语音/音乐/音频论文速递 2026-10-02

共分析 48 篇论文

⚡ 今日概览

✅ 筛选入选 48 篇 → 🔬 深度分析完成

🏷️ 标签说明：本期使用新版受控 taxonomy；站点标签页暂时兼容展示历史标签与新标签。

🏷️ 热门方向

📊 论文评分排行榜（48 篇，按分数降序）

📋 论文列表

🖼️ 有图的论文会在这里展示首张原论文图；原图链接见对应独立页面。

🥇 长录像问答的上下文两难：分块定位证据再有界重读

英文题目：LEAP: Learned Block-wise Evidence Retrieval for Long Audio-Video Perception

标签：#音视频问答 | #检索增强 | #LoRA | #长音频处理

评分：8.3/10 | 创新 1.6/2 | 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 0.5/1.5 | 可复现 0.5/0.5 | 工程/实践 1.2/1.5

排名：前25% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Juyi Lin：Northeastern University；Futurewei Technologies
• Zhiqiang Lao：Futurewei Technologies
• Jiali Cui：Futurewei Technologies
• Lin Zhao：Northeastern University
• Pu Zhao：Northeastern University
• Dichang Zhang：Futurewei Technologies
• Arman Akbari：Northeastern University
• Yu Qi：Northeastern University
• Xinru Jiang：Northeastern University
• Yanzhi Wang：Northeastern University
• Heather Yu：Futurewei Technologies
• Liang Peng：Futurewei Technologies

📌 核心摘要

小时级音视频问答需从数小时录像中回答依赖短暂视听证据的选择题，整段密集编码会迅速耗尽上下文而均匀时间压缩会稀释细粒度声画细节。先将录像按600s切分为互不重叠块，挂载定位适配器的定位通道以问题加块内8个75s候选窗的视听内容为输入学习证据覆盖打分，输出每窗后验并以块内最大后验得到块排序。再取排序居前块中各居前窗构成至多9窗证据池并按时间排序，该排序序列直接进入挂载回答适配器的回答通道，最后回答通道以该多窗序列加分钟级转录提纲为输入进行单次有界联合推理并输出答案，避免将整段录像置于同一上下文。在VideoOdyssey基准下，LEAP的准确率为53.7%，高于Qwen3-Omni-30B的准确率37.9%。与整段前缀基线相比，其在因果流式历史回溯上无需流式训练即可领先，且回答输入与峰值上下文与录像时长无关。该结论适用边界受限于语音可转录与证据可被块级最大后验召回，视觉为主或无语音场景增益收窄，长证据与计数类任务仍弱。推理开销方面，原文披露单问中位累计预填充约为整段单通道的2.2倍至2.4倍，VideoOdyssey单视频中位需13次前向，媒体通道定位 tokens与问答延迟均数倍于转录通道。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🥈 看唇仍会猜错词：用训练期文本约束收窄一对多映射的视频转语音

英文题目：Watch Your Speech: Text-aware Video-to-Speech Synthesis with Textual Conditioning

标签：#音视频语音合成 | #流匹配 | #注意力机制 | #音视频 | #语音

评分：8.3/10 | 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 1/1.5 | 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

• Gunwoo Lee：机构信息未在 arXiv HTML 中可靠披露
• Yoori Oh：机构信息未在 arXiv HTML 中可靠披露
• Yoseob Han：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

视频到语音需从静音说话人视频生成语音，难点在于相似唇形对应多个音素的一对多映射，仅靠视觉难以确定内容。Watch Your Speech 在训练时用与视频片段按词级时间戳对齐的真实文本提供语言约束，推理时用预训练唇读模型 Auto-AVSR 从完整视频估计伪文本，再分别由文本编码器、视频编码器与人脸身份编码器抽取特征。注意力融合模块先做模态内自注意力精化，再做视频与文本双向交叉注意力对齐并拼接广播后的身份特征，形成统一条件向量。条件流匹配模型以该向量为条件学习从噪声到梅尔谱的速度场，并用无分类器引导增强约束，最后由冻结 HiFi-GAN 声码器合成波形。与仅推理期用外部分类器引导的 LipVoicer 相比，该训练期融合避免了外部判别器干扰生成过程。在 LRS2 上该方法取得 20.1321% 词错误率与 7.5032 同步置信度，在内容精度略低于 LipVoicer 的同时同步指标领先；在 LRS3 上趋势一致。该结论依赖 LRS2 与 LRS3 的英语广播演讲数据，对噪声文本与跨语种外推尚未验证。原文未披露训练时长与部署成本。

🔗 开源资源

• 代码相关资源：https://github.com/gunwoo5034/Watch-your-Speech — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/1adrianb/face-alignment — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🥉 不用硬压相邻帧连续：用多跳音高差把损坏段落桥接起来的平滑

英文题目：Pitch Smoothing Using Relative Interval Networks

标签：#音高与旋律提取 | #信号处理 | #语音 | #音乐 | #鲁棒性

评分：8.2/10 | 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 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

• Chin-Yun Yu：机构信息未在 arXiv HTML 中可靠披露
• Chi-Jen Peng：机构信息未在 arXiv HTML 中可靠披露
• Li Su：机构信息未在 arXiv HTML 中可靠披露
• György Fazekas：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

基频跟踪需将每帧基频估计连成连续轨迹，难点在于局部估计存在八度跳变与连续坏帧，而仅约束相邻帧的平滑易锁定错误。本文提出相对区间网络，将每帧绝对估计与任意跨距的多跳音高差分联合优化。先用可变Q变换互相关直接从信号测量第n帧与第n-m帧的音程差并给出置信权重，再与前端估计及发声概率一起送入全局加权L1目标求解平滑轨迹与增强发声检测。与强制相邻连续的维特比解码不同，该方法用实测声学音程约束长程一致性，并经Fenchel对偶等价转化为最小费用循环流问题以线性规划高效求解。在PTDB-TUG语料-10dB白噪声评测条件下，CREPE加RIN的RPA准确率为76.36，高于Viterbi的RPA准确率68.19。其适用边界受限于白噪声与弱前端，在babble噪声与强前端下提升有限且偏移选择依赖经验，尚未验证更大偏移组合的外推效果。偏移为{1,5}时线性规划阶段推理开销为0.77-0.83ms/s，前端与可变Q变换可并行从而关键路径仅剩该计算量。

🔗 开源资源

• 代码相关资源：https://github.com/iamycy/rin — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

4. 文档变长、对话变长时语音智能体还记得住原文吗

英文题目：DuplexSpeechBench-Document Grounding: Benchmarking Document Grounding and Hallucinations in Voice Agents

标签：#音频问答 | #基准设计 | #全双工语音交互 | #幻觉与忠实度

评分：8.2/10 | 创新 1.3/2 | 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 1/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.3/1.5

排名：前25% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Puneet Mathur：Adobe Research, San Jose, USA
• Nedim Lipka：Adobe Research, San Jose, USA
• Zeyu Jin：Adobe Research, San Jose, USA
• Dinesh Manocha：University of Maryland College Park, USAProject Page:

📌 核心摘要

该基准面向文档接地的语音代理，输入为最长约8k Token的五领域专业文档与合成语音提问，输出为实时语音回答，难点在于低延迟交互下保持事实忠实并抵抗幻觉与多轮漂移。方法链分四步：50篇文档切分为500至8000 Token前缀一致层级以控制上下文负荷，GPT-OSS-20B生成候选问答并经三阶段对抗校验得到1636对问答，其中1341个可回答与295个不可回答，统一合成语音提问后接入7种系统原生上下文接口，最后经Whisper-large-v3转写加GPT-OSS-120B裁判输出接地准确率等指标。相比只测轮次切换或静态长文本的基准，关键机制差异是同步考核上下文饱和、多轮保持与重注入恢复，并联合量化延迟与质量权衡以暴露架构相关失效。在DSB-DG基准下，级联系统的接地准确率为90.3%，高于GPT-Realtime的接地准确率87.7%。结论仅适用于 8k Token 内、单固定合成音、五类专业文档的受控评测，口音噪声与更长文档尚未验证。原文未披露训练、推理或部署成本。

🔗 开源资源

• 数据相关资源：https://dsb-dg.github.io/ — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/hexgrad/kokoro — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

5. 把一条混音拆成多层可编辑音轨：Soundwich 的分轨生成与场景协同

英文题目：Soundwich: Video Generation with Layered and Controllable Audio

标签：#音视频生成 | #信号处理 | #音视频 | #语音 | #主观评测

评分：8.2/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.9/1 | 影响力 1.1/1.5 | 开源 1/1.5 | 可复现 0.4/0.5 | 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

• Zhuo Ning：机构信息未在 arXiv HTML 中可靠披露
• AmirHossein Naghi Razlighi：机构信息未在 arXiv HTML 中可靠披露
• Sagi Polaczek：机构信息未在 arXiv HTML 中可靠披露
• Daniel Cohen-Or：机构信息未在 arXiv HTML 中可靠披露
• Ali Mahdavi-Amiri：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

输入为场景视觉描述加每个声源的语义描述、排斥描述与可选活跃区间，输出为一路共享视频加每个声源一路可独立静音、重定时、替换与重混的音频干，难点是多干须经同一视频保持同场景连贯，又不能经跨模态注意力互相泄漏或绑错视觉实体。方法为冻结联合音视频流匹配骨干上的两阶段免训练管线：干形成阶段将音频潜变量沿批量维展开为多源干加一路内部场景干，各干用独立正负文本引导并用缓存载体回放在请求窗内激励、窗外压制，场景干在前半程汇聚活跃源特征沉淀共享上下文；场景整合阶段将干形成视频加噪上采样后用蒸馏模型联合精修，各参与源在窗内广播读取自身与演化场景干键值，并用分割跟踪实体掩膜约束音频到视频与视频到音频两个方向的跨模态残差。与单混合轨加后分离或朴素批量展开相比，关键差异是以批量并行代替改架构增输出维，以场景干中转代替源间直连，以弱均匀激活代替强位置偏置，使时序控制与视觉归属可解耦编辑。15 场景 40 声源三种子平均下窗口成功率 93.1%，窗外活动 1.7%，窗口词错率 0.060，源分配准确率 90.0%，优于朴素展开与单轨基线；人类评测自然度平均排名 1.16，分离偏好 74.4%。适用边界为预定义 2 至 4 干短片段，固定干集合不支持声源动态进出，多同时源、小或遮挡实体仍易弱化，高增益路由可致视觉伪影。原文未披露训练成本，仅报告单张 32 GiB RTX 5090 上推理耗时与显存随干数增长，5 干精修溢出。

🔗 开源资源

• 代码相关资源：https://github.com/CodyNing/Soundwich — 链接可访问（HTTP 200）

• 演示资源：https://soundwich.avdemo.workers.dev/ — 暂时无法访问

• 第三方资源：https://github.com/MiniMax-AI/MiniMax-H3 — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

6. 不传原始语音也能学到新伪造：用条件流匹配在客户端之间搬运分布

英文题目：FedCFM: Federated Continual Domain Generalization for Fake Speech Detection via Conditional Flow Matching

标签：#语音伪造检测 | #联邦学习 | #持续学习 | #域泛化 | #流匹配

评分：8.1/10 | 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 1.1/1.5 | 开源 1/1.5 | 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

• Yingjian Yu：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, P.R. China
• Haiyan Guo：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, P.R. China
• Tianshun Wang：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, P.R. China
• Xinzhou Xu：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, P.R. China
• Zirui Ge：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, P.R. China
• Chi Liu：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, P.R. China
• Ziheng Liu：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, P.R. China

📌 核心摘要

伪造语音检测（Fake Speech Detection，FSD）需从语音波形判定真伪，难点在于合成与编解码攻击持续涌现且数据分散在不同机构而无法集中共享。所提联邦持续域泛化（Federated Continual Domain Generalization，FedCFM）让各客户端先用本地嵌入训练条件流匹配（Conditional Flow Matching，CFM）生成器以刻画本地伪造类型分布，再经服务器交换生成器使各客户端能合成未见攻击嵌入，随后用本地观测嵌入加合成嵌入持续更新分类器并做联邦平均，全程不传输原始语音与提取表示。该设计与联邦域泛化（Federated Domain Generalization，FDG）中特征对齐、表示一致或梯度对齐的差异在于直接共享可采样的类型条件分布而非隐式对齐，从而实现类别均衡的重放与跨域补全。在相同五数据集训练组合下，该模型在21DF上取得1.42%的等错误率（Equal Error Rate，EER），优于集中式多数据集基线XLSR-AASIST（CSAM）的2.87%和联邦基线GGEUR的2.72%。其结论目前仅限于4客户端仿真划分与嵌入级生成，尚未验证真实异构联邦网络、开放攻击与生成器本身的隐私泄漏边界。每客户端每轮平均通信约19.6 MB，生成器交换轮峰值达164.1 MB，部署成本不可忽略。

