助听器

📄 开耳助听器里漏进来的噪声，为何要让扬声器自己去抵消？ 英文题目：ABSE-NET: A Lightweight Neural Model for Active Binaural Speech Enhancement in Open-Fit Hearing Aids 一句话：为解决开耳式助听器通气孔泄漏污染增强语音的问题，ABSE-NET 用 BMVDR 做保留空间线索的粗增强，再用仅 0.112M 参数的轻量网络联合完成泄漏对消与失真补偿，在合成双耳数据上以 0.184G FLOPs 取得 PESQ 3.626 与 STOI 0.955，但验证仍局限于仿真声学环境。 标签：#语音增强 | #CNN | #主动降噪 | #助听器 | #模型压缩 评分：7.5/10 | 创新 1.4/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 👥 作者与机构 De Hu：机构信息未在 arXiv HTML 中可靠披露 Xue Du：机构信息未在 arXiv HTML 中可靠披露 Qingying Zhao：机构信息未在 arXiv HTML 中可靠披露 Qintuya Si：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把双耳最小方差无失真响应波束形成器（binaural minimum variance distortionless response beamformer，BMVDR）与轻量后滤波级联，用 0.112M 参数实现开耳式场景下的泄漏对消且摆脱耳内误差麦克风，工程指向清晰。短板是评估完全依赖 Hearpiece 实测头相关脉冲响应（head-related impulse response，HRIR）合成的 24 小时仿真数据，未见真实开耳助听器佩戴、非线性次级路径或主观听感验证，且核心公式中空间线索误差定义存在明显笔误，削弱严谨性观感。 ...

语音/音乐/音频论文速递 2026-09-02 共分析 23 篇论文 ⚡ 今日概览 ✅ 筛选入选 23 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音频分类 3 篇 ███ #多模态模型 2 篇 ██ #语音合成 2 篇 ██ #语音增强 2 篇 ██ #语音情感识别 2 篇 ██ #音频分离 2 篇 ██ #语音交互 1 篇 █ #语音伪造检测 1 篇 █ 📊 论文评分排行榜（23 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 BiMTokenizer: Preserving Semantic-Acoustic Balance in… 8.3 前25% 方法研究 #语音编码 🥈 A Composable Evaluation System for Reproducible Omni… 8.3 前25% 系统技术报告 #多模态模型 🥉 Phrase-Localized Language-Contrastive Guidance… 8.2 前25% 方法研究 #语音合成 4. Zero-Shot Respiratory Sound Classification through LLM… 7.8 前25% 方法研究 #音频分类 5. A Unified Uncertainty-Aware Back-End for Speaker… 7.8 前25% 方法研究 #说话人验证 6. ABSE-NET: A Lightweight Neural Model for Active… 7.5 前25% 方法研究 #语音增强 7. TUTTI: Toward generalizable audio-to-score… 7.4 前50% 方法研究 #音乐转录 8. Perceptible or Not? Diagnosing Passive Fingerprints… 7.4 前50% 方法研究 #语音伪造检测 9. Ready to Speak: Aligning LLMs for TTS-Friendly Text… 7.4 前50% 方法研究 #语音合成 10. On the Human and Computer Alignment of Attribute-Based… 7.3 前50% 数据集与基准 #音乐检索 11. TimeSteer: Inference-Time Speech Scheduling in Joint… 7.2 前50% 方法研究 #音视频生成 12. VoiceLongMemEval: Do Assistants Remember How You… 7.1 前50% 数据集与基准 #语音情感识别 13. Cleaner Speech, Weaker Generalization: Revisiting Pitt… 7.0 前50% 数据集与基准 #音频分类 14. TAG-Bench: Benchmarking Temporal Audio Grounding in… 6.9 前50% 数据集与基准 #音频理解 15. Artificial Rosetta Stone: Constrained Maximum A… 6.8 前50% 方法研究 #音乐理解 16. XVAE-WMT: Explainable Wavelet-Temporal Variational… 6.6 前50% 方法研究 #音频分离 17. U-PAST: A Phase-Aware Audio Spectrogram Transformer-U… 6.4 前50% 方法研究 #语音增强 18. Conversation Coach: A Voice-enabled AI System that… 6.3 前50% 系统技术报告 #语音交互 19. Soft Posterior Speaker Injection for Multi-Talker… 6.2 前50% 方法研究 #语音识别 20. Heard but Not Heeded: Paralinguistic Information… 6.0 前50% 方法研究 #语音情感识别 21. Ontology-based Target Sound Extraction 5.7 前50% 方法研究 #音频分离 22. MADS: A Multiview Acoustic Descriptor Set Beyond… 5.7 前50% 方法研究 #音频分类 23. TEIDAN: A Multilingual Multiparty Dialogue Corpus 5.1 后 50% 数据集与基准 #多模态模型 📋 论文列表 🥇 单塔为何还能赢双塔：BiMTokenizer 用双向状态与固定格点重做 1.1 kbps 的语义-声学平衡 英文题目：BiMTokenizer: Preserving Semantic-Acoustic Balance in Low-Bitrate Speech Tokenization via Bidirectional State-Space Modeling ...

📄 把空间感调得更夸张，音乐会更清晰吗？ 英文题目：Effects of HRTF Augmentation on Predicted Spatial Release from Masking in Music 一句话：该研究用群体 PCA 残差放大来夸张头相关传输函数中的频变耳间级差，在正常听力模型上把空间释放掩蔽平均抬高约 3.08 dB，但代价是在中度听损模拟下增益缩至 1.05 dB 且助听压缩无法挽回，且全程仍是模型预测而非真人听音。 标签：#音乐理解 #空间音频 #助听器 评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5 👥 作者与机构 Jack Webb：Dyson School of Design Engineering, Imperial College London, United Kingdom Christophe Lesimple：Sonova AG, Stäfa, Switzerland Volker Kuehnel：Sonova AG, Stäfa, Switzerland Lorenzo Picinali：Dyson School of Design Engineering, Imperial College London, United Kingdom 💬 毒舌点评 亮点在于把群体主成分分析（Principal Component Analysis, PCA）残差对比度放大这一简洁思路首次系统用于头相关传输函数（Head-Related Transfer Function, HRTF）频变耳间级差（Interaural Level Difference, ILD）增强，并用双模型在音乐场景下量化了空间释放掩蔽（Spatial Release from Masking, SRM）的增益与听损衰减，问题意识清晰且工程动机贴合助听场景。短板是全程无真人听音验证、仅依赖 vicente2020 与 bischof2023 两个语音/复杂音衍生模型的预测，且听损与宽动态范围压缩（Wide Dynamic Range Compression, WDRC）建模高度简化，导致对音乐场景分析（Music Scene Analysis, MSA）中音高、谐波与信息掩蔽等关键机制的结论外推力不足。 ...

