Posts

📄 Do Text-to-Music Models Really Follow Instructions? A Counterfactual Evaluation of Key and Beat Grouping 标签：#音乐生成 #生成模型 #模型评估 #基准测试 6.8/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 6.8/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：中 | #音乐生成 | #生成模型 | #模型评估 #基准测试 | arxiv 👥 作者与机构 第一作者：Yining Wang（单位未说明） 通讯作者：未说明 作者列表：Yining Wang（单位未说明） 💡 毒舌点评 这篇工作用 matched neutral–A–B 三元组把“模型本来就常生成该目标”与“指令让模型改出来”拆开，直击音乐生成评测里长期被忽略的 base-rate 混淆；Stable Audio 3 四拍从 96.9% 掉到 56.3% 的反直觉结果尤其有说服力。短板是基准范围较窄，关键识别器在真实音乐上的绝对准确率不算高，自动指标与人类标注之间的偏差让部分精确数值只能作为趋势而非定论。 ...

📄 DonorRank: Donor Language Selection for Low-Resource Cross-Lingual Speech Recognition 标签：#语音识别 #迁移学习 #多语言 #低资源 #零样本 6.6/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 6.6/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #迁移学习 | #多语言 #低资源 | arxiv 👥 作者与机构 第一作者：Akriti Dhasmana（University of Notre Dame, Computer Science and Engineering, Notre Dame, IN, USA） 通讯作者：未说明 作者列表：Akriti Dhasmana、Aarohi Srivastava、David Chiang（均来自 University of Notre Dame, Computer Science and Engineering） 💡 毒舌点评 工作把文本领域 LangRank 思路搬进低资源口语 ASR 的捐赠语言选择，并在 VAANI-D 上取得高 NDCG、识别出非显然转移 hub。短板同样明显：没有和语音领域已有的数据驱动捐赠者选择方法比较；WAXAL 上 top-1 整体不如遗传近邻，却未报告均值或统计检验；无代码、无模型、无数据发布，第三方难以严格验证或复用其结论。 ...

📄 Easper: An Accessible ASR Pipeline for Language Documentation 标签：#语音识别 #迁移学习 #低资源 #多语言 #开源工具 7.0/10 | 创新 1.2/2 | 严谨 0.9/1.5 | 实验 0.7/1.5 | 清晰 0.7/1 | 影响 0.8/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.0/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #语音识别 | #迁移学习 | #低资源 #多语言 | arxiv 👥 作者与机构 第一作者：Aso Mahmudi（The University of Melbourne，论文标注单位包括 School of Computing and Information Systems 与 School of Languages and Linguistics，但未明确个人对应关系） 通讯作者：未说明 作者列表：Aso Mahmudi、Ting Dang、Ekaterina Vylomova、Nick Thieberger，均隶属 The University of Melbourne 机构说明：论文地址栏统一列出 1 School of Computing and Information Systems, The University of Melbourne, Australia；2 School of Languages and Linguistics, The University of Melbourne, Australia。论文未逐作者标注其所属院系。 💡 毒舌点评 这篇论文的工程闭环做得不错：从 ELAN 到云端微调、再到说话人日志与回写 ELAN，确实给没有 ML 背景的语言学家提供了一个可操作的桌面工作流。但作为顶会投稿，它更像是系统 demo 加一次小规模探索性实验：三个语种中 Nguna 仅约 1 小时、7 个会话，结论却试图上升为“语言丰富度优先于声学洁净度”的普适数据选择指南。全文没有给出任何具体 CER 数值表，没有未微调 Whisper 基线，没有 Elpis 对比，也没有多次运行的方差或显著性检验；读者只能从学习曲线里“看趋势”。工具可用性方面也缺少用户研究、成本估算或大规模档案压力测试。优点是问题定义真实，ToTy 指标直接回应 TyTo 对低频词和时长的偏差，数据选择方式贴合会话级田野转写实际；但证据链目前只能支撑“趋势观察”，还撑不起“实证指南”。 ...

