率下同时降低了 T60 误差并提升了混响语音感知质量，其中混响语音的虚拟语音质量客观听众（Virtual Speech Quality Objective Listener，ViSQOL）得分达到 4.11。该工作为声学环境的高效存储提供了可直接复用的低码率方案，对空间音频采集与渲染具有实用意义。主要局限在于仅在单一房间数据集上验证，多通道空间信息未建模，且对极低码率下指标非单调变化的机理讨论不足。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：Motus RIR 数据集与 VCTK clean speech 语料，论文中未提及获取链接与开源协议。其中 Motus 为单房间内 830 种家具配置下采集的 32 通道高阶 Ambisonic 实测 RIR 数据，共 3320 条录音，实验采样率为 24 kHz
• Demo：论文中未提及
• 复现材料：论文中提及部分训练配置。损失权重为 λEDC 为 1 ，λeng 为 10 ，λadv 为 1 ，λfm 为 1 ，λq 为 1000 ，λwav 为 100 。优化器为 AdamW ，β1 为 0.5 ，β2 为 0.9 ，batch size 为 10 ，共训练 240k 次迭代，初始学习率为 0.0003 并在每个 epoch 后乘以 0.999 衰减。压缩码率包含 375 bps ，187.5 bps ，93.75 bps 与 46.875 bps 四档，论文中未提及检查点与附录链接
• 论文中引用的开源项目：论文中提及 EnCodec ，VCTK ，Motus ，ViSQOL 与 Amazon Mechanical Turk 等项目名称，论文中未提供具体链接
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

18. 抹掉谁在说话，才能听清他什么心情

英文题目：SISER: Speaker-Invariant Speech Emotion Recognition with Entropy-Based Adversarial Training

标签：#语音情感识别 | #对抗训练 | #说话人验证 | #自监督学习

评分：6.5/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.6/1 | 影响力 0.8/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Eunseo Choi：机构信息未在 arXiv HTML 中可靠披露
• Hyunku Kang：机构信息未在 arXiv HTML 中可靠披露
• Chanwoo Kim：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

把说话人验证领域的强判别器拿来做对抗压力源的想法直观有效，消融也确实指向判别器容量是关键变量。硬伤是全文证据锁死在 IEMOCAP 单语料上，且验证集与测试集口径、前后文数字多处打架，让所谓说话人不变更像特定划分下的拟合红利而非可外推结论。

📌 核心摘要

本文解决语音情感识别（Speech Emotion Recognition，SER）中的双重困难：标注数据稀缺与说话人差异导致的跨说话人泛化退化。方法提出说话人不变框架 SISER（Speaker-Invariant Speech Emotion Recognition），以自监督预训练模型 wav2vec 2.0 base 为特征编码器，以说话人验证模型 ECAPA-TDNN 为说话人判别器，采用两步交替优化：第一步冻结编码器与情感分类器、最小化说话人交叉熵训练判别器；第二步冻结判别器、联合优化编码器与情感分类器，目标为情感交叉熵与说话人后验熵最大化的加权组合，权重 \(\lambda\) 取 0.5。与已有工作相比，新颖处在于同时升级表示端与对抗端，并把梯度反转改为显式逼近均匀分布的熵目标，强调判别器容量决定解耦彻底程度。在 IEMOCAP 的 10 折留一会话交叉验证下，主系统测试集未加权准确率（Unweighted Accuracy，UA）为 60.63%，加权准确率（Weighted Accuracy，WA）为 58.53%，相对同条件无增强复现基线的 51.15% UA提升约 9.48 个百分点，与有速度扰动增强的原文基线 59.91% UA相当。实际意义是提供了一条无需数据增强即可抑制说话人线索的可复用路线。主要局限是仅在单一英文表演语料上验证，未做跨数据集与显著性检验，且正文对验证集与测试集、最优结果的表述存在不一致，外推到真实口语场景需谨慎。

🔗 开源资源

• 代码：https://github.com/slp-lab-research/siser.git
• 模型权重：论文中使用 pretrained wav2vec 2.0 base 模型作为特征编码器并微调最后 2 个 Transformer 层，论文中未提及权重下载链接
• 数据集：IEMOCAP 数据集，共 5531 条 utterances，包含 4 类情绪，其中 angry 1103 条，happy 1636 条，neutral 1708 条，sad 1084 条，涉及 10 名说话人，论文中未提及获取链接或开源协议
• Demo：论文中未提及
• 复现材料：采用 10 fold leave-one-session 交叉验证，每折使用 8 名说话人训练，1 名验证，1 名测试，优化器为 Adam，学习率为 1×10-4，batch size 为 64，共训练 300 个 epochs，加权系数 λ 为 0.5，情绪分类器由 3 层带 PReLU 激活的全连接层组成，ECAPA-TDNN 输入维度为 768，实验使用 1 张 NVIDIA A100 GPU
• 论文中引用的开源项目：wav2vec 2.0，ECAPA-TDNN，论文证据中未给出 HTTPS 链接
• 资源可达性验证：code=available(HTTP 200)

19. 一次解完还是逐帧死磕：在连续编解码空间里数着步子去噪

英文题目：Masked Autoregressive Speech Enhancement with Continuous Neural Audio Codec Representations

标签：#语音增强 | #自回归模型 | #语音质量评估

评分：6.4/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Yoto Fujita：机构信息未在 arXiv HTML 中可靠披露
• Simon Leglaive：机构信息未在 arXiv HTML 中可靠披露
• Laurent Girin：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

用同一 Conformer、同一 DAC 连续表征和同一训练流程把单步非自回归、块级因果自回归、帧级因果自回归和随机与 oracle 非因果放在同一标尺下比较，权衡曲线干净可信。短板是所谓统一框架只是高斯均值回归下的掩码均方误差重训，原掩码自回归 Masked Autoregressive / MAR 中的扩散头被简化为单高斯，表达力自认较弱；非因果随机策略无实用增益，oracle 增益不可落地，方法增量感偏重。