语音/音乐/音频论文速递 2026-08-31 共分析 22 篇论文 ⚡ 今日概览 ✅ 筛选入选 22 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音乐理解 3 篇 ███ #语音交互 2 篇 ██ #语音增强 2 篇 ██ #语音识别 2 篇 ██ #音视频理解 2 篇 ██ #音频分类 2 篇 ██ #音频生成 2 篇 ██ #语音情感识别 1 篇 █ 📊 论文评分排行榜（22 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 Phoneme- and Word-Level Metrics Using Self-Supervised… 9.1 前10% 方法研究 #语音识别 🥈 Not all generalisation failures can be bought back… 8.5 前25% 方法研究 #音频理解 🥉 SURE-Challenge: Evaluating Speech Evidence Before… 8.3 前25% 数据集与基准 #语音识别 4. Exploring the Design Space of Representation Learning… 8.0 前25% 方法研究 #音频检索 5. Alias-Free Oscillator Synchronization via Additive… 7.9 前25% 系统技术报告 #音乐生成 6. PolyMap: A 64-Channel Polyphonic Guitar Pickup System 7.7 前25% 系统技术报告 #音乐源分离 7. Multirate State Space Models for End-to-End Processing… 7.5 前25% 方法研究 #语音增强 8. A Mixed-Behavior Vote Model for Multimedia Subjective… 7.4 前50% 方法研究 #语音质量评估 9. A Frequency-Domain Artificial Reverberator Plug-In 7.2 前50% 系统技术报告 #音频生成 10. Low-Power End-to-End Cochlear Implant Speech Denoising… 6.7 前50% 方法研究 #语音增强 11. Compositional Failure in Audio-Visual LLMs: Late-Layer… 6.5 前50% 方法研究 #音视频理解 12. Evaluating Loss Functions in Differentiable Out-of… 6.4 前50% 方法研究 #音频生成 13. A Shaky Voice Is Not Always a Dodge: Benchmarking… 6.2 前50% 数据集与基准 #语音情感识别 14. MuSP-Bench: Advanced Multimodal Benchmarking of Music… 6.2 前50% 数据集与基准 #音乐理解 15. Effects of HRTF Augmentation on Predicted Spatial… 6.1 前50% 方法研究 #音乐理解 16. Auditing Generative Audio Calls for Known-Task Audio… 6.0 前50% 方法研究 #音频分类 17. Is Prosody Lost in Translation? Fine-Grained Cross… 6.0 前50% 数据集与基准 #语音翻译 18. Predicting Turn-Taking Outcomes in Multi-Party… 6.0 前50% 方法研究 #语音交互 19. SETU: An Agentic Ecosystem for Multilingual, Persona… 5.5 前50% 系统技术报告 #音视频理解 20. Klangfarbenakkord and Klangfarbenharmonien Metric… 5.5 前50% 理论研究 #音乐理解 21. Effectiveness of IoT and Deep Learning for Detection… 5.1 后 50% 应用研究 #音频分类 22. When Robots Mishear Us: Mapping the Safety Risks of… 5.1 后 50% 应用研究 #语音交互 📋 论文列表 🥇 没有金标准时，怎么判断对齐切得准不准 英文题目：Phoneme- and Word-Level Metrics Using Self-Supervised Speech Representations for Forced Alignment Evaluation ...

📄 A Resource-Efficient CNN-Based EEG Auditory Attention Decoding ASIC 标签：#助听器 #CNN #实时处理 #高效推理 6.2/10 | 创新 1/2 | 严谨 1.2/1.5 | 实验 0.9/1.5 | 清晰 0.8/1 | 影响 0.9/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.3/1.5 ✅ 6.2/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #助听器 | #CNN | #实时处理 #高效推理 | arxiv 👥 作者与机构 Qier Ma、Richard George、Stefan Scholze、Christian Mayr 来自德累斯顿工业大学（Technische Universität Dresden）电气工程与信息技术系高并行 VLSI 系统与神经微电子讲席；Jehn Constantin 与 Tobias Reichenbach 来自埃尔朗根-纽伦堡弗里德里希·亚历山大大学（FAU）生物医学工程人工智能系。项目获德国联邦研究、技术与航天部 Cluster4Future SEMECO 项目（03ZU1210FA）资助，论文带有 IEEE 版权声明。 ...

语音/音乐/音频论文速递 2026-08-21 共分析 18 篇论文 ⚡ 今日概览 ✅ 筛选入选 18 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音频理解 3篇 ███ #语音交互 2篇 ██ #语音伪造检测 2篇 ██ #语音识别 2篇 ██ #音乐生成 2篇 ██ #助听器 1篇 █ #语音情感识别 1篇 █ #音乐检索 1篇 █ 📊 论文评分排行榜（18 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 Listening Forward: Next Patch Embedding Prediction… 8.8分 前25% 方法研究 #音频理解 🥈 Towards Quantifying Benchmark Optimization in ASR… 8.5分 前25% 方法研究 #语音识别 🥉 \(TCP_α\): Margin-Controlled Confidence estimation for… 8.4分 前25% 方法研究 #音乐理解 4. VA-Judger: Reward Modeling from Human Preference… 8.3分 前25% 方法研究 #音视频生成 5. Unified Music Identification for Tracks and Versions 8.2分 前25% 数据集与基准 #音乐检索 6. Fourier is Frontier: Frequency-Aware Autoencoding for… 7.5分 前25% 方法研究 #音乐生成 7. Explainability by Design: Structured Kolmogorov-Arnold… 7.5分 前25% 方法研究 #语音伪造检测 8. Represented but Ignored: A Causal Account of Prosodic… 7.2分 前50% 方法研究 #音频理解 9. A Speech Corpus for Mizo Automatic Speech Recognition… 6.7分 前50% 数据集与基准 #语音识别 10. Hear2Act: Benchmarking When Prosody Should Change What… 6.4分 前50% 数据集与基准 #语音交互 11. DAVSS: Distilled Audio-Visual State Space Models 6.4分 前50% 方法研究 #音视频理解 12. A Resource-Efficient CNN-Based EEG Auditory Attention… 6.2分 前50% 系统技术报告 #助听器 13. Tracking the Trend in How Speech Synthesizers Deceive… 6.0分 前50% 应用研究 #语音伪造检测 14. Does Mapping Non-Maximal Probabilities to GMM… 5.6分 前50% 方法研究 #音频理解 15. MultiVerse: A Creator-Centered Approach to Steering… 5.4分 后50% 应用研究 #音乐生成 16. Robust Incomplete Multimodal Sentiment Analysis via… 5.4分 后50% 方法研究 #语音情感识别 17. Does Listening Matter? Backchanneling and Nodding in… 5.2分 后50% 应用研究 #语音交互 18. Dancing Through Soundscapes: Designing a Low-Cost… 5.2分 后50% 应用研究 #音频交互 📋 论文列表 🥇 Listening Forward: Next Patch Embedding Prediction Enables Scalable Audio Learners 8.8/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ...

