低资源

语音/音乐/音频论文速递 2026-06-11 共分析 36 篇论文 ⚡ 今日概览 📥 抓取 36 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音识别 7篇 ███████ #语音合成 7篇 ███████ #基准测试 2篇 ██ #音乐信息检索 2篇 ██ #语音情感识别 2篇 ██ #低资源 1篇 █ #音频问答 1篇 █ #音频质量评估 1篇 █ 📊 论文评分排行榜（36 篇，按分数降序） 排名 论文 总分 分档 主任务 🥇 Massive Open-Vocabulary Keyword Spotting 9.8分 前50% #语音识别 🥈 Tight Boundary Prediction in Speaker Diarization Using 9.6分 前25% #低资源 🥉 RAIL: Rethinking Auditory Intelligence in Large Audio-L 9.6分 前10% #音频问答 4. Quality Adaptive Angular Margin Learning for Respirator 9.5分 前50% #音频质量评估 5. CS-YODAS: A Mined Dataset of In-the-Wild Code-Switched 9.2分 前50% #多语言 6. Gumbel-BEARD: Automatic Layer Selection for Self-Superv 9.1分 前25% #语音识别 7. PianoKontext: Expressive Performance Rendering from Dea 9.1分 前50% #音乐生成 8. Benchmarking Neural Speech Compression from a Rate-Dist 9.0分 前25% #基准测试 9. Fast-SDE: Efficient Single-Microphone Sound Source Dist 8.8分 前50% - 10. Evaluating Bias in Phoneme-Based Automatic Speech Recog 8.8分 前50% #语音识别 11. Real-Time Language Model Jamming: A Case Study for Live 8.7分 前25% #音乐信息检索 12. HALO: Half-Frame-Rate Adaptive Learnable Operator for L 8.4分 前50% #语音增强 13. The Dynamics of Human and AI-Generated Language: How Se 8.1分 前25% #语音合成 14. UR-BERT: Scaling Text Encoders for Massively Multilingu 8.1分 前25% #语音合成 15. SARA: A Dual-Stream VAE for High-Fidelity Speech Genera 7.9分 前25% #语音合成 16. SpAArSIST: Sparsified AASIST for Efficient and Reliable 7.7分 前50% #模型压缩 17. Interpreting and Steering a Text-to-Speech Language Mod 7.7分 前25% #语音合成 18. Which Speech Representation Better Matches Text-Native 7.5分 前50% #语音识别 19. MA-DLE: Speech-based Automatic Depression Level Estimat 7.5分 前25% #语音情感识别 20. The Hidden Cost of Pairwise Verification in Synthetic S 7.5分 前50% #语音合成 21. Sensitivity Analysis of Generative Spatial Audio Metric 7.2分 前50% #音频生成 22. Snapping Matters: Context-Aware Onset Refinement for Au 7.1分 前25% #音乐信息检索 23. Feature-Aligned Speech Watermarking for Robustness to R 7.1分 前25% #鲁棒性 24. Context-Aware Multimodal Claim Verification in Spoken D 7.1分 前50% #多模态模型 25. Afrispeech Semantics: Evaluating Audio Semantic Reasoni 7.0分 前50% #数据集 26. Lung-SRAD: Spectral-Aware Regularized Audio DASS with D 6.8分 前50% #对比学习 27. Lip Forcing: Few-Step Autoregressive Diffusion for Real 6.8分 前50% #语音合成 28. Frozen Multimodal Embeddings for Personality and Cognit 6.7分 前50% #语音情感识别 29. Fast Speech Foundation Model Distillation Using Interle 6.6分 前50% #知识蒸馏 30. Steering Where to Listen: Instruction-Based Activation 6.5分 前50% - 31. Pretrained self-supervised speech models can recognize 6.5分 前50% #语音识别 32. Towards Data-free and Training-free Compression for Spe 6.4分 前50% #语音识别 33. Additive Noise, Shift Recovery, and Signed Signals in t 6.1分 前50% #信号处理基础 34. I Understand How You Feel: Enhancing Deeper Emotional S 5.8分 前50% #语音识别 35. Overcoming State Inertia in Full-Duplex Spoken Language 5.5分 前50% #基准测试 36. BadRobot: Jailbreaking Embodied LLM Agents in the Physi 5.2分 后50% #语音合成 📋 论文列表 🥇 Massive Open-Vocabulary Keyword Spotting 9.8/10 | 创新 1.6/2 | 严谨 1.5/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 ...