📌 核心摘要

本文要解决基于离散神经音频编解码器 Neural Audio Codec / NAC 词元的语音增强 Speech Enhancement / SE 丢失声学细节、可懂度受损，以及不同解码策略缺乏公平比较的问题。方法核心是掩码自回归语音增强 Masked Autoregressive Speech Enhancement / MARSE，在冻结的 Descript Audio Codec / DAC 连续隐空间中将条件分布 \(p_{\theta}(\mathbf{x}\mid\mathbf{y})\) 分解为块级自回归乘积，块内帧条件独立服从单位协方差高斯分布，块间通过可见集迭代依赖，用余弦调度 \(\gamma(r)=\cos(\frac{\pi}{2}r)\) 控制每轮并行解码量。相比已有工作，新在以同一网络与同一训练流程统一涵盖 \(N=1\) 单步非自回归、块级因果自回归、\(N=T\) 帧级因果自回归以及随机与 oracle 非因果解码，并用预训练残差矢量量化器 Residual Vector Quantizer / RVQ 量化可见帧以缓解暴露偏差 Exposure Bias。在 Libri1Mix 域内与自制 LibriDEMAND 域外上的主结果是 \(N=10\) 因果 MARSE 质量与代价均居于连续非自回归基线 C-NAR 与帧级自回归基线 C-AR 之间，且可懂度显著优于 C-AR并与 C-NAR 相当。实际意义是为连续 NAC 增强提供了按迭代数调节质量与代价的实用折中方案。主边界是高斯单峰假设较弱，随机非因果未超越因果，oracle 不可实现，且评测依赖非侵入式 DNSMOS 与合成噪声、无主观听感。

🔗 开源资源

• 代码：https://yotofujita.github.io/marse ，论文中说明音频示例和代码在线提供且标注该地址为项目主页
• 模型权重：论文中未提及
• 数据集：Libri1Mix 训练集 train-360 为 212 小时，验证集为 11 小时，测试集为 11 小时，LibriDEMAND 为 4 小时合成集，基础语音来自 LibriSpeech，噪声来自 WHAM! 和 DEMAND，论文中未提及数据集获取链接和开源协议
• Demo：https://yotofujita.github.io/marse ，论文中说明该页面提供音频示例
• 复现材料：NAC 采用 DAC 连续隐表示且维度 D 为 1024，DNN 采用 Conformer 架构包含 16 个 Conformer 块，隐藏维度为 384，注意力头数为 12，每头维度为 32，卷积核尺寸为 10，卷积模块扩展因子为 2，前馈模块扩展因子为 4，前后各有 1 个线性层用于维度对齐，训练使用 AdamW 优化器且学习率为 0.001，beta 系数为 0.9 和 0.95，权重衰减为 0.05，每 GPU 批量大小为 128，训练轮数为 300，前 10 轮线性预热后进行 290 轮余弦衰减，硬件为 4 张 40GB 显存的 NVIDIA RTX A100 并使用 PyTorch 分布式数据并行训练，训练裁剪为 1 秒片段对应序列长度 T 为 50，推理按 1 秒分段独立处理，评估包含 DNSMOS P.835 的 SIG BAK OVRL 和基于 ASR 的 dWER 以及 GFLOPs，论文中未提及检查点下载链接
• 论文中引用的开源项目：wav2vec 2.0 预训练 ASR 模型地址为 https://huggingface.co/facebook/wav2vec2-base-960h，ConvTasNet 和 DPTNet 在 Libri1Mix 上的公开预训练模型地址为 https://huggingface.co/JorisCos，DAC 和 Conformer 和 PyTorch 和 LibriSpeech 和 WHAM! 和 DEMAND 和 Libri2Mix 在论文片段中未给出明确链接
• 资源可达性验证：code=available(HTTP 200)；demo=available(HTTP 200)；third_party=temporarily_unreachable；third_party=temporarily_unreachable