📄 DNN-Based Frequency-Dependent Estimation of Speech, Music, and Noise Power in Acoustic Mixtures for Hearing-Aid Scene Analysis 标签：#音频分离 #RNN #CNN #助听器 #流式处理 6.5/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 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：方法研究 | 评分置信度：高 | #音频分离 | #RNN | #CNN #助听器 | arxiv 👥 作者与机构 Mats Lang（机构：原文未说明） Thomas Haubner（机构：原文未说明） Nina Kiessling（机构：原文未说明） Christoph Hoog Antink（机构：原文未说明） Henning Puder（机构：原文未说明） 💡 毒舌点评 把声学场景拆成语音/音乐/噪声的时频功率占比，确实是一个对助听器场景很友好的问题重构；181.9 k 参数、30.9 MFLOPS/s 的因果 CRNN 也确实符合边缘部署的胃口。但抛开这些工程包装，论文本质上是一份“把 CRNN 套在软比率掩模思想上、再乘以混合功率”的方法说明。没有架构消融、没有损失/特征消融、没有功率估计的直接基线、没有统计显著性、没有除 VAD 之外的任何下游任务验证，甚至连训练迭代次数和代码都没有。所谓“统一表示”的优势，基本停留在引言的口号层面。 ...

📄 Target Speaker Identification: A Low-Latency Streaming Pipeline 标签：#说话人验证 #说话人日志 #预训练 #流式处理 #助听器 5.6/10 | 创新 0.9/2 | 严谨 0.9/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 📝 5.6/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #说话人验证 | #预训练 | #说话人日志 #流式处理 | arxiv 👥 作者与机构 第一作者：Patrick S. Burke（Children’s National Hospital） 通讯作者：未说明 作者列表：Patrick S. Burke（Children’s National Hospital）、Satyam Raj（Arizona State University）、Sean Kinahan（Arizona State University） 💡 毒舌点评 这是一份把 Pyannote、Diart、TitaNet 等现成工具干净地串成助听器可用控制链的工程化报告，把识别控制信号与音频播放路径解耦的想法对实际落地很务实；但全篇只注册并评估了一位目标说话人、调参只用了一集数据，就号称“低延迟”却给出 1 秒端到端延迟，证据厚度撑不起一个扎实的系统级结论。更挑剔地看，基线对比与 Diart 超参调参都只用了一集数据，每集仅跑一次、没有任何重复实验或显著性检验；数据又相对干净、缺少重叠语音与背景噪声，噪声下的性能衰减被作者自己承认。「低延迟」的宣称与一秒端到端识别延迟之间的张力，对快速轮替对话场景是实打实的短板。 ...

语音/音乐/音频论文速递 2026-08-19 共分析 16 篇论文 ⚡ 今日概览 📥 抓取 16 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音交互 3篇 ███ #音乐理解 2篇 ██ #语音伪造检测 1篇 █ #语音合成 1篇 █ #语音唤醒 1篇 █ #语音情感识别 1篇 █ #说话人验证 1篇 █ #音乐生成 1篇 █ 📊 论文评分排行榜（16 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 FireRedTTS3: Unified Speech Generation and Editing with 9.0分 前10% 方法研究 #语音合成 🥈 SpeechSense: A Paralinguistic-Focused Dataset for Fine- 8.5分 前25% 数据集与基准 #语音情感识别 🥉 DynaForcing: Overcoming Dynamic Collapse in Self-Forcin 8.0分 前25% 方法研究 #音视频生成 4. Automatic Transcription of Microtonal Free-Rhythm Vocal 7.5分 前25% 应用研究 #音乐转录 5. Emotion Across Speech and Faces: Shared Affective Mecha 7.4分 前50% 方法研究 #音视频理解 6. UniVerse: Benchmarking and Enhancing LALMs on Culturall 7.1分 前50% 数据集与基准 #音乐理解 7. A Multiplication-Free Feature Extractor for Signal Clas 6.9分 前50% 方法研究 #语音唤醒 8. PolyDebate: A Game-Orchestrated Multimodal System for D 6.8分 前50% 应用研究 #语音交互 9. Uncertainty-Aware Decision Making in Multimodal Large L 6.8分 前50% 综述 #音频理解 10. Why GPT-Style Models Do Not Directly Transfer to Symbol 6.7分 前50% 理论研究 #音乐生成 11. The Last Mile of Deepfake Speech Detection: An Industry 6.6分 前50% 系统技术报告 #语音伪造检测 12. Closing the Affective Loop: Multimodal Speaker-Listener 6.5分 前50% 应用研究 #语音交互 13. DNN-Based Frequency-Dependent Estimation of Speech, Mus 6.5分 前50% 方法研究 #音频分离 14. Multi-turn Conversational AI from Text to Multimodal In 6.5分 前50% 综述 #语音交互 15. On computational approaches to Pop music culture 6.1分 前50% 综述 #音乐理解 16. Target Speaker Identification: A Low-Latency Streaming 5.6分 前50% 系统技术报告 #说话人验证 📋 论文列表 🥇 FireRedTTS3: Unified Speech Generation and Editing with Semantically Enriched Speech Representations 9.0/10 | 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 1.2/1.5 | 复现 0.4/0.5 | 工程 1.1/1.5 ...