📄 A Lightweight Dual-Factor Acoustic Authentication System via Cascaded GMM-DTW Architecture for Edge Computing #说话人验证 #声纹识别 #低资源 6/10 | 创新 1/2 | 严谨 1.5/1.5 | 实验 0.5/1.5 | 清晰 1/1 | 影响 0.5/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 ✅ 6/10 | 前50% | #说话人验证 | #声纹识别 | #低资源 | arxiv 👥 作者与机构 Yutong Zhang (作者未提及所属机构) 💡 毒舌点评 这篇论文就像用乐高积木搭了一辆能跑的自行车。作者非常认真地介绍了每个积木块（GMM、DTW、MFCC）以及如何组装它们，并且证明了这辆“自行车”在自家后院（FSDD数据集）确实能以每秒不到10厘米的速度（9.82ms延迟）移动。然而，问题在于：第一，后院太小，只有5个小朋友（6个说话人取5个）在玩，得出的“性能卓越”结论说服力有限。第二，你并没有把积木图纸（代码）公开，也没提供新积木块的购买链接（模型权重）。第三，把两个经典方法（GMM和DTW）级联，并加入一个经验调参的双阈值约束（DLSC），这更像是一个工程实践或课程设计，而非一个能经得起顶会审稿人拷问的“科学贡献”。审稿人会追问：这和现有SOTA比如何？DLSC的Δ=6.0和γ=2.5是怎么来的？换组参数结果会崩吗？在真实嘈杂的咖啡馆或地铁站还能用吗？论文回避了这些关键问题。 📌 核心摘要 论文提出了一种面向边缘计算的轻量级双因子声学认证系统，采用级联GMM-DTW架构。系统共享基于40维MFCC（20维静态+20维动态）的特征空间。第一级使用包含4个混合分量的对角协方差GMM进行说话人声纹概率建模，并通过引入联合绝对-相对边际约束的动态似然空间约束（DLSC）机制来对抗冒名攻击和高保真重放攻击。第二级使用带Sakoe-Chiba窗口约束的DTW算法进行文本相关口令验证。实验在Free Spoken Digit Dataset上进行，评估了系统在冒名攻击和重放攻击下的错误接受率（FAR）和合法用户错误拒绝率（FRR），并在单核CPU上测试了端到端处理延迟。结果表明，DLSC机制将物理冒名者的FAR从25.60%降至2.73%，高保真重放攻击的FAR降至6.67%，但导致合法用户的FRR为16.67%。得益于Sakoe-Chiba窗口优化，最坏情况（2.5倍时间拉伸）下的端到端处理延迟为9.82毫秒。 🔗 开源详情 代码：论文中未提及任何代码仓库链接（如GitHub, GitLab）。 模型权重：论文中未提及任何预训练模型权重链接（如HuggingFace, ModelScope）。 数据集：论文使用了公开数据集 Free Spoken Digit Dataset (FSDD)，但未提供具体的下载链接（尽管该数据集可在线获取）。 Demo：论文中未提及。 复现材料：论文中详细描述了系统架构、算法细节（如MFCC参数、GMM配置、DTW的Sakoe-Chiba窗口系数）和实验设置，但未提供具体的训练配置文件、检查点或附录等复现材料链接。 论文中引用的开源项目：论文引用了开源数据集 FSDD，但未提及其他具体的开源项目/工具的名称与链接。文中提及的 MFCC、GMM、DTW 等均为广泛使用的算法或技术，未指向特定开源仓库。 🏗️ 方法概述和架构 论文提出的系统是一个两级级联的声学认证框架（如图1所示），旨在同时验证说话人身份（谁在说）和口令内容（说了什么），具体流程和组件如下： ...