20. 不再打总分：给每道翻译难题配一把专用量尺

英文题目：Last Translation Benchmark

标签：#语音翻译 | #大语言模型 | #多语言 | #基准测试 | #多模态模型

评分：6.4/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.4/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Vilém Zouhar：机构信息未在 arXiv HTML 中可靠披露
• Niyati Bafna：机构信息未在 arXiv HTML 中可靠披露
• Mukund Choudhary：机构信息未在 arXiv HTML 中可靠披露
• Maike Züfle：机构信息未在 arXiv HTML 中可靠披露
• Sara Rajaee：机构信息未在 arXiv HTML 中可靠披露
• Pinzhen Chen：机构信息未在 arXiv HTML 中可靠披露
• Jannis Vamvas：机构信息未在 arXiv HTML 中可靠披露
• Sara Papi：机构信息未在 arXiv HTML 中可靠披露
• Ona de Gibert：机构信息未在 arXiv HTML 中可靠披露
• Bhavitvya Malik：机构信息未在 arXiv HTML 中可靠披露
• Eliya Habba：机构信息未在 arXiv HTML 中可靠披露
• Orfeas Menis Mastromichalakis：机构信息未在 arXiv HTML 中可靠披露
• Patrícia Schmidtová：机构信息未在 arXiv HTML 中可靠披露
• Michelle Wastl：机构信息未在 arXiv HTML 中可靠披露
• Sheriff Issaka：机构信息未在 arXiv HTML 中可靠披露
• Leshem Choshen：机构信息未在 arXiv HTML 中可靠披露
• Stella Biderman：机构信息未在 arXiv HTML 中可靠披露
• Antonis Anastasopoulos：机构信息未在 arXiv HTML 中可靠披露
• Jan Niehues：机构信息未在 arXiv HTML 中可靠披露
• Rico Sennrich：机构信息未在 arXiv HTML 中可靠披露
• Mrinmaya Sachan：机构信息未在 arXiv HTML 中可靠披露
• Ondřej Bojar：机构信息未在 arXiv HTML 中可靠披露
• Kenton Murray：机构信息未在 arXiv HTML 中可靠披露
• Jörg Tiedemann：机构信息未在 arXiv HTML 中可靠披露
• Alham Fikri Aji：机构信息未在 arXiv HTML 中可靠披露
• Philipp Koehn：机构信息未在 arXiv HTML 中可靠披露
• Christof Monz：机构信息未在 arXiv HTML 中可靠披露
• Alexandra Birch：机构信息未在 arXiv HTML 中可靠披露
• Sowmya Vajjala：机构信息未在 arXiv HTML 中可靠披露
• Chalamalasetti Kranti：机构信息未在 arXiv HTML 中可靠披露
• Cristina España-Bonet：机构信息未在 arXiv HTML 中可靠披露
• Nobin Sarwar：机构信息未在 arXiv HTML 中可靠披露
• David Kaczér：机构信息未在 arXiv HTML 中可靠披露
• Shunta Asano：机构信息未在 arXiv HTML 中可靠披露
• Malik Marmonier：机构信息未在 arXiv HTML 中可靠披露
• Daban Q. Jaff：机构信息未在 arXiv HTML 中可靠披露
• Vaisakhi Mishra：机构信息未在 arXiv HTML 中可靠披露
• Hend Al- Khalifa：机构信息未在 arXiv HTML 中可靠披露
• Gabriele Sarti：机构信息未在 arXiv HTML 中可靠披露
• Sourajit Saha：机构信息未在 arXiv HTML 中可靠披露
• Nils Rehlinger：机构信息未在 arXiv HTML 中可靠披露
• Juan Daniel Cuervo Villa：机构信息未在 arXiv HTML 中可靠披露
• Jonathan Tonglet：机构信息未在 arXiv HTML 中可靠披露
• Saugata Purkayastha：机构信息未在 arXiv HTML 中可靠披露
• Dominik Macháček：机构信息未在 arXiv HTML 中可靠披露
• Jagannathan Ramanujam：机构信息未在 arXiv HTML 中可靠披露
• Heejin Do：机构信息未在 arXiv HTML 中可靠披露
• Zuzana Nadova：机构信息未在 arXiv HTML 中可靠披露
• Fred Philippy：机构信息未在 arXiv HTML 中可靠披露
• Fabian Retkowski：机构信息未在 arXiv HTML 中可靠披露
• Maria Lymperaiou：机构信息未在 arXiv HTML 中可靠披露
• Silvia Casola：机构信息未在 arXiv HTML 中可靠披露
• Hanna Yukhymenko：机构信息未在 arXiv HTML 中可靠披露
• Shubhashis Roy Dipta：机构信息未在 arXiv HTML 中可靠披露
• Sangwon Ryu：机构信息未在 arXiv HTML 中可靠披露
• Andrés Jerez：机构信息未在 arXiv HTML 中可靠披露
• Ron Keinan：机构信息未在 arXiv HTML 中可靠披露
• Shuaib Shuaib Yusuf：机构信息未在 arXiv HTML 中可靠披露
• Avantica Vempati：机构信息未在 arXiv HTML 中可靠披露
• Maria Carmen Staiano：机构信息未在 arXiv HTML 中可靠披露
• Sukannya Purkayastha：机构信息未在 arXiv HTML 中可靠披露
• Adrian Cosma：机构信息未在 arXiv HTML 中可靠披露
• Vitalii Babenko：机构信息未在 arXiv HTML 中可靠披露
• Erivan Inan：机构信息未在 arXiv HTML 中可靠披露
• Aviral Nigam：机构信息未在 arXiv HTML 中可靠披露
• Wafa Aissa：机构信息未在 arXiv HTML 中可靠披露
• Fatima Haouari：机构信息未在 arXiv HTML 中可靠披露
• Venkata Prasanth Kumar Gummadi：机构信息未在 arXiv HTML 中可靠披露
• Mehdi Jafarzadeh：机构信息未在 arXiv HTML 中可靠披露
• Valentin Scourneau：机构信息未在 arXiv HTML 中可靠披露
• Lukas Edman：机构信息未在 arXiv HTML 中可靠披露
• Kaiser Sun：机构信息未在 arXiv HTML 中可靠披露
• Shaomu Tan：机构信息未在 arXiv HTML 中可靠披露
• Mohammad Sadegh Gholizadeh：机构信息未在 arXiv HTML 中可靠披露
• Johannes-Rudolf David：机构信息未在 arXiv HTML 中可靠披露
• Dipankar Srirag：机构信息未在 arXiv HTML 中可靠披露
• Javier García Gilabert：机构信息未在 arXiv HTML 中可靠披露
• Ruta Binkyte：机构信息未在 arXiv HTML 中可靠披露
• Manar Ali：机构信息未在 arXiv HTML 中可靠披露
• Ana-Maria Bucur：机构信息未在 arXiv HTML 中可靠披露
• Sabry E. Farrag：机构信息未在 arXiv HTML 中可靠披露
• Youssef Saber：机构信息未在 arXiv HTML 中可靠披露
• Yihong Liu：机构信息未在 arXiv HTML 中可靠披露
• Jean Maillard：机构信息未在 arXiv HTML 中可靠披露
• Cojocaru Nicoleta：机构信息未在 arXiv HTML 中可靠披露
• Xiaochuang Yuan：机构信息未在 arXiv HTML 中可靠披露
• Sina Ahmadi：机构信息未在 arXiv HTML 中可靠披露
• Philipp Mondorf：机构信息未在 arXiv HTML 中可靠披露
• Kaustubh Dhole：机构信息未在 arXiv HTML 中可靠披露
• Roman Wixinger：机构信息未在 arXiv HTML 中可靠披露
• Shenbin Qian：机构信息未在 arXiv HTML 中可靠披露
• Manuel Tuor：机构信息未在 arXiv HTML 中可靠披露
• Sergey Troshin：机构信息未在 arXiv HTML 中可靠披露
• Jonathan Yahav：机构信息未在 arXiv HTML 中可靠披露
• Fida Mohammad Thoker：机构信息未在 arXiv HTML 中可靠披露
• Amir Arsalan Rezapour：机构信息未在 arXiv HTML 中可靠披露
• Lance Calvin Lim Gamboa：机构信息未在 arXiv HTML 中可靠披露
• Manon Reusens：机构信息未在 arXiv HTML 中可靠披露
• Kätriin Kukk：机构信息未在 arXiv HTML 中可靠披露
• Koel Dutta Chowdhury：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