🔗 开源资源

• 代码相关资源：https://github.com/jspycpp/FedCFM — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

7. 同样的停顿为何含义不同：用语义校准重写抑郁语音建模

英文题目：ParaCalib: Semantically Calibrated Paralinguistic Modeling for Depression Detection

标签：#病理语音评估 | #多模态学习 | #语音 | #精神健康筛查 | #可解释性

评分：8.0/10 | 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 0.8/1.5 | 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

• Yuxin Li：Nanyang Technological University, Singapore
• Yifei Li：Nanyang Technological University, Singapore
• Yi-Wen Chao：Nanyang Technological University, Singapore
• Xiangyu Zhang：University of New South Wales, Sydney, Australia
• Eng Siong Chng：Nanyang Technological University, Singapore
• Cuntai Guan：Nanyang Technological University, Singapore

📌 核心摘要

抑郁语音检测的输入是受试者访谈语音，输出是受试者级二分类标签，难点在于同一声学形态可对应迟滞或激越等不同表现且其交际功能随语义上下文变化。ParaCalib先用冻结的音频语言模型（Audio-Language Model / ALM）将话语级音频转写为兼顾说什么与怎么说的上下文vocal描述，再用冻结的副语言状态提取器（Paralinguistic State Extractor / PSE）将描述映射为7维语义校准副语言（Semantically Calibrated Paralinguistic / SC-Para）向量，最后用注意力多实例学习（Multiple Instance Learning / MIL）加权池化为受试者表示并经MLP预测。与直接映射声学形态到标签的声学标记范式不同，该方法显式以语义上下文校准发声解释并保留可比较的结构化中间态。在DAIC-WOZ上平均Macro-F1达71.9%，在MODMA上达90.5%，均高于所比较的声学与自监督表示。结论仅限于PHQ阈值定义的问卷标签预测，未验证跨库跨语言迁移，且在加性噪声与少话语条件下性能下降。DAIC-WOZ上表示抽取约需每话语3.0 s与总计19.3 GPU小时，峰值显存达87.5 GiB，部署成本较高。

🔗 开源资源

• 代码相关资源：https://github.com/yifeili-13/ParaCalib — 链接可访问（HTTP 200）

• 模型相关资源：https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Captioner — 暂时无法访问

• 模型相关资源：https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Qwen-32B — 暂时无法访问

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

8. 低码率保真却丢失取证线索：用混合配对诊断与检测器引导的编解码器修正

英文题目：Neural Audio Codec for Robust Audio Deepfake Detection

标签：#音频深度伪造检测 | #Adapter | #音频编码 | #评测协议 | #语音

评分：7.9/10 | 创新 1.5/2 | 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 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

• Jungwoo Kim：机构信息未在 arXiv HTML 中可靠披露
• Joonyong Park：机构信息未在 arXiv HTML 中可靠披露
• Junyoung Koh：机构信息未在 arXiv HTML 中可靠披露
• Jong-Seok Lee：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

真实传输音频常经低码率编码，任务输入为编码后波形、输出为真伪判决，而感知优化的神经编解码器会引入类伪造伪影并抹除伪造线索，导致低码率下两类分布重叠难分。先用混合配对诊断以编码真人配干净伪造及干净真人配编码伪造两组波形为输入，负责分离真人侧漂移与伪造侧证据抑制，输出独立阈值的H1与H2诊断值。再以该不对称定位结论与编码特征为输入，由冻结DAC主干两侧码率条件残差适配器负责修正，编码侧修正送入量化器的表征、解码侧修正离散码本的波形实现，前向保持硬量化与比特流不变、反向用软分配代理回传梯度，不同于逐检测器学习的检测器中心鲁棒化，输出取证保持的重构波形。最后以该重构波形为输入进入冻结检测器监督的取证保持优化，负责联合有限间隔检测损失、表征一致与伪造谱包络保持损失并与重建目标共训，输出单检查点多码率波形送真伪判决。在ASVspoof 2019 LA评测集0.5 kbps处，AASIST等错误率由63.47%降至13.66%，降幅达49.8个百分点，且仅用AASIST监督仍能迁移至AASIST-L与RawNet2。重建质量在1024条均衡子集上以PESQ-WB与STOI衡量，与重建型适配接近，取证增益未带来明显感知代价。结论目前仅适用于16 kHz短句与所测编解码器族，跨库与高码率泛化尚未验证，训练与推理开销原文未披露。

🔗 开源资源

• 代码相关资源：https://github.com/kjungwoo03/FP-NAC — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

9. 没有成对真值时如何修管弦乐老录音：用更宽的退化仿真换有监督复原

英文题目：End-to-End Historical Music Restoration in Latent Space

标签：#音频修复 | #流匹配 | #音乐 | #数据集 | #基准测试

评分：7.9/10 | 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 1/1.5 | 开源 1/1.5 | 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

• Steven Cho：机构信息未在 arXiv HTML 中可靠披露
• Junghyun Koo：机构信息未在 arXiv HTML 中可靠披露
• Raphael Lafargue：机构信息未在 arXiv HTML 中可靠披露
• Tushar Dhyani：机构信息未在 arXiv HTML 中可靠披露
• Eloi Moliner：机构信息未在 arXiv HTML 中可靠披露
• Yuki Mitsufuji：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

历史音乐修复需从未知非线性染色、带限与爆音叠加的观测 \(y\) 中恢复高保真管弦乐 \(x\)，属无真实配对的盲逆问题。本文把问题重定义为合成监督：先用五段 Wiener-Hammerstein 级联合成宽分布历史退化配对，再用固定神经音频编解码器压缩波形为潜变量，最后以条件流匹配学习从高斯噪声指向干净潜变量的速度场并经 Euler 积分重建。该路线以显式宽分布合成替代联合估计退化算子，降低多声部管弦乐建模难度。在 9.3 小时 1911 年至 1925 年美国器乐古典管弦无配对测试集上，所提 SAMECFM 的参考无关音频美学产量质量 AA-PQ 在 Full-Orchestra 与 Light-Orchestra 上达 6.70 与 6.86，明显高于最强基线 Denoiser-FOS 的 5.95 与 6.17；在 53.0 分钟 Spheres 合成配对集上 Mel-MSE 为 1.90、CLAP 余弦相似度为 0.73、合成集 AA-PQ 为 7.21，均为最优。主观 MOS 质量与保真双项领先但配对 MAD 仅排第三，揭示生成质量提升伴随轻微幻觉。该结论限于无唱古典管弦乐，外推至人声、流行乐或更晚期录音尚未验证。原文披露 4 卡 NVIDIA A100 训练 400k 步，未披露推理时延与部署成本。

🔗 开源资源

• 代码相关资源：https://github.com/SonyResearch/historical_music_restoration — 暂时无法访问（HTTP 504）

• 数据相关资源：https://zenodo.org/records/22737610 — 链接可访问（HTTP 200）

• 演示资源：https://github.com/SonyResearch/historical_music_restoration — 暂时无法访问（HTTP 504）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

10. 一次读完还是分段拼接：长序列训练如何改变连续朗读的停早问题

英文题目：Balalaika-Longform: A Russian Speech Corpus for Continuous Long-Form Text-to-Speech

标签：#文本到语音 | #数据集构建 | #数据集 | #长音频处理

评分：7.8/10 | 创新 1.2/2 | 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 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：数据集与基准 | arXiv 原文

👥 作者与机构

• Nikita Vasiliev：机构信息未在 arXiv HTML 中可靠披露
• Kirill Borodin：机构信息未在 arXiv HTML 中可靠披露
• Vasilii Kudryavtsev：机构信息未在 arXiv HTML 中可靠披露
• Maxim Maslov：机构信息未在 arXiv HTML 中可靠披露
• Grach Mkrtchian：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

长篇文本到语音（Text-to-Speech, TTS）要求在单次连续生成中读完数百至上千词并保持音色，而按句切分合成会掩盖漏读与提前终止。作者基于Balalaika管线构建语料的过程分为三步：先以语境感知切分、响度归一与增强得到30秒至15分钟的连续单说话人长单元，再经多识别器投票转录与说话人纯度筛选为每段配上转录与溯源信息，该长单元直接构成保留分钟级上下文的长序列视图。接着将同一录音铺设为至多30秒的连续短窗口并释放对齐清单以构成秒级短窗口视图，两视图进入相同的微调流程且仅训练序列长度不同，这种保留长目标的机制与推理时分句拼接丢弃跨句语境的做法形成对照，其适用边界仍受限于连续单遍生成协议。评测采用无切分的单遍连续推理并保留全部失败尝试，以词错误率（Word Error Rate, WER）与正确词召回衡量内容保真。在约 1,200 词的出版文本评测中，CosyVoice3 长目标微调相对短窗口微调将词错误率从 99.9% 降至 47.3%，标点格式匹配版本进一步降至 16.6%，而基线与短窗口臂在长输入下几乎全部提前终止。作者明确承认该收益仅限于自回归模型的连续单遍生成，不等同于优于分句拼接，且转录源、格式与语料构成混杂尚未完全分离。原文未披露训练、推理或部署成本。

🔗 开源资源

• 代码相关资源：https://github.com/lab260ru/balalaika-longform — 链接可访问（HTTP 200）

• 数据相关资源：https://huggingface.co/datasets/lab260/Balalaika-longform — 暂时无法访问

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

11. 冻住文本塔：用同一主干的密集标题蒸馏绑定六模态

英文题目：Omni-Embed-Mini: Binding Modalities Without Forgetting via Dense Distillation

标签：#音频检索 | #知识蒸馏 | #对比学习 | #LoRA | #多模态学习

评分：7.8/10 | 创新 1.4/2 | 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 1/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前25% | 文档类型：模型报告 | arXiv 原文

👥 作者与机构

• Mohammed Irfan Kurpath：机构信息未在 arXiv HTML 中可靠披露
• Jaseel Muhammad Kaithakkodan：机构信息未在 arXiv HTML 中可靠披露
• Sahal Shaji Mullappilly：Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)
• Ivan Laptev：机构信息未在 arXiv HTML 中可靠披露
• Hisham Cholakkal：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

该工作处理以文本查询统一检索语音、音频、图像、视频与视觉文档的表征问题，难点在于扩模态时文本几何易漂移，而现有方案靠2.5B至8.9B参数硬扛。其链条为：先由Qwen3-Omni-30B-A3B-Instruct以源数据集短字幕为接地先验生成级联稠密字幕，再把冻结骨干对该字幕的EOS池化向量缓存为教师目标，接着媒体经专用编码器与投影器拼入同一因果解码器骨干得到学生向量，最后以Matryoshka SigLIP对比损失加权重1.0的余弦自蒸馏与在线混合难负例联合训练。与联合微调文本塔的方案不同，教师与学生共享同一组冻结权重而天然同构，无需额外校准头。在MMEB-V2视频基准测试任务下，稠密字幕训练的0.9B消融检查点的平均hit@1得分为18.80，高于原始字幕对照的平均hit@1得分4.74。冻结文本通路使文本检索不退化并保留单空间内的跨模态与模态内检索能力。该结论限于英文为主的四套基准与8帧均值池化的视频协议，未验证任意模态互检与推理时延，原文未披露训练时长与算力消耗。其适用边界受限于英文评测与冻结文本几何，稠密字幕事实性过滤与原生时序建模尚未验证并构成失败条件，训练成本对应8卡AMD Instinct MI210硬件上的BF16分布式训练与推理开销。

🔗 开源资源

• 代码相关资源：https://github.com/k-m-irfan/Omni-Embed-Mini — 链接可访问（HTTP 200）；README 已验证包含安装、推理与微调文档

• 模型相关资源：https://huggingface.co/collections/MBZUAI — 暂时无法访问

• 模型相关资源：https://huggingface.co/MBZUAI/Omni-Embed-Mini-0 — 暂时无法访问

• 模型相关资源：https://huggingface.co/MBZUAI/Omni-Embed-Mini-2 — 暂时无法访问

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

12. 冻住大模型，只调八个向量：AnchorPrompt 用干净答案蒸馏自己

英文题目：AnchorPrompt: Self-Distilled Soft Prompts for Robust Audio-Language Models

标签：#音频问答 | #提示学习 | #知识蒸馏 | #鲁棒性 | #幻觉与忠实度

评分：7.7/10 | 创新 1.3/2 | 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 1/1.5 | 开源 1/1.5 | 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

• Pooneh Mousavi：机构信息未在 arXiv HTML 中可靠披露
• Amir Ivry：机构信息未在 arXiv HTML 中可靠披露
• Mirco Ravanelli：机构信息未在 arXiv HTML 中可靠披露
• Cem Subakan：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