📄 A Novel Binaural Cue Preservation Loss for DNN-Based Binaural Speech Enhancement 标签：#语音增强 #多任务学习 #助听器 #多通道 5.6/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.7/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 📝 5.6/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音增强 | #多任务学习 | #助听器 #多通道 | arxiv 👥 作者与机构 第一作者：Jayteerth Amble（未说明） 通讯作者：未说明 作者列表：Jayteerth Amble（未说明）、Thomas Haubner（未说明）、Hendrik Schröter（未说明）、Christoph Hoog Antink（未说明）、Henning Puder（未说明） 机构信息：论文中未提供作者所属机构、实验室或部门信息。 💡 毒舌点评 这篇论文的两个损失函数动机清晰，尤其是 BRE 直接把掩膜对干净频谱的破坏从增强输出中拆出来，比继续堆 ILD/IPD 误差更有意思。短板也很明显：全文只有合成消声环境，Figure 2 全是曲线而正文没有关键数值表；BRE 既当训练目标又当评估指标，循环验证风险不小；BC 声称联合 ILD/IPD，却连 IPD 误差都没有单列。整体是小而精的损失设计，但距离真实助听器场景还有不少距离。 ...

语音/音乐/音频论文速递 2026-08-18 共分析 39 篇论文 ⚡ 今日概览 📥 抓取 39 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音合成 3篇 ███ #语音增强 3篇 ███ #语音识别 3篇 ███ #音频分类 3篇 ███ #音频理解 3篇 ███ #声源定位 2篇 ██ #语音编码 2篇 ██ #音视频理解 2篇 ██ 📊 论文评分排行榜（39 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 INSPIRE: A Benchmark for Instruction-Aware Speech Retri 7.9分 前25% 数据集与基准 #音频检索 🥈 What Makes a Good Layer? Assessing the Layer-Wise Intri 7.7分 前25% 方法研究 #音乐理解 🥉 How Fragile Is Your Watermark? Training-Free Structural 7.6分 前25% 方法研究 #音频水印 4. Numerical and perceptual validity of synthetic Head-Rel 7.6分 前25% 应用研究 #声源定位 5. ACE-Cap: Active Evidence Acquisition via Agentic Co-Evo 7.5分 前25% 方法研究 #音频字幕生成 6. CineDub: Scaling End-to-End Video Dubbing to Multi-Spea 7.3分 前50% 方法研究 #音视频语音合成 7. Prototype-Rectified Iterative Self-supervised Manifold 7.2分 前50% 方法研究 #音频分类 8. CLARA: Clip-Level Multimodal Alignment with VLM-Derived 7.2分 前50% 方法研究 #音视频理解 9. Impulse Response Estimation via Laguerre-Fourier Expans 6.8分 前50% 方法研究 #音频理解 10. SingDance: Compositional Zero-Shot Singing-and-Dancing 6.8分 前50% 方法研究 #音视频生成 11. Listen, Reason, and Segment: Aligning LALMs with Editor 6.8分 前50% 方法研究 #音频理解 12. AnyTalk: Speech Animation for Arbitrary Characters Leve 6.7分 前50% 方法研究 #音视频语音合成 13. Evidence of Absence: Cross-Modal Abductive Risk Percept 6.6分 前50% 方法研究 #音频事件检测 14. ParaJSCC: A Parameterized Framework for Reusable Multim 6.6分 前50% 方法研究 #音频编码 15. ARENA: Automated Red-Teaming for Large Audio Language M 6.5分 前50% 方法研究 #音频理解 16. The Null Token Knows: Reducing Message-Free Hallucinati 6.5分 前50% 方法研究 #语音识别 17. Moving Horizon Estimation for Underwater Target Trackin 6.5分 前50% 方法研究 #声源定位 18. Multi-Granularity Sentiment Integration for LLM-Based M 6.5分 前50% 方法研究 #音视频理解 19. Adding Voice Cloning to Text-to-Audio-Video Models with 6.4分 前50% 方法研究 #语音克隆 20. Xemo-Talker: Unlock Emotions Explicitly for Audio-Drive 6.2分 前50% 方法研究 #音视频生成 21. Separate First, Then Associate: A Two-Stage Approach fo 6.2分 前50% 系统技术报告 #音视频语音分离 22. Geometry-adaptive Ambisonic encoding for sparse microph 6.2分 前50% 方法研究 #空间音频 23. A survey of AI-generated voices and their detection 6.1分 前50% 综述 #语音伪造检测 24. Iterative Self-Learning for Expressive Text-to-Speech S 6.1分 前50% 方法研究 #语音合成 25. Cached LLM Probability Retrieval for Speech Recognition 6.1分 前50% 方法研究 #语音识别 26. DuplexGen: Decoupling Content, Timing, and Acoustics fo 6.1分 前50% 方法研究 #语音合成 27. Speaker-Normalized Semantic Speech Tokens via Iterative 6.0分 前50% 方法研究 #语音编码 28. Multi-Modal Generative Fuzzy System: Fuzzy Inference Gu 5.9分 前50% 方法研究 #音视频问答 29. A Parameter-Free Few-Shot Evaluation for Elephant Vocal 5.9分 前50% 应用研究 #音频分类 30. Contrastive Learning with Variational Regularization fo 5.9分 前50% 方法研究 #语音合成 31. Sonifying I2S Transport Signals to Detect Transmission 5.9分 前50% 系统技术报告 #音频分类 32. An Analytical-Prior Framework for Data-Efficient Predic 5.8分 前50% 方法研究 #预训练 33. Navigating Speech Enhancement for Real-Time MRI: A Syst 5.7分 前50% 应用研究 #语音增强 34. Distinguishing AI-Generated Music from Edited Audio as 5.6分 前50% 方法研究 #音频伪造检测 35. A Novel Binaural Cue Preservation Loss for DNN-Based Bi 5.6分 前50% 方法研究 #语音增强 36. Unadapted Multilingual ASR on a Garrusi Kurdish Evaluat 5.6分 前50% 方法研究 #语音识别 37. Feedforward Active Speech Suppression Based on Time Ser 5.5分 前50% 方法研究 #语音增强 38. Using the Mimi codec for metalinguistic representations 4.7分 后50% 方法研究 #语音编码 39. AudioTQ: A Data-Oblivious 6-Bit CPU Audio Codec via Ran 3.5分 后50% 系统技术报告 #音频编码 📋 论文列表 🥇 INSPIRE: A Benchmark for Instruction-Aware Speech Retrieval 7.9/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.9/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ...