把评价从整体印象分改为单样本可判定验证规则，用信息不对称缓解大语言模型（Large Language Model，LLM）既当选手又当裁判的自利偏差，思路干净且可诊断。短板是众包难例天然偏向猎奇、对抗与英文中心分布，对日常翻译质量代表性不足，规则质量与跨语言可比性仍高度依赖人工复核，迁移主张偏强。

📌 核心摘要

主流静态机器翻译（Machine Translation，MT）基准趋于饱和，自动指标与通用大语言模型裁判（LLM-as-a-judge）分辨率低、易被操纵且区间任意，人力评价昂贵难复现。论文提出持续生长的众包难例基准Last Translation Benchmark（LTB），每个样本附带人工撰写的验证规则（verification rules），译文必须通过全部规则才算成功，由验证器（verifier）给出可复现的通过率。与通用裁判和神经指标相比，验证规则把评价焦点从整体印象转向具体失效模式，并为生成器与评测器制造信息差。LTBv1包含3456个样本，覆盖109种主要语言，平均源长19词或104字符，平均每样本1.9条规则，10%含翻译指示，94%为纯文本，另含图像、音频与视频输入。在评测子集LTBv1-eval上最强模型验证通过率仅约41.9%，而人工翻译接近99.8%，显示显著区分度。该工作为长期追踪翻译弱点提供了可诊断标尺。局限在于样本偏向英文相关方向与刻意难题，且验证器本身仍依赖LLM判断。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：名称为LTBv1与LTBv1-eval，其中LTBv1包含3456个样本并覆盖109种主要语言，LTBv1-eval包含911个纯文本样本，发布协议为CC BY 4.0，论文中未提及获取链接
• Demo：论文中未提及
• 复现材料：论文中未提及训练配置与检查点链接，评估指标为verifier pass rate，另有Appendix C非主导语言对扩展说明，论文中未提及获取链接
• 论文中引用的开源项目：论文证据中仅出现1条HTTPS URL作为引用素材属性示例，即未找到论文原文或已验证 Demo 中的精确链接，未提及第三方工具链仓库链接
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

21. 一个管重建、一个管审美：用两套频谱分工修音乐

英文题目：Neural Music Enhancement with Dual Time-Frequency Spectral Representations for Prediction and Discrimination

标签：#语音增强 | #生成对抗网络 | #音乐生成

评分：6.2/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Fei Liu：机构信息未在 arXiv HTML 中可靠披露
• Yang Ai：机构信息未在 arXiv HTML 中可靠披露
• Zhen-Hua Ling：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

用短时傅里叶变换做预测、恒 Q 变换做判别的分工直觉漂亮且贴合音乐八度结构，色度损失也算对症下药。短板在于生成器基本沿用语音增强套路、判别器与损失的因果证据单薄，消融只做混合失真且部分指标反而倒挂，说服力打了折扣。

📌 核心摘要

非职业设备在非受控环境录制的在线音乐常同时受加性噪声与混响污染，复调、宽动态与严格听感要求使语音增强方法直接迁移效果有限。本文提出双谱音乐增强模型（Dual-Spectrum Music Enhancement，DSME），在生成对抗网络（Generative Adversarial Network，GAN）框架下让生成器预测短时傅里叶变换（Short-Time Fourier Transform，STFT）幅度与相位、让判别器在恒Q变换（Constant-Q Transform，CQT）域做八度分段判别，并辅以色度谱（Chroma Spectrum）损失约束音高与和声一致性。相对已有音乐去噪与复用管线，新意在于把可逆且预测友好的线性谱用于重建、把对数频率且变窗长的音乐友好谱用于对抗引导，二者各司其职。在Medley-solos-DB构建的去噪、去混响与混合失真三项任务上，DSME在频率加权分段信噪比等多项客观指标及混合失真ABX主观偏好上整体优于3个重训基线，混合任务主观偏好领先幅度显著。实际意义是为用户生成内容打标、推荐与转录提供更干净的前端，局限是仅在单数据集模拟失真与窄带采样下验证，对真实野外录音与高采样保真度的外推尚未证明。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：Medley-solos-DB数据集，DEMAND数据集和DNS Challenge数据集，论文中未提及获取链接和开源协议
• Demo：https://anonymity225.github.io/DSME/
• 复现材料：生成器采用25 ms窗长6.25 ms跳长和400点FFT的STFT计算。判别器采用7个倍频程12个子带和55 Hz起始频率的CQT配置。损失权重设为0.9 0.2和0.3压缩指数为0.5。模型在单块NVIDIA RTX A800 GPU上以AdamW优化器训练200轮。AdamW参数设为0.8 0.99和0.01权重衰减。初始学习率为0.0005每轮按0.99衰减
• 论文中引用的开源项目：Mel2Mel + DiffWave模型，TFC-CPq模型，MP-SENet模型，Pix2Pix网络，DiffWave声码器和MusicECAN架构，论文中未提及链接
• 资源可达性验证：demo=available(HTTP 200)

22. 同样是二倍速，为何有人觉得高效、有人只想跳过

英文题目：CAPQ-FAST: Content-Adaptive Perceived Quality Assessment for Faster Audiovisual Playback

标签：#音频质量评估 | #多模态模型 | #语音质量评估

评分：6.2/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：应用研究 | arXiv 原文

👥 作者与机构

• Jiarun Song：机构信息未在 arXiv HTML 中可靠披露
• Yuxin Song：机构信息未在 arXiv HTML 中可靠披露
• Fuzheng Yang：机构信息未在 arXiv HTML 中可靠披露
• Weisi Lin：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

把倍速下“想高效看还是想跳过”的模糊意图转成可计算的跨模态感知质量，有产品嗅觉；但全篇仍是小样本主观分拟合的指数曲线加线性融合，泛化证据和统计完备性撑不起个性化推荐的大叙事。

