Posts

让同一组录音按用户视角重新分组：AudioLens 如何把语音聚类变成集合推理 英文题目：AudioLens: Multi-Perspective Speech Clustering with Reasoning Audio-Language Models arXiv：2608.25177 标签： #speech clustering #audio-language models #reasoning distillation #preference optimization 评分： 7.45/10 八维分项： 创新 1.7/2 ｜ 技术严谨 1.25/1.5 ｜ 实验充分 1.35/1.5 ｜ 清晰度 0.9/1 ｜ 影响力 1.2/1.5 ｜ 开源 0/1.5 ｜ 可复现 0.3/0.5 ｜ 工程/实践 0.75/1.5 作者与机构： Wenjun Huang, Qiaosong Chu, Tiger Shao, Pengfei Zhang, Yutong Song, Hanning Chen, Yezi Liu, Weiyi Wu, SungHeon Jeong, Ryozo Masukawa, Sanggeon Yun, Yang Ni, Jiang Gui, Mohsen Imani ...

语音/音乐/音频论文速递 2026-08-27 共分析 21 篇论文 ⚡ 今日概览 ✅ 筛选入选 21 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音识别 4 篇 ████ #回声消除 2 篇 ██ #语音交互 2 篇 ██ #音频分类 2 篇 ██ #音频理解 2 篇 ██ #基准测试 1 篇 █ #空间音频 1 篇 █ #语音伪造检测 1 篇 █ 📊 论文评分排行榜（21 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 AllMusicCaps: Album Reviews as Complementary… 9.1 前10% 方法研究 #音乐检索 🥈 LibriBrain100: One Hundred Hours of Broad and Deep MEG… 8.9 前25% 数据集与基准 #基准测试 🥉 What Do Audio-Visual Synchronization Metrics Actually… 8.8 前25% 方法研究 #音视频理解 4. Why ML-based cough models do not generalize: a… 8.8 前25% 应用研究 #音频分类 5. Lost but not erased: Finding traces of a forgotten… 8.6 前25% 方法研究 #语音识别 6. TurnBench: A Multi-Domain Benchmark for Turn-Taking… 8.5 前25% 数据集与基准 #语音交互 7. Knowledge Distillation for Efficient Acoustic Echo… 8.5 前25% 方法研究 #回声消除 8. Domain-Adaptive ASR for Telephony AI Agents: Fine… 7.9 前25% 系统技术报告 #语音识别 9. CSAVocoder: A Causal Spatial Audio Vocoder Towards… 7.6 前25% 系统技术报告 #空间音频 10. SPECTRA: Subspace-Preserving Embedding Calibration… 7.2 前50% 方法研究 #音频分类 11. Dissonance Spectrum explicitly models perceptual… 7.2 前50% 方法研究 #音乐理解 12. AudioLens: Multi-Perspective Speech Clustering with… 7.1 前50% 方法研究 #音频理解 13. Super Star: Towards Streaming Real-time Interactive… 6.9 前50% 系统技术报告 #音视频交互 14. Can We Read the Mind of an Audio LLM? A Verbalizable… 6.6 前50% 方法研究 #音频理解 15. VoiceMem: Streaming Dual-Brain Memory for Real-Time… 6.6 前50% 系统技术报告 #语音交互 16. A Training-Free Proactive Defense Against Partial… 6.5 前50% 方法研究 #语音伪造检测 17. Combining Self-Embedding Audio Watermarking with Ultra… 6.4 前50% 方法研究 #音频水印 18. Generative vs. Encoder Large Language Models for ASR… 6.1 前50% 应用研究 #语音质量评估 19. Mandarin Humorous Homophone Recognition and… 5.7 前50% 方法研究 #语音识别 20. Acoustic Echo Control Based on Sound Object… 4.9 后50% 方法研究 #回声消除 21. Fine-Tuning Whisper for Automatic Speech Recognition… 4.7 后50% 应用研究 #语音识别 📋 论文列表 🥇 把乐评变成检索监督，关键不在多而在语域对位 英文题目：AllMusicCaps: Album Reviews as Complementary Supervision for Music CLAP ...

📄 Anatomy of a Scam Call: What 10,000 real scam and spam calls reveal about how phone scammers operate 标签：#语音交互 #数据集 #模型评估 #工业应用 7.3/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.3/10 | 前50% | 文档类型：应用研究 | 评分置信度：中 | #语音交互 | #数据集 | #模型评估 #工业应用 | arxiv 👥 作者与机构 第一作者：Ethan Traister（scam.ai） 通讯作者：Simiao Ren（论文以 benren@scam.ai 标注通讯邮箱） 作者列表：Ethan Traister、Ankit Raj、Jiaqi Gan、Xingyu Shen、Tyler Wu、Yuchen Zhou、Tommy Duong、Kidus Zewde、Siying Chen、Simiao Ren（机构：scam.ai） ...