📄 Why Performance Metrics Overpromise in Auditory Attention Decoding: an Information-Theoretic Reappraisal 标签：#语音交互 #模型评估 #助听器 #理论分析 6.9/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 6.9/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音交互 | #模型评估 | #助听器 #理论分析 | arxiv 👥 作者与机构 第一作者：Nicolas Heintz（KU Leuven ESAT, STADIUS Center for Dynamical Systems, Signal Processing and Data Analytics；Leuven.AI） 通讯作者：未说明 作者列表：Nicolas Heintz（KU Leuven ESAT, STADIUS Center for Dynamical Systems, Signal Processing and Data Analytics；Leuven.AI）、Simon Geirnaert（KU Leuven ESAT, STADIUS Center for Dynamical Systems, Signal Processing and Data Analytics；Leuven.AI）、Tom Francart（KU Leuven Department of Neurosciences, Research Group ExpORL）、Alexander Bertrand（KU Leuven ESAT, STADIUS Center for Dynamical Systems, Signal Processing and Data Analytics；Leuven.AI） 💡 毒舌点评 本文最可贵的地方是把 AAD 评估中长期被忽略的“准确率幻觉”正式拆解为条件自我依赖和时间漂移信息泄漏，并提出 rIMI 这一可操作的纠偏指标，对领域有实际提醒价值。短板也很明显：结论高度依赖单一数据集和 Gaussian copula 下界估计，缺少统计显著性与跨数据集校准，且没有开源实现，让这些评估指南暂时更像审稿意见而非可复用工具。更关键的是，论文对 direct-classification 的批评主要建立在 CSP 和 Darnet 两个代表性算法上，尚未穷尽所有同类算法，而正文中推广到“all or almost all”的措辞已经超出了实验证据的支撑范围。 ...

语音/音乐/音频论文速递 2026-08-17 共分析 20 篇论文 ⚡ 今日概览 📥 抓取 20 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音乐理解 3篇 ███ #语音合成 2篇 ██ #语音识别 2篇 ██ #音视频生成 2篇 ██ #语音交互 1篇 █ #语音伪造检测 1篇 █ #说话人日志 1篇 █ #音乐源分离 1篇 █ 📊 论文评分排行榜（20 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 VoiceChat-TTS: A Low-Latency Continuous Speech Synthesi 8.2分 前25% 模型报告 #语音合成 🥈 Omni-LiveAvatar: Minute-Level Real-Time Streaming Joint 7.7分 前25% 方法研究 #音视频生成 🥉 Trajectory Dynamics in Self-Supervised Learning Latent 7.6分 前25% 方法研究 #语音伪造检测 4. H2H Music Improv: A Communication Model and Audio-Visua 7.6分 前25% 数据集与基准 #音乐理解 5. Singer-Informed Vocal Source Separation for Multi-Singe 7.5分 前25% 方法研究 #音乐源分离 6. Why Performance Metrics Overpromise in Auditory Attenti 6.9分 前50% 方法研究 #语音交互 7. VoiceDesigner: Text-to-Voice Generation and Editing via 6.8分 前50% 系统技术报告 #语音合成 8. The MPB Corpus: A Dataset of Melody, Rhythm, Harmony, a 6.8分 前50% 数据集与基准 #音乐理解 9. Acoustic UAV Detection in Battlefield Scenarios: Handli 6.7分 前50% 方法研究 #音频事件检测 10. Avatar-Forever: Decoupled Parallel Training for High-Qu 6.6分 前50% 方法研究 #音视频生成 11. LoopVSR: A Loop Engineering Framework for Automated Rep 6.6分 前50% 方法研究 #音视频语音识别 12. Leading-Silence Augmentation and Multi-Stage Synthetic 6.5分 前50% 系统技术报告 #说话人日志 13. StreamHear: Domain-Adapted Pseudo-Labeling for Semi-Sup 6.4分 前50% 方法研究 #语音识别 14. Ambisonics Encoding of Room Impulse Responses using a D 6.3分 前50% 方法研究 #音频生成 15. AT-ADD: All-Type Audio Deepfake Detection Challenge Sum 6.3分 前50% 数据集与基准 #音频伪造检测 16. S2Dialog: Multimodal Dialogue Retrieval with Semantic a 6.0分 前50% 方法研究 #音频检索 17. Measuring Fairness in Large Audio Language Models via S 5.6分 前50% 方法研究 #语音识别 18. Exploring ESC Winners with Nested Diagrams 5.4分 后50% 系统技术报告 #音乐理解 19. Architecture and Affordances of PLAUD: Performative Lat 5.0分 后50% 系统技术报告 #音乐生成 20. Sensor-Driven Mission Synthesis for UAV/UGV Swarms: A T 4.4分 后50% 系统技术报告 #音视频理解 📋 论文列表 🥇 VoiceChat-TTS: A Low-Latency Continuous Speech Synthesis Model for Interactive Agents 8.2/10 | 创新 1.1/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ...

📄 SAGE: Switch-Aware EEG-Guided Soft Gating for Target Speaker Extraction with In-Trial Switching 标签：#语音分离 #CNN #多模态模型 #助听器 #低资源 7.3/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.1/0.5 | 工程 1/1.5 ✅ 7.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音分离 | #CNN | #多模态模型 #助听器 | arxiv 👥 作者与机构 第一作者：Xuefei Wang（南方科技大学电子与电气工程系） 通讯作者：Fei Chen（南方科技大学电子与电气工程系） 作者列表：Xuefei Wang（南方科技大学电子与电气工程系）、Ximin Chen（首都医科大学生物医学工程学院）、Yuting Ding（未说明机构）、Chunlin Li（未说明机构）、Fei Chen（南方科技大学电子与电气工程系） 💡 毒舌点评 这篇工作瞄准了EEG引导说话人提取中“试次内注意力切换”这个真实但棘手的动态难题，提出了一个软门控加延迟补偿的组合方案，想法是好的。但做出来的结果切换延迟2.04秒，仍停留在秒级，远谈不上“实时神经操控”，而且整套东西跑在仅18人自建数据上，代码没放、关键超参数表是空的，消融实验也缺了点统计检验。整体看着像个概念验证，离顶会solid work还差口气。 ...

