医疗音频

📄 Simulation-to-Real First-Break Segmentation for Efficient Inversion in Musculoskeletal Ultrasound Tomography 标签：#音频事件检测 #CNN #迁移学习 #医疗音频 9.8/10 | 创新 1.6/2 | 严谨 1.4/1.5 | 实验 1.4/1.5 | 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 1.3/1.5 🔥 9.8/10 | 前10% | 文档类型：应用研究 | 评分置信度：中 | #音频事件检测 | #CNN | #迁移学习 #医疗音频 | arxiv 👥 作者与机构 第一作者：Yifei Sun（State Key Laboratory of Acoustics and Marine Information、Laboratory of Ultrasonics, Institute of Acoustics, Chinese Academy of Sciences；University of Chinese Academy of Sciences；Université Bourgogne Europe, IMVIA UR 7535） 通讯作者：Yubing Li、Weijun Lin 作者列表：Yifei Sun、Yubing Li、Yannick Benezeth、Stéphanie Bricq、Yunrong Zhang、Lekang Jiang、Chang Su、Ligang Cui、Weijun Lin（机构：Institute of Acoustics, Chinese Academy of Sciences；University of Chinese Academy of Sciences；Université Bourgogne Europe, IMVIA UR 7535；Department of Ultrasound, Peking University Third Hospital） ...

📄 Towards Actionable Surgical Team Dynamics: from Teamwork to Counterfactual Annotations 标签：#音视频理解 #图神经网络 #说话人日志 #医疗音频 8.9/10 | 创新 1.7/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.3/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8.9/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：中 | #音视频理解 | #图神经网络 | #说话人日志 #医疗音频 | arxiv 👥 作者与机构 第一作者：Vincenzo Marco De Luca（University of Trento, Trento, Italy） 通讯作者：正文未明确标注 作者列表：Vincenzo Marco De Luca、Antonio Longa、Andrea Passerini（机构：University of Trento, Italy；UiT the Arctic University of Norway, Norway） ...