大型音频语言模型以录音加问题选项为输入并输出选项字母，在噪声、掩蔽与恶意注入下易偏离clean预测并在无证据时产生幻觉。首先冻结教师模型在干净录音上经贪婪解码产生伪目标，证据缺失时定为CANNOT DETERMINE以约束幻觉。然后学生在扰动音频输入的音频嵌入与问题嵌入之间插入8向量可学习软提示，用扰动输入复现上一步的教师伪目标。最后交叉熵损失只更新提示向量而保持解码器冻结，使一致性校正沉淀于提示中并在推理时独立运行。相比纯文本手写指令无法重对齐受损音频表示，该机制直接在嵌入空间提供可优化的校正层，且推理时无需扰动检测。在SAKURA基准全掩蔽条件下，AnchorPrompt的回答率指标为0.5%，低于Base的回答率指标59.1%。该结论限于三模型与三套多选题基准，未验证开放问答、流式与强自适应攻击，且重度损坏拒答多为训内条件，外推仍待检验。训练在单卡上耗时2.7小时至8.8小时，参数不足模型0.001%，推理仅增加8个向量长度。

🔗 开源资源

• 代码相关资源：https://poonehmousavi.github.io/anchorprompt → https://poonehmousavi.github.io/anchorprompt/ — 链接可访问（HTTP 200）

• 演示资源：https://poonehmousavi.github.io/anchorprompt → https://poonehmousavi.github.io/anchorprompt/ — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

13. 模态打架时先断案再说话：EmAvatar 用冲突裁决与合成脚本做共情回复

英文题目：EmAvatar: Multimodal Empathetic Response Generation via Conflict Resolution and Expressive Guidance

标签：#音视频生成 | #生成模型 | #语音情感识别 | #音视频 | #多模态模型

评分：7.6/10 | 创新 1.5/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 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 1/1.5

排名：前25% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Xiaolin Chen：机构信息未在 arXiv HTML 中可靠披露
• Xuemeng Song：机构信息未在 arXiv HTML 中可靠披露
• Jinlan Fu：机构信息未在 arXiv HTML 中可靠披露
• Weili Guan：机构信息未在 arXiv HTML 中可靠披露
• Mong-Li Lee：机构信息未在 arXiv HTML 中可靠披露
• Wynne Hsu：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

面向化身共情回复任务，输入为多轮多模态对话历史与当前用户文本加语音加视频及目标化身图像，输出为情感一致的文本回复加语音加说话人脸视频，难点在于讽刺与情绪掩饰下的跨模态情感冲突、缺乏显式表达指导与文本到音频到视频级联中的误差放大。所提框架EmAvatar为两阶段免训练流水线：先由多视角并行感知暴露单模态与多模态预测分歧，若一致则直接采纳整体预测，否则经冲突检查器与证据收集器多轮问答取证并由仲裁器裁决情绪；再由历史摘要器提纯上下文并生成文本加表情指令复合脚本，经迭代质量精修器按连贯性、共情性、可行性与对齐性四维五级评分改写直至达标，最后驱动化身一致音频合成与音频驱动视频合成。相比直接把多模态丢给多模态大语言模型隐式融合的做法，该机制把融合改为显式冲突暴露与可审计取证，并把下游合成从隐向量条件改为可读可改的表情指令。在AvaMERG基准上情绪识别准确率达70.87%，相对挑战冠军It is MyGO的68.42%提升3.58%，文本Dist-1达4.91%，语音MOS达4.65，视频唇同步最优。该结论限于单一基准与7类离散情绪，未验证开放情绪与跨文化泛化，强冲突与低质量输入下鲁棒性仍待检验。全流程在8卡NVIDIA H200服务器上推理约106.93秒，其中视频合成占61.81秒，原文未披露训练成本。

🔗 开源资源

• 数据相关资源：https://avamerg.github.io/MM25-challenge → https://avamerg.github.io/MM25-challenge/ — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

14. 从自己的误判里长出监督：SE-ADD 在演变伪造环境中的累积适应

英文题目：SE-ADD: Self-Evolving Audio Deepfake Detection with Mistake-Driven Supervision

标签：#音频深度伪造检测 | #LoRA | #持续学习 | #音频大模型

评分：7.6/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 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 1/1.5

排名：前25% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Rong Wan：机构信息未在 arXiv HTML 中可靠披露
• Wei Xie：机构信息未在 arXiv HTML 中可靠披露
• Jiaxi Li：机构信息未在 arXiv HTML 中可靠披露
• Wenwu Wang：机构信息未在 arXiv HTML 中可靠披露
• Lu Yin：机构信息未在 arXiv HTML 中可靠披露
• Yiliao Song：机构信息未在 arXiv HTML 中可靠披露
• Xilu Wang：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

音频深度伪造检测的输入为待判音频波形，输出为真实或伪造二分类判决，在部署后新攻击成为主流而旧攻击低比例残留时需持续保持泛化。所提自演化音频深度伪造检测框架先由当前音频语言模型为训练音频生成取证线索，再用无线索判决定位错分样本并为其追加线索联合生成与条件判决监督。上述混合任务池用于更新低秩适配参数，更新后模型重新生成线索与判决以驱动下一轮监督演化，每环境经开发集选择最优轮次并将适配器跨环境传递。相比固定使用标签或预制推理链的监督，该机制使监督位置与内容随模型失败分布动态变化，兼具纠错聚焦与线索可利用性训练。固定未见攻击评测上Qwen2-Audio的等错误率由36.72%降至7.52%，MOSS-Audio由19.93%降至3.97%，显示跨攻击迁移收益。适用边界在于评测仍限于ASVspoof 2019 LA内部分攻击划分，自生成线索未经声学验证且线索收益高度依赖骨干与推理方式。原文未披露训练、推理或部署成本。

🔗 开源资源

• 代码相关资源：https://github.com/SE-ADD/SE-ADD — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

15. 能说出道理不等于找到了证据：SEAR 用可验证声学测量检验音频大模型的伪造推理

英文题目：SEAR: Spoofing Evidence-Grounded Audio Reasoning Benchmark for Audio Language Models

标签：#音频深度伪造检测 | #基准设计 | #基准测试 | #工具增强与约束解码

评分：7.6/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 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 1.2/1.5

排名：前25% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Rong Wan：机构信息未在 arXiv HTML 中可靠披露
• Suliu Qin：机构信息未在 arXiv HTML 中可靠披露
• Jiaxi Li：机构信息未在 arXiv HTML 中可靠披露
• Wei Xie：机构信息未在 arXiv HTML 中可靠披露
• Wenwu Wang：机构信息未在 arXiv HTML 中可靠披露
• Xiaolong Han：机构信息未在 arXiv HTML 中可靠披露
• Lu Yin：机构信息未在 arXiv HTML 中可靠披露
• Xilu Wang：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

伪造证据接地音频推理以单句语音为输入，要求模型同时输出真伪 verdict、异常声学特征辨识与量化值以及引用实测值的取证 rationale，难点在于音频语言模型常生成流畅但无信号支撑的解释。方法链第一步从ASVspoof语料提取 utterance 级声学特征并以效应量与折叠AUC筛选判别特征，形成候选证据集。第二步按平衡准确率最优原则确定异常区间并生成四任务音频问答，将筛选特征转化为可核对的参考证据与选项。第三步由真实样本基声学证据智能体用白名单工具实测待测音频，并将不可篡改的测量记录交由冻结音频语言模型完成 verdict 与 rationale。与既有仅评 verdict 或评 rationale 风格相似度的方法不同，SEAR 强制选项值与实测值绑定且禁止模型篡改工具输出，从而把评估锚定到可复算的信号证据。在19LA评测下，BAEA-Fixed的等错误率（Equal Error Rate，EER）为24.53%，低于Qwen2.5-Omni的等错误率（Equal Error Rate，EER）36.34%。该结论受限于稳定真实分布假设与编解码传输信道下的泛化衰减，尚未验证对未见合成器与真实噪声的持续外推。原文未披露训练、推理或部署成本。

🔗 开源资源

• 代码相关资源：https://github.com/SEAR-benchmark/SEAR — 链接可访问（HTTP 200）

• 数据相关资源：https://huggingface.co/SEAR-benchmark — 暂时无法访问

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

16. 先对齐再判断：用单调对齐约束补上视频语言模型的时序盲区

英文题目：Align Then Reason: A Multimodal Lip-Sync Judge for Dubbing

标签：#语音配音 | #CTC | #多语言 | #基准测试 | #大语言模型

评分：7.6/10 | 创新 1.6/2 | 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 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前25% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Rui Liu：University of Maryland, College Park
• Bhavin Jawade：Netflix
• Haoqi Li：Netflix
• Shivam Mehta：Netflix
• Karan Saxena：Netflix
• Yinghong Lan：Netflix
• Cameron R. Wolfe：Netflix

📌 核心摘要

配音质检需仅以静音口型视频与候选文本判断内容与时序是否匹配，而参考音频尚未合成且唇读与视频语言模型对逆序与移位近乎失明。方法先用唇编码器抽取帧级表征并用语音文本编码器将候选行转为音素单元，以余弦相似构建帧到单元兼容矩阵。接着候选相关的单调对齐打分器以CTC约束与空白状态输出全局校准分与每单元局部软token，前者经归一化形成提示中的置信标量，后者直接拼入推理器输入。最后大语言模型融合文本与两类对齐证据，以Yes与No的logit差作为同步分完成推理判决。与直接自回归解码指望涌现时序敏感不同，单调性被编码进打分结构从而兼顾内容与细粒度时序。在七语言基准任务下，atr（Qwen3.5-9B）的平均AUC得分为0.920，高于Qwen3.5-9B SFT基线的平均AUC得分0.610。该结论适用边界受限于自建合成破坏与有限真实配音重排验证，跨域需重标定归一化参数且对细微发音差异存在失败条件，更多语种与自然口型变化外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

17. 把声道还给合成：用发音运动约束源-滤波器的可控 TTS

英文题目：Articulatory Source-Filter TTS: Physically Grounded Control through Vocal Tract Kinematics

标签：#文本到语音 | #流匹配 | #发声与构音 | #可解释性

评分：7.5/10 | 创新 1.6/2 | 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 1.1/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5

排名：前25% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Jesuraj Bandekar：机构信息未在 arXiv HTML 中可靠披露
• Shinji Watanabe：机构信息未在 arXiv HTML 中可靠披露
• Prasanta Kumar Ghosh：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

任务输入为文本音素序列、输出为自然语音对应的声谱参数，需在仅有音频与文本的大规模朗读语料上兼顾可懂度与自然度，而黑盒模型无法将声道滤波器解耦为可解释物理量，干预声道常牵连音源韵律。为此方法先用大规模多语言表征训练声学到发音反演模型，为朗读语料生成唇颌舌运动学伪轨迹，并将其作为滤波器分支的直接监督信号。接着文本编码器并行预测基频与能量轮廓以参数化声门声源、预测发音轨迹以条件化滤波器响应，实现声源与滤波器的独立建模，最优传输条件流匹配再精修声源谱并在对数梅尔域相加合成。与已有源滤波器TTS的关键差异在于滤波器不再是抽象谱包络而被约束为运动学函数，从而支持手势级干预并保持共振峰稳定。在LibriTTS test-clean上模型词错率为5.53%，与可比规模基线相当且明显保留可控性与可解释性。在LibriTTS test-clean评测下，Proposed模型的WER为5.53%，低于Source-Filter基线的WER 5.96%。该结论仅适用于英语朗读语音与电磁发音仪定义的正中矢状面运动表征，未验证自发对话、跨语言泛化与病理语音等外推场景。其适用边界受限于英语朗读训练，自发对话与病理语音等外推场景尚未验证。原文未披露训练、推理或部署成本。

🔗 开源资源

• 演示资源：https://coding-phoenix-12.github.io/ArticulatorySFTTS/ — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/JeremyCCHsu/Python-Wrapper-for-World-Vocoder — 链接可访问（HTTP 200）

• 第三方资源：https://huggingface.co/openai/whisper-medium — 暂时无法访问

• 第三方资源：https://huggingface.co/microsoft/wavlm-base-sv — 暂时无法访问

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

18. 听声直接判：AudioJev 让候选概率跟随含义而非排序

英文题目：AudioJev: Direct Audio Decisions with Order-Calibrated Probabilities

标签：#音频问答 | #正则化 | #鲁棒性 | #音频大模型

评分：7.5/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1/1.5 | 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