📌 核心摘要

本文研究在线音视频倍速播放下的感知质量退化，核心观察是同一速度对不同内容可对应高效观看与选择性跳过两种相反意图。作者提出内容自适应模型 Content-Adaptive Perceived Quality Assessment for Faster Audiovisual Playback (CAPQ-FAST)，以播放速度 \(S\) 结合模态内时间密度预测平均意见分 Mean Opinion Score (MOS)意义下的质量：视频用时间信息量 Temporal Information (TI)，语音用每分钟词数 Words Per Minute (WPM)，音乐用每分钟节拍数 Beats Per Minute (BPM)，再经音视频融合得到整体质量 \(Q\)。验证显示融合模型在语音视频和音乐视频上 Pearson Correlation Coefficient (PCC)达 0.976 和 0.968，优于不区分内容的同族基线。应用上用于播放速度推荐、自适应播放控制和意图粗粒度解释。局限是 72 名 22岁至28岁大学生被试、内容与语义覆盖有限，TI、WPM、BPM 只刻画时间密度而非语义重要性，外推到真实平台行为需谨慎。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：论文中未提及
• Demo：论文中未提及
• 复现材料：论文中未提及
• 论文中引用的开源项目：Kwai 播放器链接 https://www.kwai.com/ ，KMPlayer 播放器链接 https://kmplayer.com/home ，VLC 播放器在论文中未提供链接
• 资源可达性验证：third_party=available(HTTP 200)；third_party=available(HTTP 200)

23. 不只留下一段波形：让每一次远程录音都能自证清白

英文题目：Beyond .WAV: Design and Software Verification of VocalCap, a Traceable Browser-Based Audio Capture System for Vocal Biomarker Research

标签：#语音质量评估 | #端到端 | #模型评估

评分：6.1/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：系统技术报告 | arXiv 原文

👥 作者与机构

• Augusto Camargo：Institute of Mathematics and Statistics, University of São Paulo, São Paulo, Brazil

💡 毒舌点评

把浏览器采集从单个 WAV 文件扩展为带字节完整性和变换溯源的可验收会话，工程闭环完整。短板是全部验证仍停留在软件契约层面，没有声学一致性、可用性和临床意义的任何外部证据，离嗓音生物标志物研究真正可用的采集验证还有距离。

📌 核心摘要

远程自导语音采集常只交付最终音频文件，无法定位空白、中断、声道拓扑错误或传输篡改发生在哪个环节，制约嗓音生物标志物研究的上游可靠性。本文提出机构可控的免安装浏览器采集系统 VocalCap，以版本化协议驱动任务执行，并为每次接受的录音保留三份互补音频与完整过程证据。核心机制是同一 MediaStream 并行生成浏览器原生对象与客户端无损浮点文件，再经服务端验证后派生规范单声道文件，全链路以哈希、质量度量与溯源记录绑定。与已有采集工具相比，新颖之处在于将配对产物、跨边界字节验证、版本化规范化、可恢复传输与任务级完成条件合并为单一验收契约。主结果显示受控挑战通过了连续性与拓扑分支，回顾性审计发现大量名义立体声实际为单通道有效，生产端到端运行在两种浏览器引擎下全部完成。实际意义是为后续声学验证提供了可审计的输入边界。主边界是结论仅限于软件行为验证，不涉及设备间声学一致性、目标人群可用性与临床有效性。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：论文中未提及，证据仅描述由项目团队成员采集的 39 个试点录音且未给出获取链接
• Demo：论文中未提及
• 复现材料：证据给出 VocalCap 0.3.0 提交 73671bf 的确认性生产 E2E 执行 e2e_20260902211838。该执行覆盖 Chromium 和 WebKit 的 2 个浏览器画像。该画像使用 5 任务协议产生 10 段已接受录音和 30 件人工制品。仓库验证报告 134 条必需路径全部存在。浏览器 JavaScript 套件 6 套全部通过。仓库级 Python 测试 43 项全部通过。应用 Python 测试共 126 例，其中 125 例通过，余下 1 例因 SoXR 缺失跳过。
• 论文中引用的开源项目：证据提及 VOIS、Beiwe、Voice EHR、m-Path、Project Euphonia、HermeSpeech Recorder、WebSpeechRecorderNg、LaBB-CAT、Chromium、WebKit、FFmpeg、SoXR、Playwright 和 IndexedDB，证据中未出现可逐字复制的 HTTPS URL，故不提供链接
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

24. 把方向藏进声强里：二十四个心形话筒如何撑住低频到高频

英文题目：Broadband Acoustic Intensity Direction Estimation with Tight-Frame Cardioid Arrays

标签：#声源定位 | #端到端 | #空间音频 | #多通道 | #鲁棒性

评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Akira Omoto：Faculty of Design, Kyushu University, Fukuoka 815-8540, Japan

💡 毒舌点评

用对置心形话筒和差测声强、再靠紧框架平均扛到 20 kHz 的思路扎实，对做声强探头的人有直接参考价值。但全篇是单话筒转 26 个位置拼出来的阵列，多通道幅相失配与同步这个真痛点完全没碰，所谓多干扰也只是把实测脉冲响应转角度再相干叠加，并不是真实反射声场，2.5 度这种数字的外推力要打折扣。

📌 核心摘要

宽带声强测向长期受限于压差式探头有限差分近似的高频上限，本文用实测脉冲响应验证基于心形指向性的心形-心形配对（cardioid-cardioid，C-C）方法能否实现 50 Hz 到 20 kHz 的稳定指向。核心机制是对每个对置心形对做和差以估计声压与质点振速分量，再经希尔伯特变换构造解析信号并时域积分求径向有功声强，最后按紧框架（tight frame）方向向量加权求和重构三维正交强度并估计方位与俯仰。实验在消声室用单只 DPA 2012 心形话筒配合全景云台顺序测量 26 通道脉冲响应，声源为 2.5 m 前方 Genelec 8331，48 kHz 采样、5.5 s 扫频激励，由同一批数据合成 6 话筒正交阵 TF6 与 24 话筒多方位阵 TF24，对比对置间距 \(d=20\) mm 与 \(100\) mm。主结果是 TF24 加 \(d=20\) mm 在总干扰信号能量比 \(L_{J/S}=-20\) dB 与 \(-30\) dB 时全频段中值跟踪误差保持在 2.5 度以内，在 \(L_{J/S}=-10\) dB 时 5 kHz 以下在 5 度以内、高频约 7.5 度。该工作给出了可直接参考的阵形与处理链条，主要局限是顺序单话筒合成未评估多话筒个体差异与同步误差，且多波到达为旋转重标定加相干叠加的标准化基准而非真实反射复现。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：论文中未提及
• Demo：论文中未提及
• 复现材料：论文中未提及
• 论文中引用的开源项目：未提及
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