📄 Arbitrary Polygon Oscillator: Generalizing Polygonal Synthesis to Arbitrary Shapes, Morphing, and Three-Dimensional Polyhedra 标签：#音乐生成 #音频生成 #实时处理 #理论分析 #开源工具 8.7/10 | 创新 1.8/2 | 严谨 1.3/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1/1.5 🔥 8.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音乐生成 | #音频生成 | #实时处理 #理论分析 | arxiv 👥 作者与机构 第一作者：Antonio Argentieri（Conservatorio Niccolò Piccinni di Bari） 通讯作者：Antonio Argentieri；Francesco Scagliola 作者列表：Antonio Argentieri、Francesco Scagliola（机构：Conservatorio Niccolò Piccinni di Bari, Bari, Italy） ...

📄 Array-Agnostic Ambisonics Encoding via Diffusion Posterior Sampling 标签：#空间音频 #扩散模型 #零样本 #多通道 7.5/10 | 创新 1.7/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 ✅ 7.5/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #空间音频 | #扩散模型 | #零样本 #多通道 | arxiv 👥 作者与机构 第一作者：Amit Milstein（ECE School, Ben-Gurion University of the Negev） 通讯作者：正文未明确标注；电子邮件列出 Amit Milstein、Nir Shlezinger、Boaz Rafaely 作者列表：Amit Milstein、Nir Shlezinger、Boaz Rafaely（机构：ECE School, Ben-Gurion University of the Negev, Be’er-Sheva, Israel） ...

📄 Benchmarking LLM Judges for Voice-Agent Evaluation: Reliability, Calibration, and Human Oversight 标签：#模型评估 #基准测试 #语音交互 #大语言模型 6.6/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.2/0.5 | 工程 0.9/1.5 ✅ 6.6/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：中 | #语音交互 | #大语言模型 | #模型评估 #基准测试 | arxiv 👥 作者与机构 第一作者：Shashank Singh（Sprinklr AI，Bengaluru，India） 通讯作者：Anupam Purwar 作者列表：Shashank Singh、Anupam Purwar、Kritika Srivastava（机构：Sprinklr AI，Bengaluru / Gurugram，India） ...

📄 CoSTALA: Compositional Spatio-Temporal Audio-Language Alignment via Multi-Grain Hierarchical Contrastive Learning 标签：#空间音频 #对比学习 #音频检索 #多通道 #长音频处理 7.9/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 ✅ 7.9/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #空间音频 | #对比学习 | #音频检索 #多通道 | arxiv 👥 作者与机构 第一作者：Peiwei Ren（Xi’an Jiaotong Liverpool University, China） 通讯作者：Peiwei Ren；Jinbo Hu；Fang Kang；Shan Liang；Yin Cao 作者列表：Peiwei Ren、Jinbo Hu、Fang Kang、Shan Liang、Yin Cao（机构：Xi’an Jiaotong Liverpool University, China；MiLM Plus, Xiaomi Inc., China；Center for Machine Vision and Signal Analysis, University of Oulu, Finland；Institute of Acoustics, Chinese Academy of Sciences） ...

📄 Don’t Just Listen, Try Planning: Graph-based Retrieval-Generation Agent for Long-form Audio Meeting Understanding 标签：#音频理解 #长音频处理 #图神经网络 #音频检索 #会议转录 7.8/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.7/1 | 影响 1.3/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 0.9/1.5 ✅ 7.8/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频理解 | #图神经网络 | #长音频处理 #音频检索 | arxiv 👥 作者与机构 第一作者：Quanwei Tang（School of Computer Science & Technology, NLP Lab, Soochow University, China） 通讯作者：Dong Zhang 作者列表：Quanwei Tang、Dong Zhang、Shoushan Li、Guodong Zhou（机构：School of Computer Science & Technology, NLP Lab, Soochow University, China；Jiangsu Key Lab of Language Computing, Suzhou） ...

📄 EM-KalmanNet: Learned Expectation-Maximization for Adaptive Tracking in Partially Known, Block-Wise Time-Varying State-Space Models 标签：#声源定位 #RNN #测试时自适应 #高效推理 #鲁棒性 8.8/10 | 创新 1.6/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1/1.5 🔥 8.8/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #声源定位 | #RNN | #测试时自适应 #高效推理 | arxiv 👥 作者与机构 第一作者：Ori Cohen（School of ECE, Ben-Gurion University of the Negev, Israel） 通讯作者：正文未明确标注通讯作者 作者列表：Ori Cohen、Nir Shlezinger、Tirza Routtenberg（机构：School of ECE, Ben-Gurion University of the Negev, Israel） ...