语音/音乐/音频论文速递 2026-08-25 共分析 46 篇论文 ⚡ 今日概览 ✅ 筛选入选 46 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音识别 7 篇 ███████ #音视频理解 4 篇 ████ #语音交互 3 篇 ███ #语音增强 3 篇 ███ #语音情感识别 3 篇 ███ #音频事件检测 3 篇 ███ #音频理解 3 篇 ███ #语音合成 2 篇 ██ 📊 论文评分排行榜（46 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 TLive-Omni: An Omni-Modal Understanding Model for E… 10.0 前10% 系统技术报告 #音视频理解 🥈 sanoTTS: The Smallest Real-Time Neural TTS on a… 10.0 前10% 系统技术报告 #语音合成 🥉 Do Spoken Language Models Hear Speech as They Read… 10.0 前10% 方法研究 #语音交互 4. LipsAM: Lipschitz-continuous Neural Networks for… 10.0 前10% 理论研究 #音频修复 5. PolyChirp: Multi-Species Birdsong Classification Using… 10.0 前10% 系统技术报告 #音频分类 6. EchoWM: Open and Enterable Omnimodal World Models 10.0 前10% 系统技术报告 #音视频生成 7. Simulation-to-Real First-Break Segmentation for… 9.8 前10% 应用研究 #音频事件检测 8. A Computationally Efficient Likelihood Approximation… 9.8 前10% 方法研究 #声源定位 9. A Factorial Ablation of a Speech-to-SFT Pipeline… 9.7 前10% 应用研究 #语音交互 10. Self-Supervised Speech Representations Track Spoken… 9.7 前10% 应用研究 #语音属性识别 11. AudioWorldSim: Realistic Binaural Audio Datasets For… 9.7 前10% 系统技术报告 #空间音频 12. AT-ADD: A Benchmark and Challenge for Robust and All… 9.6 前10% 数据集与基准 #音频伪造检测 13. WnW: Waxing-and-Waning KV Cache for Long-Form Speech… 9.4 前10% 方法研究 #语音交互 14. Better Retrieval, Worse Robustness: How Multi-hop RAG… 9.1 前10% 应用研究 #音频理解 15. Training DeepFilterNet with Accurate Room Acoustic… 9.0 前10% 应用研究 #语音增强 16. TurboBias 2.0: Streaming Context-Biasing for… 9.0 前10% 系统技术报告 #语音识别 17. FlowSep 2: Self-Supervised Flow Matching for Language… 9.0 前10% 方法研究 #音频分离 18. Pre-Decoding Acoustic Triage for Budgeted Vision… 9.0 前10% 方法研究 #音视频理解 19. Do SpeechLMs Hear Their Own Opinions? Diagnosing and… 8.9 前25% 方法研究 #语音情感识别 20. MRMAD: A Multi-Round Multi-Audio Benchmark for… 8.9 前25% 数据集与基准 #音频质量评估 21. Unsupervised Speech Recognition at the Syllable Level 8.9 前25% 方法研究 #语音识别 22. Towards Actionable Surgical Team Dynamics: from… 8.9 前25% 数据集与基准 #音视频理解 23. Long-Horizon Audio-Visual Generation for Persistent… 8.9 前25% 系统技术报告 #音视频生成 24. Do Time-Series Foundation Models Pay Off for… 8.8 前25% 应用研究 #音频事件检测 25. MusPyExpress: Extending MusPy with Enhanced Expression… 8.7 前25% 系统技术报告 #音乐理解 26. Adaptive Hierarchical Representation Alliance for… 8.6 前25% 方法研究 #语音情感识别 27. Vibrato Matching for Modulation Control and Blending… 8.5 前25% 方法研究 #音频生成 28. Spiking Neural Networks for Energy-Efficient Object… 8.5 前25% 应用研究 #音频事件检测 29. Development and Feasibility Evaluation of an Edge AI… 8.4 前25% 应用研究 #语音识别 30. Dual-Scale State-Space Modeling with Speaker-Wise… 8.4 前25% 方法研究 #语音情感识别 31. μNet: Ultra-Low-Memory and Low-Complexity Speech… 8.3 前25% 方法研究 #语音增强 32. Cross-Subject Generalization in Decoding Perceived… 8.3 前25% 方法研究 #语音识别 33. Reasoning-Oriented Post-Training and Inference-Time… 8.3 前25% 应用研究 #音频理解 34. Multi-Modal Semantic Expansion with Constrained LLM… 8.3 前25% 系统技术报告 #音乐推荐 35. DAMOS: Learning Distortion-Aware Speech Quality… 8.2 前25% 方法研究 #语音质量评估 36. Multi-Task Learning for Non-Canonical Phoneme… 8.2 前25% 方法研究 #语音识别 37. MetaSICL: Globalizing Auditory LLMs for Underserved… 8.0 前25% 方法研究 #音频理解 38. AudioNoisePrints: Model-free audio watermarking using… 7.9 前25% 方法研究 #音频水印 39. Building and Evaluating a Synthetic Bengali Speech… 7.6 前25% 数据集与基准 #语音合成 40. SlimDiffuSE: Towards Efficient Diffusion-Based Speech… 7.6 前25% 方法研究 #语音增强 41. DiaScriber: A Speech LLM for Joint Diarization and… 7.3 前50% 方法研究 #语音识别 42. A Regularized Block Diagonal RLS Algorithm for… 7.2 前50% 方法研究 #回声消除 43. Separating Voice from Age in COPD Screening 7.2 前50% 应用研究 #语音属性识别 44. Mitigating Speaker Leakage in Cascaded Multi-talker… 7.1 前50% 方法研究 #语音识别 45. Motion-Aware Reasoning from Speech to Mask Tracks… 7.1 前50% 系统技术报告 #音视频理解 46. Humanoid Musical Robots as Experimental Interfaces for… 5.9 前50% 应用研究 #音视频交互 📋 论文列表 🥇 TLive-Omni: An Omni-Modal Understanding Model for E-Commerce Live Streaming 10.0/10 | 创新 1.7/2 | 严谨 1.4/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 1.5/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ...