• Sihan Lv：机构信息未在 arXiv HTML 中可靠披露
• Zhen Li：机构信息未在 arXiv HTML 中可靠披露
• Zhiqi Cao：机构信息未在 arXiv HTML 中可靠披露
• Jinshan Zhang：机构信息未在 arXiv HTML 中可靠披露
• Ying Li：Innovation and Management Center of the School of Software (Ningbo), Zhejiang University, Ningbo, China
• Meng Xi：Innovation and Management Center of the School of Software (Ningbo), Zhejiang University, Ningbo, China；Binjiang Institute of Zhejiang University, Hangzhou, China；Zhejiang Key Laboratory of Digital-Intelligence Service Technology, Hangzhou, China
• Jianwei Yin：Innovation and Management Center of the School of Software (Ningbo), Zhejiang University, Ningbo, China；Binjiang Institute of Zhejiang University, Hangzhou, China

📌 核心摘要

音频决策需将波形、问题与候选描述直接映射为闭集候选上的概率分布，难点在于转写会丢失环境声与音乐证据且候选呈现顺序会扰动语言模型的概率估计。AudioJev将波形、问题与候选送入共享全参数音频语言模型，只在候选位置标签对应下一Token对数几率上做Softmax，得到与调用方顺序绑定的单次前向决策分布。训练时为每条样本构造每个候选都改变位置的无不动点随机错位视图并对双视图同时做候选监督，该双视图输出进入下一步的语义对齐。随后将错位分布按语义身份对齐后施加对称KL约束，使概率跟随语义而非位置，推理时仅保留单次候选打分而不做排序包装或多顺序集成。与转写级联及冻结直连模型的关键差异在于把呈现一致性作为以候选身份对齐的分布正则学习目标，而非依赖后处理校准，其实质是让校准作用于候选含义。在完整MMAU基准下，AudioJev的准确率为68.88%，高于Whisper large-v3加Qwen3.5-4B管线的准确率60.74%。推理开销方面固定波形输入面板上AudioJev的延迟为62.4ms，远低于含新鲜转写的级联延迟，训练采用三阶段固定步数与三个随机种子取均值。该结论适用边界限于调用方给出正确闭集的分类式问答，位置相关问题已从顺序偏差指标剔除，开放生成与置信度可靠性等外推尚未验证。

🔗 开源资源

• 代码相关资源：https://github.com/SihanLv/AudioJev-Inference — 链接可访问（HTTP 200）

• 模型相关资源：https://huggingface.co/shlv/AudioJev — 暂时无法访问

• 数据相关资源：https://zenodo.org/records/1228142 — 链接可访问（HTTP 200）

• 数据相关资源：https://huggingface.co/datasets/Oration/voice-activity-detection — 暂时无法访问

• 第三方资源：https://docs.typesafe.ai/introduction — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/NandhaKishorM/laya — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/Gestalt-Lab/jeff — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/snakers4/silero-vad — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/pipecat-ai/smart-turn — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

19. 把思考藏进隐状态：AURAL 如何用多路径分块推理换来更快首字应答

英文题目：AURAL: Adaptive Latent Reasoning with Joint Chunk for Speech Language Models

标签：#音频推理 | #动态计算与早退 | #数据集 | #语音 | #高效推理

评分：7.4/10 | 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 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：方法研究 | arXiv 原文

👥 作者与机构

• Yuxiang Wang：The Chinese University of Hong Kong, Shenzhen；Tencent Hunyuan
• Kunyu Feng：The Chinese University of Hong Kong, Shenzhen
• Yuancheng Wang：The Chinese University of Hong Kong, Shenzhen
• Zihang Liu：Tsinghua University
• Shengbo Cai：Tencent Hunyuan；Tsinghua University
• Qinke Ni：The Chinese University of Hong Kong, Shenzhen
• Wan Lin：The Chinese University of Hong Kong, Shenzhen
• Tao Feng：The Hong Kong University of Science and Technology
• Yingda shen：The Chinese University of Hong Kong, Shenzhen
• Ming-Hao Hsu：The Chinese University of Hong Kong, Shenzhen
• Zhixian Zhao：Tencent Hunyuan
• Liqiang Zhang：Tencent Hunyuan
• Teddy Sun：Tencent Hunyuan
• Steve Yves：Tencent Hunyuan
• Zhizheng Wu：The Chinese University of Hong Kong, Shenzhen；Amphion Technology Co., Ltd.

📌 核心摘要

语音语言模型需要同时理解细粒度副语言线索并快速作答，而显式思维链（Chain-of-Thought，CoT）以逐词元串行解码换取推理质量，导致首个答案词元延迟显著上升。AURAL 先在 AuralReason-683K 上做简洁双语显式思维链初始化，再把长度为 \(T\) 的思维链嵌入按压缩因子 \(c\) 池化为连续潜目标，用高斯混合模型（Gaussian Mixture Model，GMM）联合预测未来 \(m\) 个状态块并回灌骨干，推理时每块仅需一次前向传播。随后以每提示 8 rollout 的组相对优势做强化学习，用正确性门控的简洁奖励与可学习的停止策略按题自适应分配潜深度。与单路径监督不同，多分量联合块预测为强化学习保留多条可行延续。在EchoMind MCQ评测任务下，AURAL-SFT的准确率为68.20%，高于CoT的准确率67.94%。该方法把平均首个可见答案词元延迟从1.22降至0.10 s，加速11.8倍，推理开销显著降低。该结论限于中英短语音问答与客观评测，对长交互、流式打断与真实副语言歧义尚未验证。原文未披露训练时长与 GPU 型号。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

20. 不一次看完整视频：OmniSeek 把找证据变成多轮听看动作

英文题目：OmniSeek: Native Tool Integration for Multi-turn Audio-Visual Reasoning

标签：#音视频问答 | #工具增强与约束解码 | #音视频 | #数据集 | #强化学习

评分：7.4/10 | 创新 1.6/2 | 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 0/1.5 | 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

• Haibo Wang：机构信息未在 arXiv HTML 中可靠披露
• Jiteng Mu：机构信息未在 arXiv HTML 中可靠披露
• Jialu Li：机构信息未在 arXiv HTML 中可靠披露
• Jingru Yi：机构信息未在 arXiv HTML 中可靠披露
• Yuanjun Xiong：机构信息未在 arXiv HTML 中可靠披露
• Jianming Zhang：机构信息未在 arXiv HTML 中可靠披露
• Lifu Huang：机构信息未在 arXiv HTML 中可靠披露
• Mingze Xu：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

输入为同步长视频与音频流加自然语言问题，输出为多选或开放答案，难点在于关键听觉事件与视觉细节稀疏散布且跨时间远距离依赖，单遍粗采样易稀释细粒度证据并退化为单模态捷径。该方法先以解耦双轨对齐抽取带绝对时间戳的视觉稠密描述与语音转写，再基于双轨上下文规划含音频与视频跨度的有序证据链并组装成思考调用观察交错轨迹。接着以监督微调冷启动多轮工具协议，随后两阶段分组序列策略优化探索自主取证，并以音视频必要性奖励强化双模态依赖。相对文本思维链与单轮耦合检索的差异在于按推理状态异步路由模态与时间窗，并将原始高分辨率片段回填上下文实现由粗到精复核。在VideoHolmes基准下，OmniSeek的准确率为74.6%，高于Base Model的准确率59.1%。适用边界为中等长度强跨模态依赖问答，对数小时级音频过长导致的上下文溢出与指令坍缩尚未解决。训练使用 32卡与 128卡 H200 及数万轮采样推理，部署时多轮高分辨率取证带来显著上下文与延迟开销。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

21. 先听准再推理：RMS-AQA 用两段式问答卡住空间音频的猜测捷径

英文题目：RMS-AQA: A Two-Stage Spatial Audio Question Answering Benchmark for Real-World Domestic Environments

标签：#音频问答 | #基准设计 | #基准测试 | #空间音频信号

评分：7.2/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5

排名：前50% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Peihao Chen：机构信息未在 arXiv HTML 中可靠披露
• Qing Wang：机构信息未在 arXiv HTML 中可靠披露
• Lichun Fan：机构信息未在 arXiv HTML 中可靠披露
• Yufeng Hao：机构信息未在 arXiv HTML 中可靠披露
• Zhifeng Kong：机构信息未在 arXiv HTML 中可靠披露
• Mengyao Zhu：机构信息未在 arXiv HTML 中可靠披露
• Hengyi Hong：机构信息未在 arXiv HTML 中可靠披露
• Hang Chen：机构信息未在 arXiv HTML 中可靠披露
• Hang Su：机构信息未在 arXiv HTML 中可靠披露
• Yujie Jian：机构信息未在 arXiv HTML 中可靠披露
• Chao-Han Huck Yang：机构信息未在 arXiv HTML 中可靠披露
• Shichao Hu：机构信息未在 arXiv HTML 中可靠披露
• Jun Du：机构信息未在 arXiv HTML 中可靠披露
• Jian Luan：机构信息未在 arXiv HTML 中可靠披露
• Ke Li：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

面向家用具身助手的室内空间音频理解，输入为10秒24kHz一阶Ambisonics片段，输出为两阶段四选一答案，需先接地可听事件再做场景推理，难点在于并发源重叠、远场弱直达声与强混响导致方向距离线索退化。方法链分三步：先以SpatialScaper将干燥源与1396个房间实测房间脉冲响应卷积合成170K训练片段并用Zoom H3-VR在18个真实房间采集验证测试片段，房间互斥以保留仿真到真实差距；再经GPT-5.5由结构化元数据生成两阶段问题并经Gemini 3.1改写扩充，验证集人工核查；最后冻结语义分支仅取全向通道并训练空间分支融合四通道方向线索，推理时以前阶段预测答案作为后阶段上下文，仅两阶段全对才计分。与仅评最终答案的已有方法不同，该接地到推理的显式耦合可阻断基于错误接地的侥幸猜测并定位感知或推理错误。在验证集下，增强版Qwen3-Omni的接地后第二阶段准确率为48.93%，高于原生支持FOA的最强闭源对照Qwen3.8-Omni-Flash的接地后第二阶段准确率36.38%。其适用边界受限于室内家用最多4并发源分布，失败条件为远场4米以上、强混响与高并发下显著下降且真实录制比仿真低23.67%。训练成本为在4块NVIDIA A100硬件上以每卡批量8训练3轮，仅更新空间编码器、融合投影与28层大模型上的16阶低秩适配器。

🔗 开源资源

• 数据相关资源：https://rmsaqachallenge.github.io/ — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

22. 身体分部与快慢分离：Dyna2Music 如何把舞蹈动作变成可监督的音乐时间结构

英文题目：Where the Body Keeps the Beat: Structured Motion Conditioning and Music Dynamics Supervision for Dance-to-Music Generation

标签：#音乐生成 | #流匹配 | #音画同步 | #音乐

评分：7.1/10 | 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 1/1.5 | 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

• Changchang Sun：机构信息未在 arXiv HTML 中可靠披露
• Lu Cheng：机构信息未在 arXiv HTML 中可靠披露
• Yan Yan：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

舞蹈到音乐生成（Dance-to-Music Generation，D2M）输入为估计的3D关节点序列，输出为与舞蹈时间结构对齐的音乐波形，难点在于局部肢体重音易被全身聚合淹没，且潜空间局部动态缺乏显式目标。所提Dyna2Music先由空谱运动分解（Spatio-Spectral Motion Decomposition，SSMD）将关节速度滤为慢速与快速分量并计算5个身体部位能量，同时用冻结MotionBERT补充关节协同特征，再由分层慢快条件编码器（Hierarchical Slow-Fast Conditioning Encoder，HSF-Encoder）经部位注意力与能量门控融合成条件序列，最后以该序列引导潜空间流匹配Transformer生成音乐潜变量并辅以潜动态一致性（Latent Dynamics Consistency，LDC）监督相邻帧变化幅度。与聚合运动或单频带条件相比，该设计保留了部位特异性与频带特异性，并把局部时间变化幅度变为可学习的显式目标。在AIST++测试集180对上onset级F1达到55.76%，超出最强基线VidMuse 17.70个百分点，同时三类Fréchet Audio Distance均为最低。作者承认约四分之一或二分之一节拍的运动平移仍不改变生成onset相位，故局部运动依赖的相位跟踪尚未实现。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

23. 从场景标签到场景描述：AVSD-Scenes 如何把听觉与视觉拼成一段话

英文题目：AVSD-Scenes: A Dataset for Audio-Visual Description of Urban Scenes

标签：#音视频理解 | #数据集构建 | #数据集 | #音视频

评分：7.1/10 | 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 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Dhanunjaya Varma Devalraju：机构信息未在 arXiv HTML 中可靠披露
• Arshdeep Singh：机构信息未在 arXiv HTML 中可靠披露
• Mark D. Plumbley：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