语音/音乐/音频论文速递 2026-08-04 共分析 39 篇论文。 ⚡ 今日概览 📥 抓取 39 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音合成 4篇 ████ #语音识别 3篇 ███ #音视频生成 3篇 ███ #语音属性识别 2篇 ██ #说话人验证 2篇 ██ #音视频理解 2篇 ██ #音频分类 2篇 ██ #音频理解 2篇 ██ 📊 论文评分排行榜（39 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 SoniSpeech: A Large-Scale Open-Vocabulary Tri-Modal Dat 8.3分 前25% 数据集与基准 #语音识别 🥈 FATE: Frame-Level Audio-Visual Temporal Embedding 8.3分 前25% 方法研究 #音视频理解 🥉 Allocation Before Ranking: Decoupled Token Compression 8.1分 前25% 方法研究 #音视频理解 4. Embodied Passive Aeroacoustic Perception Enables Relati 7.9分 前25% 系统技术报告 #声源定位 5. Interpretable MEG Decoding of Perceived Speech: Cortica 7.9分 前25% 方法研究 #音频检索 6. Beyond Prompt Adherence: Auditing Attribute-Level Voice 7.8分 前25% 方法研究 #语音合成 7. Hidden-Domain Routing for All-Type Audio Deepfake Detec 7.6分 前25% 系统技术报告 #领域适应 8. An End-to-End Workflow for Fin Whale Song Detection, No 7.5分 前25% 系统技术报告 #音频事件检测 9. SAGE: Switch-Aware EEG-Guided Soft Gating for Target Sp 7.3分 前50% 方法研究 #语音分离 10. Experience-Calibrated Contrastive Decoding for Mitigati 7.2分 前50% 方法研究 #语音合成 11. DRONEAUDIONET: Noise Suppression for Drone Audition-bas 7.2分 前50% 方法研究 #音频分离 12. Multi-Backbone Self-Supervised Ensembles for Audio Deep 7.2分 前50% 系统技术报告 #音频伪造检测 13. Hear, Invoke, and Understand: A Skill-Calling Multimoda 7.2分 前50% 方法研究 #音频理解 14. CultureVidBench: Benchmarking Cultural Understanding in 7.2分 前50% 数据集与基准 #音视频生成 15. SwanTale: Unified Multi-Speaker Speech and Audio Genera 7.1分 前50% 系统技术报告 #音频生成 16. Scene2Sound: Auditory-Grounded Soundscape Generation fo 7.0分 前50% 方法研究 #音频生成 17. The Learning Objective Governs Perceptual Narrowing: A 7.0分 前50% 方法研究 #语音属性识别 18. Discriminative Axis, Not Data Volume: What a Contrastiv 6.9分 前50% 方法研究 #语音属性识别 19. P-MUSE: Prompt-MIDI-Optional Model for Unified Instrume 6.9分 前50% 系统技术报告 #音频理解 20. AcoustiTrace: When Plausible Sound Violates Physics 6.9分 前50% 数据集与基准 #音视频生成 21. Gecko: Fast Private Inference via Secure Public Encoder 6.9分 前50% 系统技术报告 #迁移学习 22. LeapTalk: Breaking the Latency-Quality Trade-off in Tal 6.8分 前50% 方法研究 #音视频生成 23. Separate-and-Detect: Unified Drum Transcription and Ste 6.8分 前50% 方法研究 #音乐转录 24. Domain-Specific Evaluation of Text-to-Speech Systems: A 6.8分 前50% 数据集与基准 #语音合成 25. JoyAI-Talker: Full-Duplex Speech Interactive Large Mode 6.5分 前50% 系统技术报告 #语音合成 26. REIMU: Efficient Heterogeneous Hierarchical Reasoning f 6.4分 前50% 方法研究 #语音伪造检测 27. The Role of Disfluencies in Speech Translation 6.4分 前50% 数据集与基准 #语音翻译 28. SCOPE: Entanglement Frontier Escape for Source-Free Cla 6.3分 前50% 方法研究 #说话人验证 29. Uncertainty-Aware Crossmodal Fusion for Classification 6.3分 前50% 方法研究 #音频分类 30. Can Foundation Models Hear What Made That Sound? A Tier 6.3分 前50% 数据集与基准 #音频分类 31. QR-Erase: Efficient Subspace-Based Machine Unlearning w 6.0分 前50% 方法研究 #说话人验证 32. SGAD: A State-Guided Adaptive Decision Framework for Ro 6.0分 前50% 方法研究 #Transformer 33. Normal-Anchored First-Order Model-Agnostic Meta-Learnin 5.9分 前50% 方法研究 #语音识别 34. AnyBand: Unified Multi-Bandwidth Speech Extension via F 5.9分 前50% 方法研究 #语音超分 35. Sounding Canvas: Embedding Algorithms in Networked, Sen 5.7分 前50% 系统技术报告 #RNN 36. UOT-IR: Structured Routing of High-Polyphony Symbolic M 5.5分 前50% 方法研究 #音乐理解 37. Embodied Empathy: A Multimodal AR and LLM-Powered Syste 5.4分 后50% 应用研究 #音频交互 38. Analyzing Speech Condition Effects in Dysarthric ASR: A 5.0分 后50% 方法研究 #语音识别 39. Homebot: A Personal AI Agent for Conversational Home As 3.8分 后50% 系统技术报告 #语音交互 📋 论文列表 🥇 SoniSpeech: A Large-Scale Open-Vocabulary Tri-Modal Dataset for Wearable Silent Speech Interfaces 8.3/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ...