25. 集中一击不等于真实部署：局部和弦损坏为何夸大了伴奏生成器的反应

英文题目：Local Chord Corruption Is Not Recognizer Replay: Chord-Condition Propagation in MIDI-SAG

标签：#音乐生成 | #生成模型 | #音乐理解

评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Weiwen Huang：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

把局部三全音探针和完整识别器回放钉在同一生成器、同一轨道、同一窗口上硬碰硬，校准思路干净且在 2 条识别器路径上都复现了，值得肯定。但全部结论拴在 1 个冻结的 MIDI-SAG 检查点和 30 条配对窗口上，没有跨生成器、没有听感实验，所谓部署行为锚定更像是在自家渲染管线里自证。

📌 核心摘要

本文要回答歌声伴奏生成中局部合成和弦损坏能否代表部署时自动和弦识别输出的真实控制条件。做法是冻结人声轨道、生成器上下文、提示、种子与 12 秒评分窗，只切换和弦条件，对比中央 4 秒三全音替换与完整识别器序列回放经固定 MIDI-SAG 生成器后的输出传播，并用复制支撑掩码与关系构成计数的合成代理做校准。相对已有工作问生成器能否容忍错误和弦，本文转向评估问题，即局部探针与完整操作条件是否等价。在 30 条配对轨道上中央损坏在短时傅里叶变换色度、恒 Q 变换色度、色度能量归一化统计量三视图的变更目标效应与内部输出变化均大于卷积神经网络结合条件随机场完整回放，色度能量归一化统计量目标差距均值 0.462，29 条轨道为正。18 条独立诊断轨道上相对根音替换的整窗输出变化约为同根音质量翻转的 2.88 倍。支撑匹配与构成匹配各自大幅缩小回放距离，二者联合取得最低回放距离，并在深度色度结合条件随机场路径上复现。意义在于给出可复用的分离式评估协议，局部编辑测和声机制，完整回放锚定部署条件。局限是证据限于单一生成器检查点与有限筛选曲库，且以色度族客观特征为主而无主观听感验证。

🔗 开源资源

• 代码：https://github.com/Viwennnnnn/local-chord-corruption-replay
• 模型权重：论文中未提及
• 数据集：论文中未提及
• Demo：论文中未提及
• 复现材料：论文提供 versioned manifest、metric table、evaluator 和 figure script，另含 30 track 配对结果与 mapping 及 audio-QA 说明，生成使用 42、123 和 2027 seed，特征采用 0.5 s 分块的 STFT、CQT 和 CENS 视图并在 track 内平均 seed 后推理
• 论文中引用的开源项目：论文提及 CNN-CRF、DeepChroma+CRF 和 MIDI-SAG，论文中未提及链接
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

26. 先查账再唱歌：VoxReason 把语音的“怎么说”变成可引用的计划

英文题目：VoxReason: Listener-Free Evaluation of Source-Grounded Speech Planning Before Synthesis

标签：#语音合成 | #SFT | #基准测试 | #模型评估 | #可解释性

评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Mengzhe Geng：National Research Council Canada

💡 毒舌点评

把合成前说话计划做成带引用校验的查账任务，切断了用好听波形掩盖无据决策的退路，证伪链条设计得相当清醒。但受控到只有 2 种语句和单一场景的验证，更像一份自我设限的诊断说明书，离通用语音规划基准还有明显距离。

📌 核心摘要

表达性语音在波形生成前已决定情感与韵律等交付方式，但现有音频评分无法判断该决策是否得到源记录许可。VoxReason提出源引用说话计划（source-cited speaking plan）作为合成前预测对象，以确定性校验器检查引用合法性、槽位一致与单线索反事实局部性。论文在1440例源标签受控集上证明去除源记录会大幅降低引用约束得分，而局部性修复后的学习规划器同时恢复槽位准确率与反事实一致性。在波形质量完全排除于当前主张之外后，该方法为对话与叙述类语音提供了先验账本。当前结论仍被窄语句、固定场景与确定性标签映射所限定。

🔗 开源资源

• 代码：https://github.com/MENGZHEGENG/voxreason，提供衍生切分与评估代码
• 模型权重：论文中未提及
• 数据集：RAVDESS衍生source-label切分含1440条记录，通过GitHub仓库获取，不再分发原始音频
• Demo：论文中未提及
• 复现材料：论文提供手稿源码，planner schema，verifier评估代码和重跑表格命令
• 论文中引用的开源项目：未提及
• 资源可达性验证：code=temporarily_unreachable

27. 语义听得懂内容，声学才听得出破绽：MOS 预测的双耳之争

英文题目：Is Semantics Enough for Speech Mean Opinion Score Prediction?