📄 Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings 标签：#语音识别 #大语言模型 #端到端 #医疗音频 7.5/10 | 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 0.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.5/10 | 前25% | 文档类型：应用研究 | 评分置信度：中 | #语音识别 | #大语言模型 | #端到端 #医疗音频 | arxiv 👥 作者与机构 第一作者：Mingfang Zhang（机构未说明） 通讯作者：未说明 作者列表：Mingfang Zhang、Jarod Lévy、Cedric Rommel、Jérémy Rapin、Corentin Bel、Julie Bonnaire、Daniel Nieto、Pierre Bourdillon、Svetlana Pinet、Stéphane d’Ascoli、Thomas Moreau、Jean-Rémi King（机构信息未在当前正文中完整说明） ...

📄 Large Language Models in Mental Health: A Systematic Review of Applications, Innovations, and Ethical Challenges 标签：#多模态模型 #大语言模型 #医疗音频 #模型评估 6.0/10 | 创新 1/2 | 严谨 0.9/1.5 | 实验 0.9/1.5 | 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 0.8/1.5 ✅ 6.0/10 | 前50% | 文档类型：综述 | 评分置信度：中 | #多模态模型 | #大语言模型 | #医疗音频 #模型评估 | arxiv 👥 作者与机构 第一作者：Yisong Chen（机构未说明） 通讯作者：未说明 作者列表：Yisong Chen、Yifan Gao、Sijing Yu、Chuqing Zhao、Yang Lu（机构信息未在当前正文中完整说明） ...

📄 Pedagogical AI in Mental Health: A Tri-Stream Fine-Tuned LLM Framework for Automated Clinical Supervision and Risk Triage 标签：#多模态模型 #大语言模型 #医疗音频 #可解释性 6.7/10 | 创新 1.2/2 | 严谨 1/1.5 | 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 1/1.5 ✅ 6.7/10 | 前50% | 文档类型：应用研究 | 评分置信度：中 | #多模态模型 | #大语言模型 | #医疗音频 #可解释性 | arxiv 👥 作者与机构 第一作者：Shreeya Sharma（机构未说明） 通讯作者：未说明 作者列表：Shreeya Sharma、Ravish Gupta、Saket Kumar、Abhishek Aggarwal（机构信息未在当前正文中完整说明） ...

📄 Understanding Multilingual Medical ASR Adaptation Through Layer-Wise Analysis 标签：#语音识别 #领域适应 #多语言 #医疗音频 7.2/10 | 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 0.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.2/10 | 前50% | 文档类型：应用研究 | 评分置信度：中 | #语音识别 | #领域适应 | #多语言 #医疗音频 | arxiv 👥 作者与机构 第一作者：Souranil Kahali（机构未说明） 通讯作者：未说明 作者列表：Souranil Kahali、Rituparna Bose、Abner Hernandez、Tomas Arias-Vergara、Andreas Maier、Ning Ma、Paula Andrea Perez-Toro（机构信息未在当前正文中完整说明） 💡 毒舌点评 这项层级分析研究最大的问题是样本基础太薄：德语侧只有 86 条训练语句且来自单一医生的单场手术，44.96% 的词错率只是小型域内诊断，任何跨说话人或跨医院的外推都不成立。英德九百九十七对八十六的极端不平衡也让「直接联合训练优于两阶段」的结论存疑——采样比例与训练动态的混杂没有被重采样或损失平衡实验分离。层级发现又只覆盖 Whisper-Small，无法推广到表现最好的 Medium 与 Large-v3 配置。 ...