城市声景理解需要同时输入同步音频与视频并输出刻画事件与交互的自然语言段落，难点在于听觉与视觉线索互补却粒度不一致且缺乏联合标注。作者先用Qwen2-Audio-7B-Instruct与Qwen2.5-VL-7B-Instruct分别从音频和视频抽取时序事件序列与模态专属描述，并以场景标签作为上下文约束避免虚构不可观察意图。再将两路事件与描述连同场景标签送入Qwen3-14B、Mistral-Small-3.2-24B-Instruct-2506与Gemma-3-27B-it进行去冗余与一致性约束的文本级融合，生成约30到60词的统一单段落。与仅描述单模态的已有标注相比，该机制差异在于显式保留时序与重叠事件后再做文本级融合，而非直接对音视频做联合编码，从而在保留视觉对应的同时增强音频对应的语义表示。在TAU Urban Audio-Visual Scenes 2021 development基准下，三模态融合描述的准确率为95.4%，高于纯文本描述的准确率94.5%。该结论仅适用于 10 类欧洲城市场景的开发集划分与基于 CLIP、CLAP 与 ImageBind 的语义相似度体系，尚未验证开放场景与跨城市泛化。原文未披露训练、推理或部署成本。

🔗 开源资源

• 代码相关资源：https://github.com/dhanunjaya-varma/AVSD-Scenes.git → https://github.com/dhanunjaya-varma/AVSD-Scenes — 链接可访问（HTTP 200）

• 数据相关资源：https://github.com/dhanunjaya-varma/AVSD-Scenes.git → https://github.com/dhanunjaya-varma/AVSD-Scenes — 链接可访问（HTTP 200）

• 复现相关资源：https://github.com/dhanunjaya-varma/AVSD-Scenes.git → https://github.com/dhanunjaya-varma/AVSD-Scenes — 链接可访问（HTTP 200）

• 第三方资源：https://freesound.org/ — 链接可访问（HTTP 200）

• 第三方资源：https://sound-effects.bbcrewind.co.uk/ — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

24. 用反馈调制输入再稀疏计算：DuSpaR 如何省掉一半以上的循环计算

英文题目：DuSpaR: Dual-State Sparsifying Recurrent Unit with Feedback Modulation for Compute-Efficient Speech Processing

标签：#关键词检测 | #RNN | #动态计算与早退 | #高效推理

评分：7.0/10 | 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 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Zixiao Li：机构信息未在 arXiv HTML 中可靠披露
• Sheng Zhou：机构信息未在 arXiv HTML 中可靠披露
• Longbiao Cheng：机构信息未在 arXiv HTML 中可靠披露
• Shih-Chii Liu：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

该工作面向资源受限端侧设备的流式语音处理，输入为逐帧语音特征或时域波形帧，输出为关键词类别、口语意图标签或增强后波形，难点是循环层每步稠密矩阵向量乘法带来的乘加运算与权重访存开销。方法先由反馈调制步骤将当前输入减去上一时刻反馈状态得到调制输入，该结果进入前馈稀疏单元更新前馈状态并形成层输出，随后反馈稀疏单元对层输出稀疏化并更新反馈状态，为下一时刻调制提供上下文记忆。每个单元内部对矩阵乘向量操作数施加 ReLU（修正线性单元）稀疏以跳过零元计算，同时用 tanh（双曲正切）约束候选状态使稠密循环状态保持有界。与增量阈值或固定比例剪枝等外挂稀疏化不同，该设计将稀疏性内建于门控更新并以状态反馈重塑输入分布，从而在不截断时序信息流的前提下降低占用率。在 Google Speech Commands 关键词任务上，DuSpaR（双状态稀疏循环单元）以 93.72% 准确率对应 3.21M/s 有效计算，相对门控循环单元（GRU，Gated Recurrent Unit）的 6.55M/s 减少 51.0%；在 Fluent Speech Commands 意图理解任务上以 93.12% 准确率对应 1.18M/s，相对 GRU 的 3.74M/s 减少 68.4%；在 Voice Bank + Demand 增强任务上以 PESQ-WB 2.92 对应 118.04M/s，相对 GRU 的 236.78M/s 减少 50.1%。结论目前仅在短到中等时长的关键词、意图理解与增强任务上验证，尚未证明可外推至长语音识别或语言建模。推理侧以有效乘加量衡量节省效果，原文未披露训练、推理或部署成本的 wall-clock 与能耗实测。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

25. 把扰动关进掩蔽阈里：STM 如何用硬约束换掉反复调参的质量损失

英文题目：Silence-the-Mimic: Accelerating Imperceptible Perturbation Generation Against Voice Cloning

标签：#音频隐私攻击与防御 | #对抗训练 | #语音克隆 | #语音 | #高效推理

评分：7.0/10 | 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 1/1.5 | 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

• Runqiu Xu：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

语音克隆防护输入为待发布的原始波形，输出为听感相近但克隆后无法通过说话人验证的保护波形，难点在于白盒对抗优化需以质量损失反复权衡可懂度与攻击成功率。该方法先经短时傅里叶变换得到对数幅度谱并保持相位不变，再用心理声学模型估计每时频掩蔽阈值以划分可听与不可听区域并导出容限上下界。接着以目标真实说话人嵌入为牵引优化频域扰动并辅以多步总变差约束时间平滑性，使保护音频编码逼近目标嵌入。最后每步将扰动谱硬钳位回容限区间并经逆变换重建波形，把感知约束从软损失变为硬边界，与依赖波形域对抗加质量损失及二阶段精修的已有方法不同，调参与迭代推理开销大幅下降。在VCTK语料针对FreeVC的评测设置下，STM的E-TDNN拒绝率指标为98.80%，高于VG的E-TDNN拒绝率指标84.40%。该适用边界限于白盒可微编码器条件。该结论主要限于白盒说话人编码器可微且重建条件满足的近场干净语音，对强自适应净化与未知商业系统的外推尚未充分验证。单条语音保护耗时在1.02秒至3.96秒量级，明显低于千步基线，部署成本较低。

🔗 开源资源

• 第三方资源：https://github.com/ludlows/PESQ — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/mpariente/pystoi — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

26. 无新人工评分时如何把多个公开 MOS 预测器合成为一个更稳的模型

英文题目：ProxyMOS: Label-Free Speech Quality Assessment by Multi-Teacher Distillation with Adaptive Routing

标签：#语音质量评估 | #知识蒸馏 | #模型集成 | #基准测试

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

• Maxim Trokunov：机构信息未在 arXiv HTML 中可靠披露
• Kirill Borodin：机构信息未在 arXiv HTML 中可靠披露
• Nikita Vasiliev：机构信息未在 arXiv HTML 中可靠披露
• Grach Mkrtchian：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

语音质量评估输入待测语音、输出与人耳一致的平均意见分（Mean Opinion Score, MOS），难点是标注昂贵且预测器跨失真类型与跨语言严重掉点。本文先在已有小规模标注集上排序教师并拟合聚合规则，再用该规则为大规模无标注语音生成伪目标，最后以均方误差训练单学生模型，学生推理时不再依赖教师。相对静态平均与固定加权，已有方法无法关闭域失配教师的权重，而按 utterance 自适应路由能动态信任不同教师，因此在弱成员加入时保持稳定。学生在增强英语集 URGENT 上以 Spearman 相关系数（Spearman correlation, ρ）达到 0.802，超过最优教师 WhiSQA 的 0.773；在俄语合成集 mos260 上达到 0.636，持平其路由教师集成，且 38 个条件下系统级排序与人耳 Pearson 相关达 0.948。该结论适用边界限于英语增强与俄语合成两个已测域，绝对分值校准偏向中间且低质尾部明显高估。训练硬件为 2 张 NVIDIA RTX 4070 Ti，原文未披露训练时长与推理延迟吞吐。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

27. 更新位置与奖励权重都在漂移时：用跨模态响应重新布线音视频扩散强化学习

英文题目：Adaptive Reward Routing: Dynamic Multi-Reward Optimization for Joint Audio-Video Diffusion via Forward-Process RL

标签：#音视频生成 | #强化学习 | #音视频 | #扩散模型

评分：6.8/10 | 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 0.1/0.5 | 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

• Songlin Yang：机构信息未在 arXiv HTML 中可靠披露
• Xiaotong Zhao：Tencent Video
• Jiacheng Zhang：The University of Hong Kong
• Zhe Wang：机构信息未在 arXiv HTML 中可靠披露
• Toyota Li：Tencent Video
• Eric Liu：Tencent Video
• Alan Zhao：Tencent Video
• Anyi Rao：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

联合音频视频生成以文本提示为输入并同步输出视频流与音频流，难点在于模态质量、语义对齐与时间同步目标互相冲突且负责的跨模态通路随训练漂移。所提自适应奖励路由先以双向交叉注意力门前响应估计各令牌与各层的影响力，再把该影响力转为令牌损失权重与跨模态键值梯度缩放，随后在各模态分支内估计奖励梯度冲突并以平滑残差修正预设偏好权重。相对固定权重聚合的 GDPO 与纯几何加权的 MARBLE，该设计既保留用户偏好下限又允许冲突自适应，且路由随当前模型重算而非冻结于初始检查点。在 JavisBench 的 10140 个提示上，LTX-2 主干的平均 DeSync 从 OmniNFT 的 0.390 降至 0.341，同时音频质量与一致性指标全面领先，LTX-2.3 上趋势一致。原文另称在统一单流 JavisDiT++ 上亦有验证，但正文主表与消融均围绕 LTX 系展开。其适用边界受限于模态令牌可识别且方向性交互响应可分离的双流结构，对模态表征不可分或交互响应不可达的模型尚未验证，属明确的失败条件与外推受限范围。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

28. 一步走完转换：把内容编码器也装进平均流蒸馏里

英文题目：MeanVoiceFlow2: Joint Optimization of Mean Flow and Content Encoder for Fast One-Step Zero-Shot Voice Conversion

标签：#语音转换 | #知识蒸馏 | #流匹配 | #0 样本 | #高效推理

评分：6.8/10 | 创新 1.2/2 | 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 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

• Takuhiro Kaneko：机构信息未在 arXiv HTML 中可靠披露
• Hirokazu Kameoka：机构信息未在 arXiv HTML 中可靠披露
• Kou Tanaka：机构信息未在 arXiv HTML 中可靠披露
• Yuto Kondo：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

零样本语音转换要求在无平行语料下保留源语言内容并替换为目标说话人音色，难点是一步生成的真实感、内容与音色解耦与推理效率的平衡。第一步做联合蒸馏与重建：学生平均速度网络模仿教师跨说话人转换位移，其输出进入同说话人真实重建分支以对齐真实数据分布，两路共同约束轻量学生内容编码器与速度网络。第二步做真实感增强：转换与重建样本经加噪扩散后与混合样本一起送入判别器做扩散生成对抗训练，判别器复用教师速度网络结构且真假信号均来自教师样本、混合样本与真实梅尔谱。第三步做解耦增强：教师生成变音色同内容语音替换学生编码器输入，再重复蒸馏与重建，使编码器在说话人变化下保持内容表示一致。与 FasterVoiceGrad 依赖预训练 HiFi-GAN 声码器做对抗不同，全部对抗真假信号来自教师样本、师生混合样本与真实梅尔谱，无需教师之外的外部预训练模块。在 VCTK 未见说话人与未见语句的 8100 对转换中，学生自然度主观分 \(3.93\) 高于教师 \(3.76\)，说话人相似度主观分 \(2.70\) 与教师 \(2.74\) 无显著差异，转换主干加编码器的实时率从 \(0.0072\) 降至 \(0.00084\)，约 9 倍加速。该结论仅在 22.05 kHz 英语朗读语音与 HiFi-GAN V1 后端下验证，噪声、口音、流式实时与多语言外推尚未验证。推理开销上推理时仅用学生内容编码器与学生速度网络，不再调用教师的重型瓶颈特征提取器，从而消除内容编码器瓶颈。

🔗 开源资源

• 演示资源：https://www.kecl.ntt.co.jp/people/kaneko.takuhiro/projects/meanvoiceflow2/ — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

29. 从单点试错到多点加权：多波束语音质量反馈如何纠正定位误差

英文题目：Multi-agent Auditory Scene Analysis: Improved Localization Speed and Robustness by Multi-beamformed Speech Quality Feedback

标签：#声源定位 | #波束成形 | #语音 | #麦克风阵列 | #鲁棒性

评分：6.7/10 | 创新 1.1/2 | 技术严谨 0.9/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.6/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Caleb Rascon：Instituto de Investigaciones en Matematicas Aplicadas y en Sistemas, Universidad Nacional Autonoma de Mexico, Circuito Escolar 3000, Coyoacan, 03740, Ciudad de Mexico, Mexico