📄 Luna-TTS Family Technical Report 标签：#语音合成 #扩散模型 #预训练 #流式处理 #强化学习 6.9/10 | 创新 1.4/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 1.3/1.5 ✅ 6.9/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #语音合成 | #扩散模型 | #预训练 #流式处理 | arxiv 👥 作者与机构 第一作者：论文标注 Feng Yin、Shuai Shi、Junjie Zheng、Kechenying Zhou 为共同第一作者 通讯作者：Yanmin Qian 作者列表：Feng Yin（VUI Labs Research）、Shuai Shi（VUI Labs Research）、Junjie Zheng（VUI Labs Research）、Kechenying Zhou（VUI Labs Research）、Yiqiu Wang（VUI Labs Research）、Chenyang He（VUI Labs Research）、Qiuhua Jiang（VUI Labs Research）、Mengxiao Bi（VUI Labs Research）、Yanmin Qian（VUI Labs Research）；其余贡献者 Mingxin Chen、Xun Gong、Tianteng Gu、Bing Han、Peng Jiang、Chenda Li、Haiyang Sun、Han Wang、Wei Wang、Yi Wang、Leying Zhang、Wangyou Zhang、Chushu Zhou（均标注 VUI Labs Research，论文按姓氏字母顺序列出，未给出更细部门信息） 💡 毒舌点评 这个报告最亮眼的地方是把 masked discrete diffusion 从学术方案推到了 1M 小时、四语言的 TTS 生产系统，并给出 41.6ms 首块延迟和极低 RTF 的清晰部署画像。但它更像一份产品技术报告：没有开源权重/代码，也没有 RL、annealing、duration predictor、block adaptation 等关键阶段的可控消融，读者很难判断 SOTA 数字究竟来自架构，还是来自数据与后训练的堆叠。 ...

📄 MiDashengLM-Gen: Unified Audio Scene Generation via LLM-Driven Autoregressive Flow Matching 标签：#音频生成 #大语言模型 #模型评估 8.0/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1/1.5 🔥 8.0/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频生成 | #大语言模型 | #模型评估 | arxiv 👥 作者与机构 第一作者：Xingwei Sun（MiLM Plus, Xiaomi Inc., Beijing, China） 通讯作者：未说明 作者列表： Xingwei Sun（MiLM Plus, Xiaomi Inc., Beijing, China） Heinrich Dinkel（MiLM Plus, Xiaomi Inc., Beijing, China） Gang Li（MiLM Plus, Xiaomi Inc., Beijing, China） Jiahao Mei（MiLM Plus, Xiaomi Inc., Beijing, China；X-LANCE Lab, Shanghai Jiao Tong University, Shanghai, China） Yadong Niu（MiLM Plus, Xiaomi Inc., Beijing, China） Zerui Han（MiLM Plus, Xiaomi Inc., Beijing, China） Yuepeng Jiang（MiLM Plus, Xiaomi Inc., Beijing, China） Jiahao Zhou（MiLM Plus, Xiaomi Inc., Beijing, China） Lichun Fan（MiLM Plus, Xiaomi Inc., Beijing, China） Jian Luan（MiLM Plus, Xiaomi Inc., Beijing, China） 💡 毒舌点评 本文最亮眼的是把统一场景模型里的语音可懂度从不可用拉到接近专用 TTS 的水平，并且公开了代码与权重，对实际使用者有直接价值。但"统一"的代价也很清晰：语音强项很大程度上是以牺牲音频保真度为代价换来的。在 AudioCaps 的 FAD、FD、KL 三项指标上，本文不仅落后专用 TangoFlux，也落后非自回归的 Dasheng AudioGen；MECAT 含语音混合类别的 FD/KL 同样多处落后。论文自称为"first end-to-end trained model for general text-to-audio generation"，这个 claim 有架构层面的合理性，但距离一个真正的全域统一 SOTA 还有明显距离。 ...