标签：#语音质量评估 | #自监督学习 | #语音合成

评分：5.9/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Tianyu Lan：机构信息未在 arXiv HTML 中可靠披露
• Yufei Shi：机构信息未在 arXiv HTML 中可靠披露
• Yang Ai：机构信息未在 arXiv HTML 中可靠披露
• Honghao Sun：机构信息未在 arXiv HTML 中可靠披露
• Huipeng Du：机构信息未在 arXiv HTML 中可靠披露
• Zhenhua Ling：机构信息未在 arXiv HTML 中可靠披露

💡 毒舌点评

亮点在于把语义主导的自监督学习与声学重建的神经音频编解码器放在同一冻结探针下硬碰硬，问题切得准。短板在于所谓统一表征几乎全是借用现成 XCodec 与 SpeechTokenizer 的封装对比，缺少对语义声学解耦的因果验证，跨语言反转也解释得过于仓促。

📌 核心摘要

本文要回答语音自然度评估中语义是否足够这一问题，作者认为现有均值意见分预测过度依赖语义抽象而丢失噪声与失真等细粒度声学线索。方法核心是保持下游预测网络不变，系统对比三类上游表征，即语义主导的自监督学习、纯声学神经音频编解码器，以及通过蒸馏或融合注入语义的统一型编解码器，并在冻结与微调两种协议下测试其内在信息量。与已有工作相比，新意不在于提出新预测器，而在于首次把三范式纳入同一基准并引入跨语料与跨语言零样本检验。主结果上，在 7106 条英文 BVCC 语料训练测试中，冻结条件下统一型表征与带去噪先验的 WavLM 达到更优上界，微调后 XCodec-wavlm 仍保持领先，而在 3000 条英文 SOMOS 上统一型持续占优，在 540 条中文 BC2019 上自监督学习反超。实际意义是为匹配语言场景下的均值意见分建模指明语义声学协同方向，同时提醒跨语言部署不能盲目照搬统一编解码器。主要局限是缺乏显著性检验与对离散码本语言偏置的深入机理分析。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：BVCC 数据集包含 7106 条英文语音并按 70% 15% 15% 划分训练集验证集测试集，SOMOS 数据集使用 3000 条英文语音测试子集，BC2019 数据集使用 540 条中文语音测试集，论文中未提及获取链接或开源协议
• Demo：论文中未提及
• 复现材料：后端预测器基于 PyTorch 框架实现并使用 FFN 隐藏维度 4096 与 ReLU 激活与 0.1 Dropout 与 4 层 8 头注意力与 0.2 Dropout，训练使用 SGD 优化器与 1×10-4 学习率与 0.9 动量与 2 批量大小与 30 轮次与 L2 损失与 20 轮次早停并依据验证集 SRCC 选择检查点且在 3 个随机种子下取平均
• 论文中引用的开源项目：Wav2Vec 2.0 与 HuBERT 与 WavLM 与 EnCodec 与 DAC 与 XCodec 与 SpeechTokenizer 与 ESPNet 与 SUPERB，论文中未提及链接
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

28. 平均分好看，重度患者却依然听不懂：在 Jetson 上重算唇腭裂语音的公平账

英文题目：Fairness Evaluation of Edge-AI Implementation for Cleft Lip and Palate Speech ASR

标签：#语音识别 | #迁移学习 | #低资源

评分：5.6/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：应用研究 | arXiv 原文

👥 作者与机构

• Susmita Bhattacharjee：Indian Institute of Technology Guwahati, India
• Himashri Deka：Indian Institute of Technology Guwahati, India
• H.S. Shekhawat：Indian Institute of Technology Guwahati, India
• S.R.M. Prasanna：Indian Institute of Technology Dharwad, India

💡 毒舌点评

把严重度公平性与 Jetson 端侧实测放进同一闭环，直面了病理语音最痛的分布不均，选题切口准。短板是仅靠 280 条训练的单一儿童语料自证，重度词错误率仍在 55%上下却被包装成均衡胜利，边缘侧也只是现成 Whisper 的半精度搬运。

📌 核心摘要

唇腭裂（Cleft Lip and Palate, CLP）语音因高鼻音化、构音异常和爆破音弱化导致通用识别系统失效，云端依赖在无网助听交互中不可靠。本文为应用研究，主贡献是严重度感知微调加边缘部署的完整验证流程：在 Whisper-small 上按正常（Normal）、轻度（Mild）、中度（Moderate）、重度（Severe）组合构造等量训练集，在 NVIDIA Jetson 上做半精度推理并联合评估识别与系统指标。与既有 CLP 识别工作相比，本文引入公平分数（Fairness Score, FS）度量正常组与 CLP 组落差，并补充延迟、实时因子（Real-Time Factor, RTF）、吞吐和显存证据。最能支撑结论的数字是混合训练 NOMIMOSE 将汇总词错误率（Word Error Rate, WER）从直接推理的 62.46% 降至 22.72%，汇总音素错误率（Phoneme Error Rate, PER）最佳为 NOMIMO 的 18.44%，端侧实时因子维持 0.167 左右、峰值显存 566.32 MB。实际意义是为无网、低延迟本地助听交互提供参考。主要局限是单一 9 至 13 岁儿童语料、小样本划分导致外推不足，重度语音仍远未可用，且公平分数权重与统计显著性缺失。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及，论文仅说明使用 Whisper-small 并进行微调，未给出完整权重下载链接
• 数据集：NMCPC 数据集，包含 41 位 CLP 说话者和 24 位正常说话者，年龄为 9 至 13 岁，训练集每个配置含 280 条语音，评测集含 264 条语音，每组 66 条，对应 451.45 秒语音，论文中未提及数据集链接或开源协议
• Demo：论文中未提及
• 复现材料：论文给出训练配置为 NO 含 280 条正常语音，NOMI 含 140 条加 140 条，NOMIMO 含 93 条加 93 条加 94 条，NOMIMOSE 每组 70 条，CLP-only 含 93 条加 93 条加 94 条，推理配置为 FP16 精度，波束为 1 并使用 GPU 加速，在 NVIDIA Jetson 平台评测，峰值 GPU 显存约 566.32 MB，实时因子 0.167 至 0.212，论文中未提及检查点链接或附录链接
• 论文中引用的开源项目：Whisper-small 模型，NVIDIA Jetson 边缘平台，Hugging Face Transformers 推理栈，未提及具体项目链接
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

29. 失真缠在一起时，谁来决定先修什么、用什么修

英文题目：StrixAE: An Intelligent Agent for Audio Enhancement under Complex Distortion Coupling in Real-World Scenarios

标签：#语音增强 | #音频大模型 | #强化学习 | #基准测试

评分：5.5/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.5/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5