📌 核心摘要

实时听觉场景分析需在噪声混响下联合完成定位、分离与分类，定位误差会沿链路向后放大，而单窗参考无关质量估计波动剧烈使单点梯度搜索易过冲且收敛缓慢。先由仿真回放智能体以三通道混合语音为输入实时回放并缓存最近\(t_w=3.0\) s音频窗，输出同一数据窗供后续并行打分使用。再由质量估计智能体以上一轮中心方向\(\theta_{mid}\)为输入，在半径\(\theta_{range}\)内等间隔生成\(\theta_{steps}\)个候选方向并分别做MVDR波束成形后调用Squim估计STOI，输出质量分数向量送入优化智能体。最后由优化智能体以该质量分数向量为权重做加权平均得到下一轮中心方向并迭代输出校正方向\(\theta_{corr}\)，与单点估计加Adam优化的隐式搜索相比，将梯度搜索显式化为空间扫描，使优化从两智能体交互中涌现并可通过范围与步数校准加速收敛。在Office A场景多配置平均评测下，STOI质量类型的指标RMS为2.0247°，低于PESQ的指标RMS 8.0633°。该结论适用边界受限于AIRA语料Office A与Department Store录音、0.18 m等边三角形三麦克风阵列与2至4声源范围，声源增多时精度逐源下降且4声源大误差下优化时间可超15.0 s，超出该范围尚未验证。原文未披露训练、推理或部署成本。

🔗 开源资源

• 代码相关资源：https://github.com/balkce/masa — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

30. 看起来更不变，其实只是变小了：语音防伪中辅助目标的坍缩诊断

英文题目：Collapse, Not Invariance: Diagnosing Auxiliary Objectives in Speech Anti-Spoofing

标签：#语音伪造检测 | #评测协议 | #语音 | #鲁棒性

评分：6.7/10 | 创新 1.3/2 | 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 1/1.5 | 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

• Ksenia Lysikova：机构信息未在 arXiv HTML 中可靠披露
• Kirill Borodin：机构信息未在 arXiv HTML 中可靠披露
• Maxim Maslov：机构信息未在 arXiv HTML 中可靠披露
• Grach Mkrtchian：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

语音伪造检测输入为待判语音波形，输出为真伪分数，难点是生成器、编解码器与信道变化导致域外泛化急剧退化。本文以AASIST3为主干，先以交叉熵训练基线分类器，再并行施加一致性、对比与对抗等辅助约束以塑造嵌入空间，最后用位移与 spread比值等尺度不变诊断检验空间是否真正不变。与已有工作直接报告原始位移不同，本文机制差异在于把位移除以 utterance间距并辅以轮廓系数等尺度无关量，从而区分不变性与整体收缩。在5个语料平均的评测下，余弦一致性的平均EER错误率为0.379±0.023，高于交叉熵基线的平均EER错误率0.349±0.002。该结果表明余弦一致性表观位移下降实为空间同步缩小，归一化后并无一致增益，且所有训练空间仍被单一决策轴主导。结论仅适用于 ASVspoof 5 训练、4 epoch 与 0.01至0.02 小权重辅助目标的设定，未验证长训练、大权重与 OC-Softmax、SAMO 等标签感知单类目标的外推情形。该诊断的适用边界还受限于仅检验训练增强下的域内嵌入，跨增强与跨语料的失效模式尚未验证。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

31. 双耳到全景声：用头部转动解开前后混淆的方向性重建

英文题目：Bin2Ambi: Learning Ambisonic Soundfield Reconstruction from Head-Tracked Binaural Audio

标签：#声场重建 | #RNN | #空间音频信号 | #CNN | #主观评测

评分：6.6/10 | 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 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

• Gavin Milner：机构信息未在 arXiv HTML 中可靠披露
• Nils Peters：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

本文定义双耳到Ambisonics转换（Binaural to Ambisonics，Bin2Ambi）：输入为双通道头戴双耳信号与同步头动四元数，输出为世界坐标系下稳定的四通道一阶Ambisonics（First-Order Ambisonics，FOA）声场。难点在于双通道存在前后混淆与混淆锥歧义，且目标是场景式表示而非固定通道。方法为混合数字信号处理与深度学习两阶段管线：先从左右耳短时傅里叶变换提取平均幅度谱、耳间级差、耳间相位差正余弦与耳间相干并做64带Mel压缩，同步对齐100 Hz头动四元数；再用卷积循环网络加U-Net式解码器回归每Mel点的方向性声强向量与扩散度，损失为活动加权平均绝对误差；最后经方向性音频编码（Directional Audio Coding，DirAC）合成器由双耳平均声压重建直接声平面波与去相关扩散声。与Ambisonics到双耳渲染方向相反，该工作把头动同时用作解歧义动态线索与声场旋转补偿。在Dataset A测试集消融条件下，AW-MAE模型的WMAE为11.82∘，低于无头动静态模型的WMAE 12.35∘。该结论适用边界受限于5阶合成声场经KU-100双耳化与10条音乐主观测试，多声源加噪声下定位指标急剧下降构成失败条件。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

32. 跨会记住谁说了什么：用全局身份图把说话人错误变成可复述的代价

英文题目：Who Said What, and Will It Be Remembered? Evaluating Persistent Speaker Attribution Across Meetings

标签：#多说话人语音识别 | #评测协议 | #会议转录 | #模型评估

评分：6.4/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 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：数据集与基准 | arXiv 原文

👥 作者与机构

• Shantanu Vispute：Foyer
• Aditya Mishra：Foyer
• Siddhartha Saxena：Foyer

📌 核心摘要

本文处理会议语音转写作为长期记忆时的持久归属问题，输入为单通道远场会议音频，输出为跨会身份稳定的词级转写，难点是重叠语音污染声纹证据与同一人在多会间分裂或串户。重叠修复先以日志标注单人段与双人重叠区并仅对双人区做分离，避免全量分离引入伪影，分离流经嵌入匹配与门控筛选剔除污染通道。筛选后的合格证据按说话人拼接为单流并插入静音后送识别与强制对齐，恢复词级时间戳再映射回会议时间线。拼接证据再经相似度匹配复用跨会身份并按门限更新声纹库，原始重叠与被拒通道永不入库以抑制身份漂移。与逐词单说话人级联的关键差异是转写用音频与建库用证据分离选择，且重叠可见可修。在129个会议全面板评测条件下，ThyVoice的SI-cpWER为47.13，低于次优系统的SI-cpWER 54.75。适用边界限于英语单通道与固定顺序串行建库，未验证多日复现与语序鲁棒性。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

33. 冻结立体声潜空间再摆方向：PLACE 以条件低秩变换生成双耳音频

英文题目：PLACE: Positional Latent Adaptation via Conditioned Embeddings for Binaural Audio Generation

标签：#空间音频渲染 | #Adapter | #视频到声音生成 | #空间音频信号 | #扩散模型

评分：6.4/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 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

• Tiernon Riesenmy：机构信息未在 arXiv HTML 中可靠披露
• You Zhang：机构信息未在 arXiv HTML 中可靠披露
• Gautam Bhattacharya：机构信息未在 arXiv HTML 中可靠披露
• Andrea Fanelli：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

双耳音频生成需从文本、视场视频与可选音频的任意组合中同时恢复语义内容与耳间强度差和时间差，难点在于缺乏大规模配对三元组且立体声自编码器潜空间的空间线索微弱。PLACE沿用任意到音频模型AudioX与冻结的稳定音频开放自编码器，先以感知编码器核心特征增强视频流并经文本视频交叉注意力与联合自注意力得到帧级空间条件表示，再由该表示逐潜变量时间位置预测低秩变换因子与通道门控。推理时变换一次性作用于最终去噪潜变量并经冻结解码器输出44.1 kHz双耳波形，训练时则作用于随机时刻单步干净潜变量估计。训练分两阶段先微调扩散骨干再联合优化潜变量速度匹配损失与解码音频上的耳间强度差损失和耳间时间差损失。与先验工作相比，该方法不依赖外部大语言模型查询轨迹或一阶Ambisonics中间渲染，而是直接在潜空间注入条件化空间偏移。在FAIR-Play视频到音频评测设置下，PLACE的FSAD指标为15.2879，低于ViSAGe的FSAD指标15.9016。该结论仅适用于 10 秒短片段、音乐室与静态声源场景，对大幅运动声源与全生理时延范围外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

34. 先判调制去哪了，再还原调制形状与波表：面向可解释逆向合成的去向感知恢复

英文题目：Interpretable Destination-Aware synthesizer Modulation Recovery

标签：#音频分类 | #信号处理 | #可解释性 | #音乐

评分：6.4/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 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 1/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• David Liu：机构信息未在 arXiv HTML 中可靠披露
• Giulio Cengarle：机构信息未在 arXiv HTML 中可靠披露
• David Cooper：机构信息未在 arXiv HTML 中可靠披露
• Mark Vinton：机构信息未在 arXiv HTML 中可靠披露
• Haici Yang：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

输入为含低频振荡器（Low-Frequency Oscillator，LFO）调制的单振荡器音频，输出为活跃调制目的地集合、各目的地 LFO 曲线与基波振荡器波表，难点在于多目的地耦合与多对一映射导致参数不可辨识。方法链分三步：目的地分类器先输出多标签活跃集合，训练时以真值目的地与基频（fundamental frequency，f0）为条件，推理时以预测目的地与 CREPE 估计 f0 为条件；目的地条件化回归器以隔离目标调制并抑制串扰；回归的 LFO 与波形再经可微减法合成器重合成并以感知损失微调。相比固定目的地与单模型每目的地基线，共享条件化模型把识别与拟合解耦，减少了跨目的地幻觉调制。合成 2目的地（2Dest）测试上均方误差（Mean Squared Error，MSE）加 Gammatone 滤波器组损失取得多尺度频谱（Multi-Scale Spectral，MSS）0.469 与梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients，MFCC）L1 0.532，优于 MSE 加 MSS 损失的 0.892 与 0.822，12 人 MUSHRA（MUltiple Stimuli with Hidden Reference and Anchor）亦显示感知优势，其中 Gammatone 在 Serum 2 子集最佳而 MSE-only 在合成子集整体略占优。结论限于单振荡器加噪声加双二阶滤波器架构，未验证多振荡器、波表扫描与混响失真等现代音色，外推至完整 Serum 2 预设仍有明显差距，Serum 2 5目的地（5Dest）上主方法 MSS 2.443 仅略优于 MSE-only 的 2.445。原文未披露训练、推理或部署成本。

🔗 开源资源

• 演示资源：https://dolby.box.com/v/dest-aware-MUSHRA → https://dolby.ent.box.com/v/dest-aware-MUSHRA — 链接可访问（HTTP 200）

• 第三方资源：https://xferrecords.com/products/serum-2 — 链接可访问（HTTP 200）

• 第三方资源：https://vital.audio/ — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/DiffAPF/torchlpc — 链接可访问（HTTP 200）

• 第三方资源：https://github.com/microsoft/fadtk — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

35. 一个底座加三类专训：Index-Translate 如何分开处理翻译质量、指令约束与长文档

英文题目：Index-Translate: A Multilingual Translation Model Family – Text, Speech, Controlled Dubbing, and Long-Document Translation

标签：#语音翻译 | #指令微调 | #多语言 | #基准测试 | #语音配音

评分：6.3/10 | 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 0.5/1.5 | 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：模型报告 | arXiv 原文

👥 作者与机构

• Tianjiao Li：机构信息未在 arXiv HTML 中可靠披露
• Mengran Yu：机构信息未在 arXiv HTML 中可靠披露
• Chenyu Shi：机构信息未在 arXiv HTML 中可靠披露
• Lusheng Zhang：Index LLM Team
• Qisi Chen：机构信息未在 arXiv HTML 中可靠披露
• Yanshan Zhou：机构信息未在 arXiv HTML 中可靠披露
• Ji Qi：机构信息未在 arXiv HTML 中可靠披露
• Jingying Liu：机构信息未在 arXiv HTML 中可靠披露
• Yuang Feng：机构信息未在 arXiv HTML 中可靠披露
• Ziang Cui：机构信息未在 arXiv HTML 中可靠披露
• Tianxing Yan：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

该工作处理150语言文本与语音翻译，输入覆盖短句、带结构术语风格约束的指令、语音音频与整本书籍，输出要求语义忠实、目标语言正确、音节数可控与跨章人名术语一致。其实际难点在于低资源语言易偏离目标语言，文化梗与社区表达难译准，多约束叠加时易顾此失彼，长文档还需维持全局一致。方法链条为共享多语言中段训练建立对齐基座，再为通用、指令、梗分别做监督微调与分组相对策略优化精修，接着经参数插值合并专家并以多教师在策略蒸馏补强弱项，最后为语音、音节控制与长文档接专用编码器、奖励或长上下文训练。与直接扩大单模型相比，该组合以共享基座分摊多语言对齐成本，再用合并加定点蒸馏保留互补的翻译与指令遵循技能。在FLORES-200上Index-Translate-9B的COMET-22为0.8789，与同表Hy-MT2-30B-A3B的0.8787持平，低资源指令场景错语言率最低。该结论在公开短句翻译上较可信，向自建裁判、长文档单次生成与端到端语音外推时证据变弱。原文未披露训练推理成本与硬件。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