📄 MuseCritic: Learning Multi-Aspect Song Rewards through Natural-Language Aesthetic Critiques 标签：#音频质量评估 #音频大模型 #SFT #强化学习 #音乐生成 6.5/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1/1.5 ✅ 6.5/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频质量评估 | #音频大模型 | #SFT #强化学习 | arxiv 👥 作者与机构 第一作者：Jiabao Zhuang（复旦大学 Fudan NLP Group） 并列一作：Changhao Jiang、Hanchen Wang、Jiahao Chen、Zhixiong Yang、Zhenghao Xiang（均复旦大学 Fudan NLP Group） 通讯作者：Tao Gui（复旦大学 Fudan NLP Group） 作者列表：Jiabao Zhuang（复旦大学 Fudan NLP Group）、Changhao Jiang（复旦大学 Fudan NLP Group）、Hanchen Wang（复旦大学 Fudan NLP Group）、Jiahao Chen（复旦大学 Fudan NLP Group）、Zhixiong Yang（复旦大学 Fudan NLP Group）、Zhenghao Xiang（复旦大学 Fudan NLP Group）、Yifei Cao（复旦大学 Fudan NLP Group）、Jiajun Sun（复旦大学 Fudan NLP Group）、Hui Li（复旦大学 Fudan NLP Group）、Ming Zhang（复旦大学 Fudan NLP Group）、Tao Ji（复旦大学 Fudan NLP Group）、Tao Gui（复旦大学 Fudan NLP Group，通讯作者）、Qi Zhang（复旦大学 Fudan NLP Group）、Xuanjing Huang（复旦大学 Fudan NLP Group） 💡 毒舌点评 把文本生成式奖励模型里的“先写 critique 再打分”范式迁移到长歌曲多维度美学评估，并用自生成 critique 缓解训练/推理分布偏移，这一点做得比较完整，消融证据也清楚。但整体新颖性更接近领域迁移而非本质突破，且 Music Arena 相对 SongEval 的领先只有 0.55 个百分点，没有统计显著性或多 seed 验证，下游 GRPO 效果也缺少人类听感评估来兜底。人工 critique 审核的样本量、接受率与一致性均未量化，进一步削弱了数据构建可靠性。 ...

📄 On-Policy Self-Distillation for Multi-Dialect ASR: Mastering Dialects, Retaining Mandarin 标签：#语音识别 #知识蒸馏 #多语言 #持续学习 #领域适应 7.0/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ✅ 7.0/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #知识蒸馏 | #多语言 #持续学习 | arxiv 👥 作者与机构 第一作者：Shuiyuan Wang（Audio, Speech and Language Processing Group (ASLP@NPU), School of Computer Science, Northwestern Polytechnical University, Xi’an, China） 通讯作者：Lei Xie（Audio, Speech and Language Processing Group (ASLP@NPU), School of Computer Science, Northwestern Polytechnical University, Xi’an, China） 作者列表：Shuiyuan Wang（ASLP@NPU，西北工业大学计算机学院）、Bingshen Mu（ASLP@NPU，西北工业大学计算机学院）、Pengshen Zhang（WeNet Community）、Chengyou Wang（ASLP@NPU，西北工业大学计算机学院）、Yujie Liao（ASLP@NPU，西北工业大学计算机学院）、Chengdong Liang（WeNet Community）、Binbin Zhang（WeNet Community）、Qiangze Feng（NEXDATA TECHNOLOGY INC.）、Lei Xie（ASLP@NPU，西北工业大学计算机学院） 💡 毒舌点评 本文抓住了多方言 ASR 中“学会方言、保住普通话”这一真实痛点，并用同一套 refinement 数据下的 Continued SFT vs. OPSD 对照实验给出了相当有说服力的证据：普通话平均 CER 从 4.43% 降到 3.27%，说明最后阶段的目标函数选择确实关键。短板也很明显：OPSD 本身并非新方法，增量主要来自将其搬进 ASR 场景和阶段化工程组合；且论文并未与专门的方言 ASR 系统或 adapter/MoE 方案直接比较，公共方言集合上的提升幅度也偏小，距离突破性贡献仍有距离。CPT 消融虽然证明了先做继续预训练的必要性，但这一结论本身并不意外——把普通话混合数据先跑一圈能缓和后续方言 SFT 的覆盖损伤，属于常规持续学习直觉的验证。 ...