📄 Addressing Limited Data in Auditory Attention Decoding with Diffusion Generative Models 标签：#语音分离 #扩散模型 #助听器 #音频理解 #Transformer 5.1/10 | 创新 0.8/2 | 严谨 1.1/1.5 | 实验 0.5/1.5 | 清晰 0.9/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 📝 5.1/10 | 后50% | 文档类型：应用研究 | 评分置信度：高 | #语音分离 | #扩散模型 | #助听器 #音频理解 | arxiv 👥 作者与机构 第一作者：David Rannaleet（隆德大学自动控制系），Victor Gunnarsson（隆德大学自动控制系） 通讯作者：Martin A. Skoglund（Eriksholm研究中心，林雪平大学电气工程系），Emina Alickovic（Eriksholm研究中心，林雪平大学电气工程系） 作者列表：David Rannaleet（隆德大学自动控制系），Victor Gunnarsson（隆德大学自动控制系），Bo Bernhardsson（隆德大学自动控制系），Martin A. Skoglund（Eriksholm研究中心，林雪平大学电气工程系），Emina Alickovic（Eriksholm研究中心，林雪平大学电气工程系） 💡 毒舌点评 一个动机明确、设计合理但实验评估极其薄弱的概念验证。将成熟技术组合应用于新问题，本身无可厚非，但仅凭不到1%的微弱提升、单一数据集验证以及与“噪声添加”这一孱弱基线的对比，就想在顶会中宣称“显著改善性能”，证据链完全不够看。更像是一份扎实的硕士论文工作，而非一项成熟的会议贡献。 ...

语音/音乐/音频论文速递 2026-07-22 共分析 20 篇论文 ⚡ 今日概览 📥 抓取 20 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音识别 5篇 █████ #语音合成 3篇 ███ #音频分类 2篇 ██ #基准测试 1篇 █ #语音交互 1篇 █ #语音分离 1篇 █ #语音增强 1篇 █ #语音情感识别 1篇 █ 📊 论文评分排行榜（20 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 Content is What Remains: Invariant Speech Tokenization 9.2分 前10% 方法研究 #语音编码 🥈 Fusion Embedding: A Unified Embedding Space for Text, I 8.6分 前25% 系统技术报告 #音频检索 🥉 End-to-End Markov State Sequence Learning for Auditory 8.3分 前25% 方法研究 #语音交互 4. Staged Depth-Pruning Distillation of a Flow-Matching Te 7.9分 前25% 系统技术报告 #语音合成 5. Constrained CTC Decoding for Efficient Diacritic Restor 7.7分 前25% 方法研究 #语音识别 6. Fretiq: Browser-Native Electric Guitar String Classific 7.5分 前25% 系统技术报告 #音频分类 7. MeetingToM: Evaluating Multimodal LLMs on Theory-of-Min 7.2分 前50% 数据集与基准 #基准测试 8. Transcription Policy as a Latent Variable: Activating C 7.1分 前50% 方法研究 #语音识别 9. Benchmarking Human and Automatic Speech Recognition of 7.0分 前50% 系统技术报告 #语音识别 10. A Situational Speech Synthesizer for Yoruba: System Des 6.7分 前50% 系统技术报告 #语音合成 11. From a Multilingual Streaming ASR Backbone to Kenyan-La 6.5分 前50% 系统技术报告 #语音识别 12. Towards Array-Invariant Speech Enhancement via Geometry 6.3分 前50% 方法研究 #语音增强 13. Comparing Spectrogram Front-Ends for Abnormal Heart-Sou 5.7分 前50% 方法研究 #音频分类 14. EmoEUS: Uncertainty Supervision for Multimodal Emotion 5.6分 前50% 方法研究 #语音情感识别 15. Summary of DCASE 2026 Task 5: Audio-Dependent Question 5.4分 后50% 数据集与基准 #音频理解 16. Towards a reproducible cross-venue method for quantifyi 5.4分 后50% 方法研究 #音频质量评估 17. CS-ETS: Chaos-Inspired Samba-Based EMG-To-Speech Synthe 5.3分 后50% 方法研究 #语音合成 18. Addressing Limited Data in Auditory Attention Decoding 5.1分 后50% 应用研究 #语音分离 19. What the Waveform Knows: Transparent-first Speech and A 4.8分 后50% 系统技术报告 #语音识别 20. Teleportation Game: Quantum Teleportation in Multi-Agen 4.4分 后50% 系统技术报告 #音乐生成 📋 论文列表 🥇 Content is What Remains: Invariant Speech Tokenization from Parallel Utterances 9.2/10 | 创新 1.5/2 | 严谨 1.5/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ...

📄 Listen first: Output-based multi-microphone speech enhancement 标签：#语音增强 #多通道 #助听器 #音频理解 #Transformer 6.4/10 | 创新 1.3/2 | 严谨 1.4/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 6.4/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音增强 | #多通道 | #助听器 #音频理解 | arxiv 👥 作者与机构 第一作者：Panos Apostolidis（未说明） 通讯作者：未说明 作者列表：Panos Apostolidis（未说明）、Svend Feldt（未说明）、Zheng-Hua Tan（未说明）、Jan Østergaard（未说明）、Jesper Jensen（未说明） 💡 毒舌点评 本文提出了一个概念上颇具吸引力的“输出驱动”范式，并通过精心设计的实验证明了其在低信噪比和RTF失配条件下相对于传统输入驱动MVDR基线的优势。然而，论文的核心贡献更像一个新颖的“想法验证”而非一个完整的系统。首先，其非因果处理假设（需整个语音段）严重限制了在实时助听器中的实际应用。其次，评估机制完全依赖一个经过训练的固定神经VAD模型，其本身在极端条件下的可靠性成了系统性能的“阿喀琉斯之踵”。最后，缺乏与当前主流端到端深度学习语音增强系统的对比，使得其性能优势在当下的研究环境中显得孤立且边界不清。论文的工程细节描述足以复现其实验，但未开源代码的做法降低了其直接影响力。 📌 核心摘要 本文旨在解决传统输入驱动（基于VAD）的助听器语音增强算法在低信噪比（SNR）等恶劣条件下性能下降的问题。作者提出了一种新颖的“输出驱动”处理范式，该范式通过评估系统输出信号的质量来配置处理系统，而非依赖从嘈杂输入中提取的特征。核心方法是使用一个包含多个候选MPDR波束成形器的系统，通过计算每个候选输出信号的“瞥见比例”（Glimpse Proportion, GP）来估计语音可懂度，并选择GP值最高的波束成形器。与传统方法相比，新范式的新颖之处在于将系统配置决策建立在输出质量评估上，从而规避了输入特征估计的可靠性问题。实验在模拟的助听器场景中进行，使用Librispeech语音、ESC-50点噪声源和各向同性噪声。结果显示，在输入SNR为-5 dB时，输出驱动系统的SNR改善（ΔSNR）比输入驱动MVDR基线高约3-4 dB，ESTOI和PESQ也显著提升，尤其在低SNR和RTF失配条件下优势明显。该工作的实际意义在于为助听器等低功耗、高需求场景提供了一种更鲁棒的语音增强思路。主要局限性包括：实验为非因果处理、RTF字典构建依赖先验信息、缺乏与端到端深度学习系统的对比。 ...