📄 Automated Pronunciation Evaluation for Korean Toddler Speech using Speech Diarization and Self-Supervised Learning #自监督学习 #说话人日志 #低资源 6/10 | 创新 1/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.7/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0/0.5 | 工程 1/1.5 ✅ 6/10 | 前50% | #说话人日志 | #自监督学习 | #低资源 | arxiv 👥 作者与机构 Diane Myung-kyung Woodbridge Jee Hyun Suh （机构未明确提及，仅从致谢推断与首尔国立大学盆唐医院（SNUBH）及韩国国家IT产业振兴院（NIPA）可能有关联） 💡 毒舌点评 论文选题切中了一个实际且未被充分解决的痛点：为语言资源相对小众（韩语）的特定群体（幼儿）开发自动化评估工具，且场景是混乱的家庭录音，这比实验室数据难度陡增。作者的工程整合能力值得肯定：将说话人日志、自监督特征提取和简单分类器串联成一个可用管道。最大的亮点是NeMo SortFormer在对抗“aegyo”声学混淆上的有效性，这确实抓住了韩语场景的独特挑战。然而，论文的“学术性”略显薄弱。数据集虽新颖但规模过小（34个标注样本），使得所有结论都笼罩在“统计显著性不足”的疑云下。实验设计上，缺乏对关键变量（如日志错误传播、年龄分层效应）的深入消融分析，结论更多停留在描述性层面。最终性能数字（平均BA 0.782）在论文自我设定的任务下算尚可，但距离真正可用的临床或教育工具还有显著差距。整体感觉像一篇扎实的工程报告，但在方法创新深度和实验论证严谨性上，距离顶会标准还有一步之遥。 📌 核心摘要 本研究针对韩国幼儿语音发音自动评估在自然家庭环境下的挑战，提出了一套端到端解决方案。核心流程为：首先，利用NeMo SortFormer说话人日志模型，从包含看护人“aegyo”语音和儿童语音的混合录音中，以词为单位分离出儿童语音片段。其次，将每个片段输入冻结的自监督学习（SSL）骨干模型（如WavLM-large, HuBERT-large）提取帧级声学特征。然后，采用多种池化策略（均值、注意力、统计、多层固定权重及集成）将变长特征聚合为固定维度向量。最后，分别针对辅音和元音正确性，训练带有L2正则化的逻辑回归分类器进行二分类预测。实验创建并标注了一个新的韩语幼儿语音数据集（53录音，1190辅音/748元音标签）。结果表明，NeMo SortFormer在说话人计数准确率和DER上显著优于基线。在发音评分上，通过将辅音预测路由至HuBERT-large、元音预测路由至WavLM-large的跨模型集成策略，实现了0.782的平均平衡准确率，证明了跨语言SSL特征迁移和任务特定集成的有效性。 ...

📄 Entropy-Aware Domain-Routed Mixture-of-Experts Speech-LLM Framework: A Case Study of Multi-Domain Child-Adult ASR #语音识别 #低资源 7.5/10 | 创新 1.6/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 7.5/10 | 前25% | #语音识别 | #低资源 | arxiv 👥 作者与机构 Shi Mohan, Kaiyuan Zhang, Zilai Wang, Natarajan Balaji Shankar, Eray Eren, Abeer Alwan University of California, Los Angeles, USA ...

📄 GlobeAudio: A Multilingual Multicultural Benchmark for Naturalistic Evaluation of Large Audio-Language Models #数据集 #基准测试 #多语言 #多模态模型 #低资源 7.9/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 1/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 ✅ 7.9/10 | 前25% | #语音识别 | #数据集 | #基准测试 #多语言 | arxiv 👥 作者与机构 作者：Ryner Tan, Wenxuan Zhang 机构：Singapore University of Technology and Design (新加坡科技设计大学) 💡 毒舌点评 审稿人：一位匿名的顶会审稿人。 这论文瞄准了LALM评估中一个真实存在的痛点——缺乏自然、多语言、多文化的测试场景，这个动机值得肯定。作者们收集数据、设计问题、进行质量控制的工作看起来也相当扎实。然而，这终究是一个“评测集”工作，而非提出新的模型或算法。在当前这个“Benchmark疲劳”的时代，如果只是提供一个新的数据集，其边际贡献需要仔细掂量。论文的最大亮点或许在于“自然发生音频”和“文化根基问题”的结合，但实验分析部分（尤其是错误案例分析）的缺失，使得这种结合的优势没能被充分证明。整体而言，这是一篇稳妥的、必要的工作，但距离“令人兴奋”或“突破性”还有差距。 ...

