主观评测

该研究比较有无知觉情绪中间约束的语音嵌入-购买意愿模型，用反向传播改写语音嵌入再做零样本合成，听评显示有约束语音在开放与封闭说话人上都显著提升购买意愿和愉悦感，但 arousal 未拉开差距且语速被推得过快时反而有害。

该个案以四组同音节五声调重复任务结合五位母语听辨与基频时长声学测量，显示总体听辨正确率仅 36.1% 且高调 T1 仅 6%，代价是单被试、无纵向干预对照，不能推广为群体规律。

共分析 27 篇语音/AI 论文

论文把音效生产归纳为九项需求，用共享的参考到音频变体任务加原生能力分析比较五个异构基线，证据显示 AudioX 在保真与身份保持上最均衡而多样性、时序控制与局部修复各有所长且伴随效率与域外退化代价。

针对稀疏双耳房间脉冲响应重建后 700 个时域等效源带来双耳卷积负担的问题，论文提出能量加权方向 K 均值聚类把重建方向压缩到 30 个，ABX 显示与全分辨率难以区分，而按能量排序的基线在全部条件下均可被区分，代价是低能量但定位重要的源可能被合并且结论限于特定房间与早期反射条件。

该研究比较声学氛围驱动与歌词语义驱动的背景视频选择，提出在约 14000 个音乐视频上对比学习音乐视频联合嵌入并用束搜索做全局非重叠选段，最强证据是主观评价中声学方法在整体不自然感和转场连续性上显著优于歌词方法，代价是剪辑节奏与歌词具体指涉仍存在错位。

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

论文把 sygyt 双声复制写成从录音反推声道形状的可微优化问题，用带舌下第二声源和 B 样条声道的 Kelly-Lochbaum 波导在 20 段录音上把对数谱距离相对基线降低 30-38%，代价是每段仍需约 30 分钟离线优化且绝对误差仍在 9 分贝量级。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

该文把群延迟乘积谱作为 Clarinet 神经声码器的条件特征，在英语与希腊语上与梅尔谱基线做可运行对照，主观 MOS 接近基线而客观 MCD 偏高、F0 周期性误差相当，关键代价是平滑系数 ρ 取值敏感。

针对无监督异常声音检测中正常与异常机器声高度相似、单条通用描述难以支撑差异总结的问题，论文提出推理时两阶段多样且判别性束搜索解码，用多条组内多样加跨音频互斥的描述供给大语言模型汇总，主观评估显示更具体可辨但未承诺延迟与误判改善。

针对波斯单声部微分音旋律生成问题，PerFormer 用位置—音高—时值事件序列加编解码 Transformer 与主音参考建模长程调式关系，在可调性准确率 90.18% 对 34.71% 和听感四项指标上超过一阶马尔可夫基线，代价是数据集仅 33 首原曲并集中于单一调式与 6/8 节拍且节奏有拉长简化倾向。

Robo-Bend 针对电吉他推弦费力且依赖手指定位的问题，选择在琴头用舵机齿条直接顶弦并用脚踏控制，在 5 人对照中实现约 280 音分且与把位无关的稳定升高，代价是踏板行程与音高非线性导致瞄准困难与收敛变慢。

论文把沉浸式混音中的对象移动形式化为音乐空间事件检测，用目标与背景双流加 Spec-TNT 与 TCN 和 CTGI 门控预测帧级移动概率，在 1000 个专业工程上报告 Frame-F1 为 0.7675 和 Event-IoU 为 0.6305，代价是仍有零星抖动且只预测何时动而不生成连续三维轨迹。

该研究把短暂宽带点击嵌入播客自然静音进行间歇采集与加权平均，在 1.5×播放约每分钟 102 次点击下取得平均约 5 dB 误差并把舒适度从 1.0×的低位提升到高位，代价是点击过少时误差底抬高。

该研究用 152 人三组标签对照检验镇静与振奋两类情绪音乐，显示人作音乐被评更有效而偏好更偏向 AI，且误标驱动偏好，振奋高唤醒场景下人作优势更明显，代价是刺激仅 4 首且质性编码为单人。

针对乐器起振与调制在分析帧内非平稳的问题，该工作用分布导数法估计三阶多项式调幅调频正弦，在 39 个乐器声音上获得更高的信号残差比并在听感上接近原声，代价是峰选择不当仍是主要误差来源且频谱距离指标并不总是最优。

该演示用归一化距离参数同时驱动增益、混响比、高频吸收、预延迟和低频补偿五种线索并保持互洽，在 18 人耳机测试中把三声源距离摆放误差从手动混音的 15.3 点降到 7.3 点，代价是 48 kHz 下双耳级开启时 CPU 峰值约 10.5% 与固定 10.7 ms 分区延迟。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读