语音/音乐/音频论文速递 2026-07-15 共分析 25 篇论文 ⚡ 今日概览 📥 抓取 25 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音乐理解 3篇 ███ #声源定位 2篇 ██ #语音伪造检测 2篇 ██ #语音合成 2篇 ██ #语音增强 2篇 ██ #语音识别 2篇 ██ #说话人日志 2篇 ██ #音频事件检测 2篇 ██ 📊 论文评分排行榜（25 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 ChartGenEval: Corruption-Tested Multi-Dimensional Feedb 8.8分 前25% 方法研究 #音乐生成 🥈 Contrasting statistical patterns in melodic and molecul 8.7分 前25% 方法研究 #音乐理解 🥉 Open-Source Intelligence and Music Information Retrieva 7.9分 前25% 应用研究 #音乐理解 4. HSEmotion Team at the 11th ABAW Challenge: Multi-Task L 7.9分 前25% 系统技术报告 #音视频 5. Low-Latency Neural Models for Real-Time Music Enhanceme 7.7分 前25% 系统技术报告 #音乐源分离 6. Do We Really Need Multimodal Emotion Language Models La 7.4分 前50% 方法研究 #语音情感识别 7. ZipL-Dialog: Memory-Efficient Long-Form Spoken Dialog S 7.3分 前50% 系统技术报告 #语音合成 8. The Sound of Absence: Audio-Language Embedding Models S 7.1分 前50% 系统技术报告 #音频检索 9. Real-time Generation of Listener Nodding via Prediction 6.9分 前50% 方法研究 #语音交互 10. Spatial-Frequency Cued Generative Fixed-Filter Active N 6.9分 前50% 方法研究 #声源定位 11. UD-ASD: A Unified Diffusion Model for Anomalous Sound D 6.6分 前50% 方法研究 #音频事件检测 12. Investigating the Integration of Spatial Information in 6.6分 前50% 方法研究 #说话人日志 13. Segregate, Refine, Integrate: Decomposing Multimodal Fu 6.5分 前50% 方法研究 #音频事件检测 14. AutoSIFT: Automatic Style Sifting for Controllable Spee 6.5分 前50% 方法研究 #语音合成 15. Listen first: Output-based multi-microphone speech enha 6.4分 前50% 方法研究 #语音增强 16. Neural Morphing: Sequence-Optimized Token-Level Morphin 6.4分 前50% 系统技术报告 #音频编码 17. Hybrid Continual Learning for Low-Resource Australian A 6.3分 前50% 方法研究 #语音识别 18. Explainable-by-Design Audio Deepfake Detection via Wien 6.1分 前50% 方法研究 #语音伪造检测 19. Traceback Translators Against Forgetting in Continual F 6.0分 前50% 方法研究 #语音伪造检测 20. Automated Synthesis of Facial Mechanisms for Conversati 5.9分 前50% 系统技术报告 #音频理解 21. PolarBM: Complex-valued Boltzmann Machine for Modeling 5.8分 前50% 方法研究 #语音增强 22. Audio-Native Speech Recognition with a Frozen Discrete- 5.7分 前50% 方法研究 #语音识别 23. What is a Musical Scale? Regularity and Convention in t 5.6分 前50% 理论研究 #音乐理解 24. DOA Estimation from One-Bit Magnitude-Only Measurements 5.1分 后50% 方法研究 #声源定位 25. Audio Diarization: A New Paradigm for Exploring Audio R 4.5分 后50% 方法研究 #说话人日志 📋 论文列表 🥇 ChartGenEval: Corruption-Tested Multi-Dimensional Feedback for Rhythm-Game Chart Generation 8.8/10 | 创新 1.7/2 | 严谨 1.3/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 ...

📄 RT-Tango: Real-Time Distributed Binaural Speech Enhancement for Low-Power Hearing Aid Devices #语音增强 #模型压缩 #助听器 5.5/10 | 创新 0.6/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 📝 5.5/10 | 前50% | #语音增强 | #模型压缩 | #助听器 | arxiv 👥 作者与机构 第一作者：Zahra Benslimane（Université Paris-Saclay, CEA, List） 通讯作者：未说明，疑似第一作者（zahra-hafida.benslimane@cea.fr） 作者列表：Zahra Benslimane（Université Paris-Saclay, CEA, List）、Pierre Chouteau（Université Paris-Saclay, CEA, List，原文脚注1同属该机构）、Martyna Poreba（Université Paris-Saclay, CEA, List）、Fabrice Auzanneau（Université Paris-Saclay, CEA, List）、Michal Szczepanski（Université Paris-Saclay, CEA, List）、Fabian Chersi（Université Paris-Saclay, CEA, List）、Romain Serizel（Université de Lorraine, CNRS, Inria, LORIA） 💡 毒舌点评 RT-Tango在极低计算预算下，通过一套组合拳将分布式双耳增强打进了8 ms延迟的世界，工程上的"压榨"做得相当扎实。但论文的实验视野极其狭窄，蜷缩在一个小型模拟数据集和一组特定的声学配置上，且完全回避了与任何主流单/双通道增强SOTA的直接对标。“高效"的旗帜固然亮眼，但缺乏真实硬件验证和开源承诺，让"实用性强"的口号听起来更像是一个美好的愿望。 ...