📄 Phoenix TTS: High-Fidelity Synthesis and Voice Conversion via Flow-Matching-Driven Speech Tokenization 标签：#语音合成 #流匹配 #语音转换 #自回归模型 #零样本 6.5/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.5/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #语音合成 | #流匹配 | #语音转换 #自回归模型 | arxiv 👥 作者与机构 团队：L-Lab Phoenix-Audio Team 机构：Didichuxing Co. Ltd 核心贡献者：Peijie Chen、Zhuanling Zha、Zhipeng Nie、Weijie Wu、Yiming Liu、Daiyu Huang、Junbo Li、Jun Fang、Naiqiang Tan、Hua Chai（均 Didichuxing Co. Ltd） 顾问：Qingyang Hong（厦门大学） 通讯作者：未说明 💡 毒舌点评 本文用 flow matching 梯度反传把语义 tokenizer 和声学解码器焊在一起，确实把 WER 压到 GT 以下、SIM 在多基准上登顶，联合训练的证据链清楚。但全篇没有任何开源迹象，mask 策略与损失权重等关键实现细节一笔带过，且“超过 GT”这类表述应更谨慎解读。推理延迟、吞吐、训练成本对比等系统级指标全缺，工业部署价值难以独立判断。 ...

📄 Qwen-MusicAVQA-7B: A Multimodal Model for Music Audio-Visual QA 标签：#音视频问答 #多模态模型 #音频大模型 #参数高效微调 #鲁棒性 6.6/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.9/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 ✅ 6.6/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音视频问答 | #多模态模型 | #音频大模型 #参数高效微调 | arxiv 👥 作者与机构 第一作者：Maryam Dehdashti（Inference Matter Labs） 通讯作者：Maryam Dehdashti（Inference Matter Labs；dehdashti@inferencematter.ai） 作者列表：Maryam Dehdashti（Inference Matter Labs） 💡 毒舌点评 这篇论文最有价值的不是又一个 Qwen 变体，而是用受控消融把“音频表示是否保留局部时间细节”与 AVQA 精度强关联起来，并且单卡约 5 小时的可复现成本很吸引人。短板也同样突出：所有结论锁死在 MUSIC-AVQA 的非标准可用视频子集上，Whisper vs PANNs 的 26 点差距被架构、预训练和池化差异共同污染，作者自己也承认这不是干净的因果实验；此外，AVQA 微调会牺牲 ASR 能力，说明得到的“多模态能力”在任务迁移和通用性上仍有明显边界。因此这篇工作更像一次有洞察的系统层观察和务实的模块化适配，而非方法学突破。 ...

📄 Rethinking Language Model-Based Generative Speech Enhancement in the Latent Space of a Neural Audio Codec 标签：#语音增强 #语音大模型 #扩散模型 #流匹配 #自监督学习 7.1/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音增强 | #语音大模型 | #扩散模型 #流匹配 | arxiv 👥 作者与机构 论文文本未提供作者与机构信息；需从 arXiv 页面另行确认。 💡 毒舌点评 这篇论文最有价值的地方是把六种 LM-based 语音增强范式放进同一个框架里做了一次难得的公平比较，并用侵入式指标补足了该方向常被忽略的评估盲区。但它更像一份高质量的系统化 benchmark，而非方法创新；缺少与外部 URgent 挑战系统的直接对比，也让“CNAR 最优”的结论略显内部化。 ...