📄 Phoneme-First Prediction for LLM-Based Speech Recognition #语音识别 #大语言模型 #参数高效微调 #低资源 6.9/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.1/1.5 | 复现 0.5/0.5 | 工程 1/1.5 ✅ 6.9/10 | 前50% | #语音识别 | #参数高效微调 | #大语言模型 #低资源 | arxiv 👥 作者与机构 论文作者为 Jakob Poncelet 和 Hugo Van hamme。论文未明确列出作者所属机构，但致谢部分表明研究获得了 Research Foundation Flanders (FWO) 和 Flemish Government 的资助。 💡 毒舌点评 这篇论文的核心想法“先读音素再认字”直观且易于实现，实验也做得很全面。但问题在于，它试图解决的“对齐”问题可能被简单化了，而提出的解决方案（音素）虽然有效，却引入了新的外部依赖（强制对齐工具和词典），并且其最核心的机制（联合训练为何有效）没有得到令人信服的解释。论文更像是一次成功的工程实践，而非一次深刻的机制探索。将ASR性能与专用系统直接比较显得底气不足，论文也巧妙地避开了与近期多模态LLM的强基线对比。 📌 核心摘要 针对当前基于LLM的语音识别系统在连接语音编码器特征与文本语义嵌入时存在的对齐差距问题，本文提出了一种简单有效的方法：在训练和推理时，让LLM首先从语音特征中预测音素，然后再生成文本转录。通过引入音素这一细粒度的声学单元作为中间目标，模型能够学习更精细的发音知识，从而减少声学混淆（如同音异形词）。为解决仅使用音素优先提示训练时，LLM可能过度依赖音素序列而忽略原始语音特征的问题，论文提出了一种联合训练策略，即在训练时随机混合使用标准和音素优先的提示-目标对。实验在多个数据集（LibriSpeech, TEDLIUM, Spoken Dutch Corpus）和不同类型的语音编码器（Whisper, HuBERT, CTC正则化编码器）上进行，结果表明，该方法普遍降低了词错误率（WER），尤其在低资源（100小时）和更自然的语音（TEDLIUM）上效果更显著。同时，分析显示模型生成的转录在音素层面也更准确，表明其声学忠实度得到提升。该方法无需额外的人工标注，且为模型决策提供了一定的可解释性。 ...

📄 Recovering the Zipfian Distribution in Unsupervised Term Discovery #自监督学习 #低资源 8.7/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.4/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 🔥 8.7/10 | 前50% | #自监督学习 | #自监督学习 | #低资源 | arxiv 👥 作者与机构 论文作者为 Danel Slabbert, Simon Malan, Herman Kamper。作者所属机构未在论文中明确提及。 💡 毒舌点评 这是一篇动机清晰、实验系统的“工具选型”论文。它有效地挑战了无监督术语发现(UTD)领域中使用K-means等中心化聚类方法的惯性思维，并用扎实的跨语言实验证据表明，基于图的或凝聚式的底部聚类方法能更好地恢复自然语言的Zipf分布。论文的亮点在于其洞察力：聚类的归纳偏置对最终产出（词汇表结构）有决定性影响。然而，论文的“发现”在本质上更接近于一篇全面的实验对比研究，而非提出一种全新的算法或理论框架。其理论深度有限，对“为何底部方法更好”的解释主要停留在“不强制中心”这一层面，缺乏更形式化的分析。实验设计虽然系统，但设置过于保守（使用真实分割作为上限），未能触及更现实的挑战。因此，它是一篇扎实、实用的工作，但离顶级会议中那些开辟新方向的论文还有差距。 📌 核心摘要 本文系统比较了五种聚类方法在无监督术语发现（UTD）任务中对生成词汇表的影响。研究发现，传统的中心化聚类方法（如K-means）由于其偏向于生成均匀大小簇的归纳偏置，会导致生成的词汇表频率分布平坦，无法反映自然语言的长尾Zipf分布。相反，底部聚类方法（图聚类和凝聚聚类）能够更好地恢复符合语言特性的Zipf分布，并在多个评估指标（特别是衡量类型完整性的iNES和F1 NES）上显著优于中心化方法。其中，图聚类方法通过相似度阈值(\(\tau\))和分辨率参数(\(\gamma\))两个可解释超参数，提供了对生成分布形态和粒度的有效控制。该结论在英语、南非荷兰语和法语三种语言以及三种分割条件下均得到验证。 🔗 开源详情 代码：https://github.com/adendorffy/zipf-clus 模型权重：论文中未提及模型权重的具体下载链接。论文使用了预训练的WavLM Large模型提取特征，但未提供其权重获取方式。 数据集： English: LibriSpeech dev-clean (4.5小时，40位说话者)。论文中未提供下载链接。 Afrikaans: 从FLEURS数据集中抽取的2小时语音（5位说话者）。论文中未提供下载链接。 French: 从ZeroSpeech Challenge Track 2中抽取的4.2小时子集（12位说话者）。论文中未提供下载链接。 Demo：论文中未提及。 复现材料：论文中未提及完整的训练配置、检查点或附录。文中描述了部分实现细节，如使用PCA将WavLM特征降至350维，K-means聚类使用FAISS库实现等。 论文中引用的开源项目： igraph: 用于实现图聚类。链接：https://igraph.org/ FAISS: 用于实现K-means聚类。链接：https://github.com/facebookresearch/faiss scikit-learn: 用于实现BIRCH和层次聚类（凝聚聚类）。链接：https://scikit-learn.org/ ZeroSyl: 用于无监督音节边界检测的方法。论文中未提供其官方代码或主页链接。 🏗️ 方法概述和架构 论文遵循标准的无监督术语发现（UTD）流程：分割、表示、聚类。研究固定了表示阶段，旨在隔离并评估不同聚类方法的影响。 ...