📄 EmoTra-TTS: Smooth Intra-Utterance Emotion Transitions for Speech Synthesis 标签：#语音合成 #流匹配 #生成模型 #可解释性 9.6/10 | 创新 1.7/2 | 严谨 1.4/1.5 | 实验 1.5/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 9.6/10 | 前10% | 文档类型：方法研究 | 评分置信度：高 | #语音合成 | #流匹配 | #生成模型 #可解释性 | arxiv 👥 作者与机构 第一作者：Tianchi Liu（LIGHTSPEED） 通讯作者：Tianchi Liu；Zeyang Song 作者列表：Tianchi Liu、Zeyang Song、Tianrui Wang、Zhipeng Li、Chenglin Xu、Yiwen Guo（机构：LIGHTSPEED；National University of Singapore；Nanyang Technological University；Independent Researcher） ...

📄 EXAM²: Extending Audio Understanding in Multilingual and Multimodal Analysis 标签：#模型评估 #基准测试 #音频理解 #多语言 #多模态模型 8.7/10 | 创新 1.7/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.3/1.5 | 开源 1.5/1.5 | 复现 0.4/0.5 | 工程 0.4/1.5 🔥 8.7/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #音频理解 | #多模态模型 | #模型评估 #基准测试 | arxiv 👥 作者与机构 第一作者：Jiawen Wang（LMU Munich, Germany） 通讯作者：正文未明确标注通讯作者；仅列 Jiawen Wang 邮箱 作者列表：Jiawen Wang、Xiaoxue Gao、Zi Haur Pang、Nancy F. Chen（机构：LMU Munich, Germany；CUHK-Shenzhen, China；Kyoto University, Japan；A*STAR, Singapore） ...

📄 FireRedAudio: A General-Purpose Audio Language Model with Decoupled Continuous Representations for Understanding and Generation 标签：#统一音频模型 #流匹配 #音频理解 #语音合成 #语音编辑 8.7/10 | 创新 1.7/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.3/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1/1.5 🔥 8.7/10 | 前25% | 文档类型：模型报告 | 评分置信度：高 | #音频理解 | #流匹配 | #统一音频模型 #语音合成 | arxiv 👥 作者与机构 第一作者：Junjie Li（Xiaohongshu（正文仅给出统一机构行，未逐作者映射）） 通讯作者：Fenglong Xie（正文脚注给出通讯邮箱） 作者列表：Junjie Li、Xuelong Geng、Kun Xie、Feiyu Shen、Yichen Wu、Ziqi Dai、Yichen Han、Yan Jia、Kai Huang、Junjie Chen、Yixuan Li、Manzhen Wei、Fenglong Xie、Lei Xie、Xu Tang、Yao Hu（机构：Xiaohongshu） ...

📄 From local kernels to global form: modeling the emergence of musical content 标签：#音乐理解 #理论分析 #音乐生成 #可解释性 8.2/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.1/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 🔥 8.2/10 | 前25% | 文档类型：理论研究 | 评分置信度：高 | #音乐理解 | #理论分析 | #音乐生成 #可解释性 | arxiv 👥 作者与机构 第一作者：Francesco Vitucci（受控全文未说明） 通讯作者：受控全文未明确标注 作者列表：Francesco Vitucci、Michele Lorusso、Francesco Scagliola（机构：受控全文未说明） 📌 核心摘要 这篇论文的核心判断很明确：音乐形式不必靠更长的马尔可夫历史才进入模型；只要让同一符号在不同乐谱位置调用不同的转移核，1 阶链也能携带位置依赖的局部语法。它面对的矛盾是，齐次矩阵把全曲同一状态的所有后继混在一起，因而丢掉形式位置；而把窗口缩短以恢复位置，又会让转移计数稀疏、距离曲线受滑窗几何支配。作者的选择是从一首单声部 MusicXML 的重叠窗口估计局部核轨迹，分析时读相邻核的变化，生成时把局部行与全局回退核交给时间调度器。 ...

📄 Investigating voiced and unvoiced regions of speech for audio deepfake detection 标签：#语音伪造检测 #图神经网络 #模型融合 #模型评估 6.4/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.7/1.5 ✅ 6.4/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音伪造检测 | #图神经网络 | #模型融合 #模型评估 | arxiv 👥 作者与机构 第一作者：Ganesh Sivaraman（Pindrop, Atlanta, USA） 通讯作者：正文未明确标注通讯作者 作者列表：Ganesh Sivaraman、Hemlata Tak、Elie Khoury（机构：Pindrop, Atlanta, USA） ...