36. 写法藏不住口音：SHAMS 用四层对齐测黎凡特阿拉伯语发音

英文题目：SHAMS: An Audio-Grounded Pronunciation Benchmark for Levantine Arabic

标签：#语音识别 | #基准设计 | #基准测试 | #口音与方言

评分：6.2/10 | 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 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：数据集与基准 | arXiv 原文

👥 作者与机构

• Ben Sapirstein：机构信息未在 arXiv HTML 中可靠披露
• Roy Mattar：机构信息未在 arXiv HTML 中可靠披露
• Guy Mor-Lan：机构信息未在 arXiv HTML 中可靠披露
• Ahlam Mohamed：机构信息未在 arXiv HTML 中可靠披露
• Letizia Cerqueglini：机构信息未在 arXiv HTML 中可靠披露
• Morris Alper：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

黎凡特阿拉伯语（Levantine Arabic，LA）内部变体分化显著且正字法为辅音音素文字（abjad），不记短元音、 gemination（辅音 lengthening）与咽化等特征，即使加注音符（diacritization）仍无法恢复如 qaf 的 [q]、[ʔ]、[k]、[g] 分化。SHAMS（SHami Annotated Multi-dialect Speech）构建 1300 条音频接地语料，总计 15506 词、128.2 分钟，按词数均衡覆盖城市巴勒斯坦、乡村巴勒斯坦、约旦、黎巴嫩和叙利亚 5 变体，每条包含音频、无音符正字法、带音符文本和语音学转写四层对齐。来源为 Casablanca 电视对白与 LangMedia 纪实访谈，保留前者切分标识并按同标准重切后者，剔除少于 3 词与强噪声片段并排除训练划分指定数据，文本经 Unicode 规范化但不做正字法归一化。标注先由 3 名巴勒斯坦母语者加注音符并由闪语专家加注语音学转写完成 520 条，后 780 条用 Levanti 生成银标签再人工全量听音校对，150 条分层子集第二人独立加注一致率为 93.2%、Cohen kappa 为 0.898。基准在同一 utterance 上联合评测加注、字音转换（grapheme-to-phoneme conversion，G2P）、语音识别（automatic speech recognition，ASR）与音频到音素（audio-to-phoneme，A2P）四任务，定义严格层与中性层双口径。在全部 1300 条上 Levantine 专用 Levanti 加注以 7.8% 音符错误率（Diacritic Error Rate，DER）最优，Gemini 3.5 Flash 以 11.6% 为独立最优；G2P 上 3 个前沿大语言模型（Large Language Model，LLM）以 11.9% 到 12.2% 字错误率（Character Error Rate，CER）显著优于专用系统；ASR 上 Gemini 3.5 Flash 以 9.6% CER 全局最优；直接 A2P 以 20.5% 落后于 ASR 再转换级联的 18.9% 与金标级联的 13.0%。结论仅适用于 5 个城市为主变体，不含贝都因与离散口音，来源与性别存在混杂，原文未披露训练与推理成本。

🔗 开源资源

• 代码相关资源：https://github.com/bensapirstein/shams — 链接不可用（HTTP 404）

• 复现相关资源：https://github.com/bensapirstein/shams — 链接不可用（HTTP 404）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

37. 只给歌词就能认出歌手：歌词到歌曲模型里的歌手身份线性表征

英文题目：Ghost in the Encoder: Decodable Artist Identity Representations in Lyrics-to-Song Generation

标签：#歌唱生成 | #统计分析 | #可解释性 | #音乐

评分：6.1/10 | 创新 1.5/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 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

• Arhan Vohra：机构信息未在 arXiv HTML 中可靠披露
• Choenden Kyirong：机构信息未在 arXiv HTML 中可靠披露
• Laura Ibáñez-Martínez：机构信息未在 arXiv HTML 中可靠披露
• Martín Rocamora：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

歌词到歌曲生成以纯歌词为输入合成完整歌曲，泛化、记忆与模仿都依赖同一批流行作品暴露，且同音改写即可绕过过滤，黑盒行为层面难以定位成因。本文以ACE-Step 1.5为审计对象，先用大规模流行歌词触发无附加标识的推理并钩取编码器与扩散主干多点激活，再对池化向量训练线性歌手分类探针度量可解码性，最后用音乐嵌入与版本匹配在生成音频端检验信号是否落地。与仅做黑盒相似度比较的已有模仿研究不同，本文把审计推进到编码器到扩散主干的表征层面，揭示歌词本身即未被提示词侧保障覆盖的歌手级条件通道。在2000首流行歌曲与100位歌手的类别平衡评测设置下，歌词编码器输出的准确率为0.344，高于词袋基线的准确率0.085。该结论的适用边界受限于单模型与英文流行曲库的观测性探针证据，未证明可操控生成或跨模型成立。原文未披露训练、推理或部署成本。

🔗 开源资源

• 演示资源：https://ismir-2026-gine.github.io/ghost-in-the-encoder/ — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

38. 把归因判成“像哪个已见例子”：原型网络在合成语音溯源里的可核对做法

英文题目：Synthetic Speech Attribution via Prototypical Networks

标签：#音频分类 | #对比学习 | #可解释性 | #语音 | #跨语言

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

• Viola Negroni：机构信息未在 arXiv HTML 中可靠披露
• Paolo Bestagini：机构信息未在 arXiv HTML 中可靠披露
• Stefano Tubaro：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

合成语音归属输入为待测语音波形，输出为生成系统的类别标签，难点在于不同合成系统声学差异细微且易与说话人、语言和信道因素纠缠。所提框架先由残差骨干将80维梅尔谱图编码为空间特征图，再由原型层计算各空间位置与可学习原型的平方欧氏距离并经对数变换转为相似图，最后经全局最大池化得到原型激活向量送入稀疏线性层输出类别。训练以交叉熵保证分类，聚类损失拉近同类原型激活而分离损失压制异类激活并辅以稀疏正则，每5轮推送操作把原型替换为真实训练样本特征以实现案例推理。与事后解释黑盒方法的差异在于比较与决策是同一结构过程，可直接报告输入何处像哪个训练样本，因而解释是结构属性而非外部近似。在架构族闭集任务下，ProtoRN18 L4P6的平衡准确率为99.65%，高于ResNet18的平衡准确率99.06%。该结论适用边界受限于英语训练的44类架构族闭集与11类开集，对低说话人多样性类别和俄语等语言仍大幅退化。原文未披露训练、推理或部署成本

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

39. 不共享原音频时两类伪造语音如何联合训练：按层靠近共识的联邦聚合

英文题目：A Federated Deepfake Speech Detection Method Based on Layer-Wise Center-Guided Weighting Aggregation

标签：#音频深度伪造检测 | #联邦学习 | #语音 | #隐私保护

评分：6.0/10 | 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 0.8/1.5

排名：前50% | 文档类型：方法研究 | arXiv 原文

👥 作者与机构

• Yingjian Yu：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China
• Haiyan Guo：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China
• Tianshun Wang：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China
• Zirui Ge：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China
• Chi Liu：School of Communications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China

📌 核心摘要

伪造语音检测输入为原始语音波形，输出为真实或伪造二分类，难点在于基于声码器的19LA与基于神经音频编解码的Codecfake分布差异大，且原始语音含敏感个人信息无法集中共享。客户端先在本地以联邦近端优化约束训练声学模型并只上传参数，其输出的参数进入服务器的逐层聚合阶段。服务器对每一层求客户端参数算术均值作为临时参考中心，再按各层参数到中心欧氏距离的倒数归一化计算权重，该权重直接决定全局模型各层的加权聚合结果。聚合后的全局模型下发作为下一轮本地初始化，重复20轮通信后按聚合验证损失选最优模型下发。与整模型统一加权相比，逐层定心能区分浅层通用声学模式与深层数据集特异表征的不同偏移程度，压制偏离共识的异构更新。在19LA与Codecfake联合评测设置下，FedDSD的平均EER为0.266%，低于Codecfake单语料训练的平均EER 0.631%。在W2V2-AASIST上联邦训练在19LA评估集取得0.571%等错误率（Equal Error Rate，EER），在Codecfake C1-C7取得0.224%平均EER，总平均0.266%，显著优于单语料训练并接近集中式协同训练的0.185%，在21DF上取得2.27%显示跨域泛化。该结论仅在2客户端、2种骨干及所列跨域集上验证，对大规模客户端、通信成本与恶意更新的外推尚未验证。原文未披露训练推理部署成本与代码权重链接。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

40. 想保住要听的人声又想压住噪声：用频率加权在失真和降噪之间换位置

英文题目：Frequency-Weighted Soft-Constrained Spatially Selective Active Noise Control for Open-Fitting Hearables

标签：#主动降噪 | #信号处理 | #语音 | #助听器 | #麦克风阵列

评分：5.9/10 | 创新 1/2 | 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

• Tong Xiao：机构信息未在 arXiv HTML 中可靠披露
• Reinhild Roden：机构信息未在 arXiv HTML 中可靠披露
• Matthias Blau：机构信息未在 arXiv HTML 中可靠披露
• Simon Doclo：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

开放式助听设备（open-fitting hearables）的空间选择性主动噪声控制需在鼓膜处同时衰减干扰声并保留目标语音，而声泄漏与次级通路使两者相互耦合。该文方法链分为三步：先用外麦克风与泄漏估计构建混合控制输入并建立期望语音保留的相对脉冲响应约束，再对保留误差施加频域加权滤波器以区分不同频带重要性，最后在时域直接求解带正则的二次优化闭式控制器以保持逐样本低延迟。与全频带共用单一折中系数的软约束基线相比，关键差异在于惩罚矩阵由单位阵推广为加权相关矩阵，使高语音能量频带获得更强保留而低能量频带释放更多降噪自由度。在右耳四麦克风实测混响多说话人评测场景下，LTASS加权的ΔESTOI指标为0.38，低于oracle加权的ΔESTOI指标0.39。在负5分贝泄漏信噪比下其趋势在负10至5分贝范围内保持一致，但结论仅适用于已知相对脉冲响应与次级通路的离线最优情形。该结论的适用边界受限于已知相对脉冲响应与次级通路的离线最优假设，尚未验证在线估计误差下的外推性能。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

41. 同为 200 样本同为 4 维输入：量子核在转入对抗库时保住排序，反向则跌破随机

英文题目：On Evaluating Quantum Kernel Robustness for Low-Resource Cross-Corpus Audio Deepfake Detection

标签：#音频深度伪造检测 | #评测协议 | #低资源 | #鲁棒性

评分：5.8/10 | 创新 1/2 | 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 0.8/1.5 | 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：应用研究 | arXiv 原文

👥 作者与机构

• Lisan Al Amin：机构信息未在 arXiv HTML 中可靠披露
• Lei Zhang：机构信息未在 arXiv HTML 中可靠披露
• Vandana P. Janeja：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

音频深度伪造检测以原始波形为输入，以真伪二分类为输出，难点在于标注稀缺且测试语料的合成方法与信道与训练分布严重偏离。先以原始波形为输入，用冻结wav2vec 2.0编码器提取末层隐状态并经时域池化，职责是提供通用声学表征，输出高维嵌入。再以该高维嵌入为输入，仅在源域拟合主成分分析并冻结后复用于目标域，职责是将特征压缩至四维并归一化以适配量子比特预算，输出同一压缩特征。最后以该压缩特征为输入，并行送入三类后端，其中量子核经ZZ特征映射计算保真度核再交由支持向量分类器决策，经典核与多层感知机在相同输入上训练，职责是隔离决策函数归纳偏置，输出真伪判决以对比跨语料鲁棒性。在ASVspoof 2019训练并在ADD 2023评测的跨语料场景下，量子核支持向量机的AUC为76.04%，高于多层感知机的AUC 50.00%。该结论边界清晰，反向以ADD 2023为源域时量子核在两组迁移中跌破随机水平，近域迁移亦无优势。该适用边界受限于200样本预算与四维压缩及精确模拟条件，尚未验证更大预算与真实噪声下的外推。核计算基于经典状态向量模拟器精确求解，未引入采样噪声与硬件运行时间，原文明确不声称量子优势。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

42. 只用生成阶段估计思维速度：ASR 加 VAD 校准停顿来逼近言语流畅指数

英文题目：Automatic estimation of verbal fluency index in people with Motor Neuron Disease using ASR alignment and pause modelling