📄 Speech Encoder Fusion for LLM-based Automatic Speech Recognition #语音识别 #多模态模型 #低资源 #参数高效微调 7.2/10 | 创新 1.2/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.3/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 7.2/10 | 后50% | #语音识别 | #参数高效微调 | #多模态模型 #低资源 | arxiv 👥 作者与机构 Jakob Poncelet, Hugo Van hamme KU Leuven, Department Electrical Engineering ESAT-PSI, Leuven, Belgium 💡 毒舌点评 本文的核心想法——融合多个语音编码器以提升LLM-ASR性能——直觉上合理，但技术执行和实验论证深度不足。所谓“创新”的融合架构（如Sigmoid门控）本质上是简单的加权平均或注意力机制的标准应用，缺乏针对语音-LLM交互的专门设计。实验结论在多语言和说话人分离任务上显得有些仓促，部分关键结论（如“Temporal Transformer捕捉互补信息最佳”）仅凭有限的表格数据支撑，缺乏更细致的分析。论文自述的“计算开销有限”优势在文中未提供任何实际运行时对比数据，显得空洞。整体而言，这是一项增量式的工作，将现有融合技术打包应用到语音LLM中，其技术贡献和系统性分析未达到顶会论文的典型水准。 📌 核心摘要 本文探讨了在基于大语言模型（LLM）的自动语音识别（ASR）系统中，融合多个预训练语音编码器的可能性。作者旨在利用不同编码器（如多语言的Whisper与单语言的专用模型NeLF、Wav2Vec2）的互补性来提升性能。研究提出了五种融合策略：特征拼接、Sigmoid门控、多头门控、位置Transformer和时间Transformer。实验在荷兰语、英语的单语和多语ASR任务，以及结合说话人编码器（ECAPA2）的说话人分离ASR任务中进行。结果表明，在大多数设置下，精心设计的融合方法（特别是Transformer类）优于简单的特征拼接，且计算开销增加有限。此外，将预训练ASR解码器的初步预测作为LLM的额外输入，可进一步显著提升性能，甚至在某些情况下使语音LLM接近或超越专用ASR模型。 ...

📄 SSL-GMMVC: Interpretable Voice Conversion via Locally Linear GMM Transforms in Self-Supervised Representation Space #语音转换 #高斯混合模型 #自监督学习 #低资源 6.8/10 | 创新 1.6/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.6/1.5 | 复现 0.5/0.5 | 工程 0.4/1.5 ✅ 6.8/10 | 前50% | #语音转换 | #高斯混合模型 | #自监督学习 #低资源 | arxiv 👥 作者与机构 作者：Tomoya Tanabu, Hiroshi Nishijima, Daisuke Saito, Nobuaki Minematsu 机构：The University of Tokyo, Japan (东京大学) 邮箱：{tanabu,hiroshi,dsk_saito,mine}@gavo.t.u-tokyo.ac.jp ...

📄 Towards Robust Arabic Speech Emotion Recognition with Deep Learning #自监督学习 #数据增强 #低资源 6.4/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 0/1 | 影响 0.7/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ✅ 6.4/10 | 前50% | #语音情感识别 | #自监督学习 | #数据增强 #低资源 | arxiv 👥 作者与机构 Youcef S. Gheffari, Samiya Silarbi ADASCA Laboratory – Advanced Data Science and Cognitive Applications, Université des Sciences et de la Technologie d’Oran Mohamed Boudiaf (USTO-MB), Oran, Algeria ...