排名：前50% | 文档类型：系统技术报告 | arXiv 原文

👥 作者与机构

• Chenglin Wu：Xiamen University
• Junjie Wu：Xiamen University
• Jinhang Chen：Xiamen University
• Mingyang Chen：Xiamen University
• Zixu Lin：Xiamen University
• Jiabian Chen：Fuyao University of Science and TechnologyEqual contribution.
• Xinghao Ding：Xiamen University
• Xiaotong Tu：Xiamen University

💡 毒舌点评

把耦合失真增强重构为可执行工具链调度问题的工程直觉是对的，用格式与结构奖励约束幻觉也有针对性。短板是写作与证据链粗糙：强化学习算法在 APRL 与 GRPO-AE 之间摇摆，URGENT 表格出现四行完全相同的第三名，闭源基线命名与虚构感极强的大模型版本让人难以信任所谓全面最优。

📌 核心摘要

真实场景语音增强面临噪声、混响、干扰说话人耦合，且是否保留或抽取目标说话人需按场景个性化判断，固定单任务模型与静态串联难以覆盖这种组合不确定性。本文提出基于多模态大语言模型（Multimodal Large Language Model，MLLM）的智能体 StrixAE，由 MLLM 感知退化并调度外部增强与分离专家模型生成可执行工具链。为解决调度监督稀缺，作者构建带思维链（Chain-of-Thought，CoT）标注的 AcoustBench，并采用监督微调（Supervised Fine-Tuning，SFT）加音频感知强化学习（Audio Perception Reinforcement Learning，APRL）两阶段训练。与已有单奖励强化学习微调不同，APRL 将格式有效性、结构有序性、感知质量解耦为联合奖励。在真实录音与个性化增强等盲测上，StrixAE-Orchestrated 在多项非侵入式感知指标上超过开源基线并接近专有系统，作者据此声称达到最优与强泛化。该工作对构建可部署的语音增强智能体有实践意义。主要局限是工具链真实最优性未经验证，奖励依赖的客观指标与人工听感之间存在替代误差，且关键复现材料缺失。

🔗 开源资源

• 代码：论文中未提及代码链接
• 模型权重：论文中未提及
• 数据集：包含 AcoustBench 等数据集但未给出获取链接
• Demo：论文中未提及
• 复现材料：提及 Supplementary Material 但未给出获取链接
• 论文中引用的开源项目：提及 Audio-Reasoner , TIGER , MossFormer2_SS_16K , MP-SENet , MossFormer2_GAN , TF-GridNet , GPT-5.3 , Gemini-2.5-Flash 等工具但未给出链接
• 资源可达性验证：未发现可验证的官方 HTTPS 资源 URL。

30. 打开黑盒之前，先学会搭一间混响小屋

英文题目：Opening mind by opening architecture: analysis strategies

标签：#音频生成 | #端到端 | #开源工具 | #可解释性

评分：4.5/10 | 创新 0.5/2 | 技术严谨 0.8/1.5 | 实验充分 0.2/1.5 | 清晰度 0.6/1 | 影响力 0.3/1.5 | 开源 1/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5

排名：后 50% | 文档类型：系统技术报告 | arXiv 原文

👥 作者与机构

• Francesco Vitucci：Conservatorio “N. Piccinni” - Bari
• Giuseppe Silvi：Conservatorio “N. Piccinni” - Bari
• Daniele Giuseppe Annese：Conservatorio “N. Piccinni” - Bari
• Francesco Scagliola：Conservatorio “N. Piccinni” - Bari
• Anthony Di Furia：Conservatorio “N. Piccinni” - Bari

💡 毒舌点评

把 1962 年 Schroeder 混响用 Faust 再抄一遍到 Csound 还能包装成开放架构宣言，教学诚意可嘉，研究增量约等于课程作业。全文无 1 个可核对的声学数字、无基线、无听感评估，却大谈黑盒批判与创意未来，投顶会只会被以证据不足秒拒。

📌 核心摘要

本文针对电声作曲中闭架构商业音频处理器盛行导致内部过程不可见、教学与研究环境萎缩的问题，主张以白盒开放架构重建理解路径。方法核心是以函数式音频流语言 Faust 复刻 Manfred R. Schroeder 1962 年历史混响器，再移植到 Csound 并配套脉冲响应分析例程与并行串行组合算子重建。相对直接调用卷积混响或高层闭源插件的做法，该工作强调从梳状滤波器与全通滤波器等原语逐层搭建并可视化逐采样行为与框图。论文未提供任何量化声学指标、听感实验或与基线的对比数值，证据仅为一张反馈延迟线脉冲响应示意图与代码片段。实际意义在于为音乐院校提供可复用、可扩展的历史算法教学工程。若作为研究贡献，边界非常清晰，即仅完成单一样本算法的教学性原型加移植与工具搭建，未验证泛化性、效率与音质优势，未做教学效果评估。

🔗 开源资源

• 代码： https://github.com/s-e-a-m/faust-libraries/blob/master/src/seam.schroeder.lib ， https://github.com/s-e-a-m/csound-libraries ， https://github.com/s-e-a-m/csound-libraries/blob/main/src/schroeder.udo
• 模型权重： 论文中未提及
• 数据集： 论文中未提及
• Demo： 论文中未提及
• 复现材料： 论文提供 Sec 3 中 Csound 脉冲响应分析流程代码片段与 Sec 4 中 par 和 seq 组合结构 UDO 代码片段，未提及训练配置与检查点
• 论文中引用的开源项目： Faust https://faust.grame.fr/ ， Faust 文档 https://faustdoc.grame.fr/manual/syntax/ ， Wolfram Language https://www.wolfram.com/language/ ， Cambridge Dictionary https://dictionary.cambridge.org/dictionary/english/environment
• 资源可达性验证：code=temporarily_unreachable；code=available(HTTP 200)；code=temporarily_unreachable；third_party=available(HTTP 200)；third_party=available(HTTP 200)；third_party=available(HTTP 200)；third_party=temporarily_unreachable