📄 LAION-BVD: A 10-Million-Hour Open Video Dataset for Multimodal Pre-training 标签：#音视频理解 #数据集 #预训练 #对比学习 #多模态模型 9.4/10 | 创新 1.7/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 0.9/1 | 影响 1.5/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1/1.5 🔥 9.4/10 | 前10% | 文档类型：数据集与基准 | 评分置信度：高 | #音视频理解 | #预训练 | #数据集 #对比学习 | arxiv 👥 作者与机构 第一作者：Andreas Hochlehnert（University of Tübingen, Tübingen AI Center） 通讯作者：正文未明确标注通讯作者；A. Sophia Koepke、Jenia Jitsev、Matthias Bethge 标为共同末位作者 作者列表：Andreas Hochlehnert、Marianna Nezhurina、Mehdi Cherti、Andrej Radonjic、Thaddäus Wiedemer、Christoph Schuhmann、Romain Beaumont、Wieland Brendel、Bernhard Schölkopf、A. Sophia Koepke、Jenia Jitsev、Matthias Bethge（机构：University of Tübingen, Tübingen AI Center；LAION；JSC, FZJ；Wynd Labs；MPI for Intelligent Systems, ELLIS Institute Tübingen；Technical University of Munich, MCML） ...

📄 Lost in Speech: Trilingual Spoken Hallucination Detection Across Audio and Transcripts 标签：#音频理解 #多语言 #基准测试 #低资源 #鲁棒性 8.2/10 | 创新 1.6/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.3/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 1/1.5 🔥 8.2/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #音频理解 | #多语言 | #基准测试 #低资源 | arxiv 👥 作者与机构 第一作者：Meruyert Aristombayeva（Satbayev University, Almaty, Kazakhstan） 通讯作者：Meruyert Aristombayeva 作者列表：Meruyert Aristombayeva、Jason S. Lucas、Chaewan Chun、Dongwon Lee（机构：Satbayev University；University of Colorado Boulder；The Pennsylvania State University） ...

📄 OmniJudge or OmniBias? Diagnosing Multimodal Judges through Balanced, Decoupled Lenses 标签：#模型评估 #基准测试 #多模态模型 #音频质量评估 #可解释性 7.4/10 | 创新 1.7/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 ✅ 7.4/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #音频质量评估 | #多模态模型 | #模型评估 #基准测试 | arxiv 👥 作者与机构 第一作者：Guangzheng Hu（Alibaba Group；University of Melbourne） 通讯作者：Hu Wei；Jin Xu 作者列表：Guangzheng Hu、Ziyue Jiang、Weixu Qiao、Lixin Zhang、Jianye Kang、Yuru Wu、Rong Bao、Niantong Li、Wei Wang、Ziyi Cheng、Xinfa Zhu、HangRui Hu、Ting He、Bing Zhao、Lin Qu、Hu Wei、Jin Xu（机构：Alibaba Group；Qwen Team；Alibaba DAMO Academy；University of Melbourne；Zhejiang University） ...

📄 On the Robustness of Audio Deepfake Detection under Audio Watermarking 标签：#音频伪造检测 #音频水印 #鲁棒性 #模型评估 7.7/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 7.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #音频伪造检测 | #音频水印 | #鲁棒性 #模型评估 | arxiv 👥 作者与机构 第一作者：Zi Qian Yong（School of Information Technology, Monash University, Malaysia campus） 通讯作者：正文未明确标注通讯作者 作者列表：Zi Qian Yong、Ajinkya Kulkarni、Julia K. Lau、Hwa Hui Tew、Shu-Min Leong、Raphaël C.-W. Phan、Sébastien Marcel（机构：School of Information Technology, Monash University, Malaysia campus；Idiap Research Institute, Switzerland） ...

📄 One Timeline, Many Renderings: A Wolfram Language Paclet for heterogeneous musical output 标签：#音乐生成 #端到端 #开源工具 #实时处理 7.0/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 0.9/1.5 ✅ 7.0/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #音乐生成 | #端到端 | #开源工具 #实时处理 | arxiv 👥 作者与机构 第一作者：Francesco Vitucci（Conservatorio di Musica “N. Piccinni” di Bari） 通讯作者：正文未明确标注通讯作者，仅列出 3 位作者邮箱 作者列表：Francesco Vitucci、Michele Lorusso、Francesco Scagliola（机构：正文只明确给出 Conservatorio di Musica “N. Piccinni” di Bari，其余机构栏为空） ...

📄 Preference Optimization for Non-Verbal Vocalization Synthesis 标签：#语音合成 #后训练 #模型评估 #SFT 7.1/10 | 创新 1.3/2 | 严谨 1.3/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.9/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音合成 | #后训练 | #模型评估 #SFT | arxiv 👥 作者与机构 第一作者：Haoyang Li（Nanyang Technological University, Singapore） 通讯作者：Chenglin Xu 作者列表：Haoyang Li、Chenglin Xu、Junchuan Zhao、Yuang Cao、Liumeng Xue、Yiwen Guo、Eng Siong Chng（机构：Nanyang Technological University, Singapore；LIGHTSPEED, Singapore；National University of Singapore, Singapore；Nanjing University, China；Independent researcher） ...