标签：#病理语音评估 | #信号处理 | #语音 | #语音生物标志物

评分：5.7/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.6/1.5 | 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

• Bahman Mirheidari：机构信息未在 arXiv HTML 中可靠披露
• Leslie Ing：机构信息未在 arXiv HTML 中可靠披露
• Daniel Blackburn：机构信息未在 arXiv HTML 中可靠披露
• Sharon Abrahams：机构信息未在 arXiv HTML 中可靠披露
• Christopher McDermott：机构信息未在 arXiv HTML 中可靠披露
• Heidi Christensen：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

运动神经元病认知筛查需区分思维迟缓与构音迟缓，输入为1分钟字母流畅性生成期录音，输出为经发音速度校正的言语流畅性指数，难点在于孤立词场景下自动语音识别时间戳粗糙、暂停丢失且病理语音错误率高，传统词计数会混淆运动与认知损伤。该工作构建四阶段非端到端流水线：WhisperX转写给出词级时间戳，语音活动检测经重叠匹配校正词与暂停边界，临床特征抽取器剔除专有名词、重复与填充词并统计正确词与间隙分布，最后经典回归模型映射到VFI。与传统声学特征和自监督嵌入回归相比，差异在于用可解释的暂停与词时长结构替代整体表征，从而保留人工计分逻辑并免除受控朗读阶段。流水线采用Silero语音活动检测以最长片段策略解决单个识别词对应多个语音片段的对齐冲突，使正确词及其前后间隙统计可直接进入回归。在CognoMND采集的42例MND队列五折交叉验证条件下，P词任务LASSO自动临床特征的指标R²为0.856，高于HuBERT第8层基线的指标R² 0.526。该结论受限于英文字母P与S单中心小样本，构音障碍组S词词错误率与估计误差显著升高，跨语言与重度构音障碍场景尚未验证。原文未披露训练、推理或部署成本。

🔗 开源资源

• 第三方资源：https://www.cognospeak.co.uk — 链接可访问（HTTP 200）

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

43. 转录词盖住声音时：用可编辑概念查语音情感判定的依赖

英文题目：From Speech to Editable Concepts: Probing Emotion Recognition with Concept Bottleneck Models

标签：#语音情感识别 | #SFT | #可解释性 | #语音 | #大语言模型

评分：5.7/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 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

• Hezhao Zhang：机构信息未在 arXiv HTML 中可靠披露
• Thomas Hain：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

语音情感识别需从话语语音判定离散情感标签，难点在于词汇语义与音高强度语速等韵律线索相互纠缠且大音频语言模型直接消费音频导致决策依据不可追溯。语音概念瓶颈先由独立工具分别抽取转录文本与音高强度语速离散等级及说话人年龄性别等可读概念，其输出文本直接作为下一步输入。随后将所选概念组填入统一提示模板并交由文本大语言模型仅依据概念文本预测标签，干预时固定已微调预测器并删除单个声学概念以观察输出变化。相比保留音频输入或生成事后推理文本，该设计使输入完全文本化且可编辑可控，因而能区分聚合指标变化与个体预测迁移并定位决定性概念等级。在CREMA-D语料零样本设置下，声学加转录组合的Macro-F1为5.87%，低于仅声学概念的Macro-F1 27.88%。微调后转录与声学结合回升至45.10%左右，且删除语速使48%的中性预测转向厌恶而聚合指标仅小幅波动，说明总体分数掩盖了个体层面迁移。该结论适用边界受限于脚本化与对话语料分布差异与离散分箱及抽取噪声，向自然对话与跨语种场景的外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

44. 把成人音系探针搬到儿童语音：对齐监督决定发音方式，部位对比保持可读

英文题目：Child-Adapted Structured Phonological Representations for Interpretable Speech Sound Analysis

标签：#语音属性识别 | #领域适应 | #语音 | #语音学与音系 | #可解释性

评分：5.7/10 | 创新 1.2/2 | 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 0.6/1.5 | 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

• Abner Hernandez：机构信息未在 arXiv HTML 中可靠披露
• Tomás Arias Vergara：机构信息未在 arXiv HTML 中可靠披露
• Andreas Maier：机构信息未在 arXiv HTML 中可靠披露
• Paula Andrea Pérez-Toro：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

儿童语音声道发育与音系变异使成人结构化音系表征直接迁移失准，本文输入儿童连续语音波形，输出帧级发音方式、发音部位、清浊及元音特征的可解释后验。方法链第一步用成人、成人加儿童、纯儿童三套蒙特利尔强制对齐器为同一说话人不重叠CHILDES-Aligned子集生成帧级标签，第二步以成人PhonoQ-2.0初始化或仅随机初始化专用层并冻结底层20层XLSR进行儿童适配训练。第三步在人工标注地标附近平均后验并计算宏观F1与部位对比分数，其输出回看对齐监督质量并支撑纵向软腭前置与龈后前置分析。相对成人模型的关键机制差异是以儿童对齐监督解耦声学域适配与音系监督来源，使发音方式获益而部位对比保持可解释，实际意义在于保留临床可读的部位证据。在58名典型发育儿童1352个辅音目标的人工标注评测设置下，儿童适配模型的清浊宏观F1为0.972–0.987，高于成人PhonoQ基线的清浊宏观F1 0.922。结论边界是发音部位整体 0.871-0.902 但唇音偏弱，卷舌与近音仍困难，纵向分析仅覆盖软腭前置与龈后前置极小队列，后验应视为声学音系度量而非疗效估计。其适用边界受限于唇音与卷舌近音识别偏弱且纵向队列极小尚未验证向更多音系过程外推。原文未披露训练推理成本与开源链接。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

45. 不动原模型做唤醒词：用正交子空间从预训练 ASR 里取出紧凑编码器

英文题目：Toward Elastic Speech Inference: Training-Free Wake-Word Detection from Pretrained ASR

标签：#语音唤醒 | #模型剪枝 | #语音 | #高效推理

评分：5.6/10 | 创新 1.1/2 | 技术严谨 1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 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

• Hwayeon Kim：机构信息未在 arXiv HTML 中可靠披露
• Youngwon Choi：机构信息未在 arXiv HTML 中可靠披露
• Hyeonyu Kim：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

输入为约 1 秒短语音片段或连续音频流，输出为目标唤醒词是否出现的二值判定，难点在于无梯度训练时预训练语音识别表示的紧凑性与唤醒判别鲁棒性难以兼得。方法链由三步构成：首先用冻结的预训练语音识别编码器提取帧级表示并经时间均值池化得到话语级向量，其次基于每关键词 40 条注册话语均值构造模板并以余弦相似度打分，最后用校准语音估计的非中心主成分正交基对编码器做子空间重参数化与低能量方向截断。相比需微调或专用头的适配范式，该机制差异在于全程不更新梯度且 0% 剪枝时变换等价，压缩代价仅为残差处引入的基对齐矩阵乘法。在 Google Speech Commands v2 共 35 个关键词宏平均下，Parakeet-TDT-0.6B-v3 在 50% 通道剪枝后等错误率为 6.87%，Moonshine-base 为 10.80%，Moonshine-base 在 Hey-Snips 流式评测上编码器参数量由 20.15M 降至 12.66M，实时因子由 0.2134 降至 0.1718。结论仅适用于英语短词与类内注册的封闭词表，未验证噪声、远场、口音与开放词表泛化边界。原文未披露训练成本与推理内存峰值。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

46. 一次说完与分次说完：语音数学推理为何需要两种单轮对照

英文题目：SCB: SpeechConversationBench for Evaluating Multi-Turn Reasoning in Speech-to-Speech Models

标签：#音频推理 | #基准设计 | #基准测试 | #语音

评分：5.5/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.7/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.7/1.5

排名：前50% | 文档类型：数据集与基准 | arXiv 原文

👥 作者与机构

• Kanpat Vesessook：SCBX R&D
• Saksorn Ruangtanusak：SCB DataX, SCBX Group

📌 核心摘要

口语数学推理的输入是分轮到达的语音，输出是可验证的最终数值答案，难点在于跨轮整合数量与约束并抵抗识别与记忆误差。该基准首先将同一题目改写为完整呈现（Full）、合并分片呈现（Concat）与多轮增量呈现（Sharded）三种语音输入，然后用四套商用语音到语音系统与自研管线 LEGO 分别完成交互并采集口头答案，最后以数值正确性统计每种呈现下的准确率与多轮保持度。在机制上它用合并呈现控制改写效应，再用增量呈现暴露交互损失，从而把表述差异与分布交互分开。与已有宽域语音评测相比，其差异在于只盯住信息呈现方式这一单变量，意义是防止单轮高分掩盖多轮短板。在SpeechConversationBench基准下，LEGO的Sharded准确率为77.5%，高于GPT-4o Realtime的Sharded准确率76.6%。结论仅适用于 grade-school 级英文口语数学题的聚合正确性，不支持遗忘机制归因与开放对话外推。该适用边界受限于小规模题池与聚合统计，尚未验证噪声鲁棒与记忆机制外推。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

47. 复杂度不是失真：MAV-C 把声音熵与画面结构放在同一时间轴上估计

英文题目：MAV-C: A Framework for the Joint Objective Estimation of Audio-Visual Complexity in Immersive Virtual Environments

标签：#音视频理解 | #信号处理 | #音视频 | #游戏音频

评分：5.5/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.6/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 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

• Luca Resti：Department of Computer Science, University of York, UK；AudioLab, School of Physics, Engineering and Technology, University of York, UK
• Amelia Gully：Department of Language and Linguistic Science, University of York, UK
• Michael McLoughlin：AudioLab, School of Physics, Engineering and Technology, University of York, UK
• Gavin Kearney：AudioLab, School of Physics, Engineering and Technology, University of York, UK
• Alena Denisova：Department of Computer Science, University of York, UK

📌 核心摘要

本文处理沉浸式无参考音视频复杂度估计，输入为同步音视频流与可选声源轨迹元数据，输出为逐时刻联合分数C_AV(t)及音频视觉子分数，难点在于缺乏联合感知标注且需跨刺激跨分辨率可比。方法为三阶段前馈流水线：双支并行提取音频时频空熵特征与视觉结构色度运动特征并对齐至共享时基，其输出进入对数理论缩放以物理上界压缩到统一区间，再经加权闵可夫斯基池化与因果指数滑动平均融合为时序平滑联合分数。与失真型质量指标不同，该框架以信息量与空间分布为复杂度代理，并用物理理论上界而非数据集统计做归一，因而量表跨内容可比且支持参数化校准。在SYN合成语料条件下，完全扩散64声源场的音频子分数为0.786，高于单一定位声源的音频子分数0.624。在游戏语料上视觉子分数随内容类别显著分离而音频子分数无分离且二者近乎无关，表明单模态测度必然遗漏另一模态贡献。结论的适用边界仅限信号级自洽验证，未经主观感知校准，外推到非暴力内容与真实体验尚未验证并受限于暴力游戏语料。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

48. 先把生成史钉牢，再谈行为归因：合成语音研究对象的来源审计

英文题目：Generation Provenance Before Behavior Attribution: Auditing Synthetic Speech Research Objects

标签：#文本到语音 | #数据集构建 | #数据集 | #评测协议 | #语音

评分：5.5/10 | 创新 1.4/2 | 技术严谨 1/1.5 | 实验充分 0.7/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 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

• Sidi Chang：机构信息未在 arXiv HTML 中可靠披露
• Peiying Zhu：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

本文处理合成语音训练数据行为归因难题，输入为日语护理交接场景合成语音研究对象，输出为可审计生成溯源路径与归因可行性判定，难点在于相同波形标签对可对应完全不同上游历史，若只存最终文件则多段历史字节等价不可区分。方法先定义对齐研究对象，将来源语义、口语实现、波形、结构化目标、事实需求、质量信号、评审谱系与版本身份绑定为显式元组，为后续审计提供统一单元。接着以五不变式约束生成图，区分忠实生成与事后植入的受控省略和虚构，其输出的候选因果图与审计单元进入五遍溯源审计，依次验证键解析、多表联接、信号定型、清单计数与种子泄漏、元数据与许可盘点。与仅存最终文件并以单列质量概括的方法不同，该机制以类型化边区分生成自、选入、训练于、检测到与评审为关系并保留多对多关联，使生产者与选择机制决定证据含义而非存储位置。在日语护理交接语料场景下，后清单的片段数量指标为313个片段，高于前清单的片段数量指标221个片段。结论适用边界是溯源仅为归因必要条件，在浮动生成器别名、缺失单片段合成后端与代码戳记、无版本检查提示时仍无法做上游因果断言，尚未验证临床有效性与无限制公开发布。原文未披露训练、推理或部署成本。

🔗 开源资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。