语音/音乐/音频论文速递 2026-08-20 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 #多模态模型 3篇 ███ #音频理解 3篇 ███ #语音交互 2篇 ██ #语音识别 2篇 ██ #音乐理解 2篇 ██ #音频分类 2篇 ██ #音频生成 2篇 ██ #语音合成 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 🥇 Alignment Is All You Need: Instruction-Free Training fo 8.0分 前25% 模型报告 #音频理解 🥈 Aslema at NADI 2026: Augmentation through Fewshot for S 8.0分 前25% 系统技术报告 #语音交互 🥉 X2Streaming-TTS: Causal Token-Level Text-to-Speech from 7.9分 前25% 模型报告 #语音合成 4. Generalized Audio-Driven Synthesis of Precise Drummer M 7.8分 前25% 模型报告 #音视频生成 5. Computational Features for Symbolic Melody Analysis 7.6分 前25% 系统技术报告 #音乐理解 6. Geometric Iterative Retrieval for Neural Audio Codec Re 7.6分 前25% 方法研究 #音频编码 7. Evaluating Music Context Preservation: A Multi-facet Fr 7.5分 前25% 数据集与基准 #音乐理解 8. Nine Emotion Centroids: A Label-Free Valence Axis That 7.5分 前25% 方法研究 #音频理解 9. Accurate Decoding of Natural Sentences from Non-Invasiv 7.5分 前25% 应用研究 #语音识别 10. Mitigating Spectral Bias in Neural Operators for Underw 7.3分 前50% 方法研究 #音频理解 11. FM Synthesizer Audio-Parameter Shared Embeddings 7.3分 前50% 方法研究 #音频生成 12. Low-Power, Neuromorphic, Acoustic Anomaly Detection for 7.3分 前50% 应用研究 #音频分类 13. Finetuning Strategies for Querying Sounds by Vocal Imit 7.3分 前50% 系统技术报告 #音频检索 14. Understanding Multilingual Medical ASR Adaptation Throu 7.2分 前50% 应用研究 #语音识别 15. Multimodal Rapport Estimation in Real-World HRI 7.0分 前50% 应用研究 #多模态模型 16. StocksTalk: A Voice-Enabled Conversational Agent for St 6.7分 前50% 系统技术报告 #语音交互 17. ChiroEcho: extending automated bat vocalisation classif 6.7分 前50% 方法研究 #音频分类 18. Pedagogical AI in Mental Health: A Tri-Stream Fine-Tune 6.7分 前50% 应用研究 #多模态模型 19. Sounds Uncertain: Exploring the Affective Aspects of So 6.7分 前50% 应用研究 #音频生成 20. Large Language Models in Mental Health: A Systematic Re 6.0分 前50% 综述 #多模态模型 📋 论文列表 🥇 Alignment Is All You Need: Instruction-Free Training for General Audio-Language Models 8.0/10 | 创新 1.7/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ...

📄 CardioState-JEPA: Delay-Aware Cross-Modal Learning of a Shared Cardiac Representation 标签：#音频分类 #自监督学习 #多模态模型 #Transformer #医疗音频 7.2/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 7.2/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频分类 | #自监督学习 | #多模态模型 #Transformer | arxiv 👥 作者与机构 第一作者：Hamza Shafiq（机构未明确；文中“Affiliation: Jun Hu”标注异常） 通讯作者：Aaqib Saeed（Eindhoven University of Technology, Netherlands；a.saeed@tue.nl） 作者列表：Hamza Shafiq（机构未明确）、Hung Manh Pham（Singapore Management University, Singapore）、Bin Zhu（Singapore Management University, Singapore）、Pan Zhou（Singapore Management University, Singapore）、Aaqib Saeed（Eindhoven University of Technology, Netherlands） 💡 毒舌点评 本文把 ECG、PPG、PCG 之间的生理学延迟建模为可学习的一等公民部件，延迟感知 latent prediction 加上两阶段课程在多个下游任务中确实带来显著提升，尤其对过去较弱的心音 PCG 任务贡献清楚。跨模态对齐不是简单拼接，而是通过可微高斯核和生理 anchor 监督把延迟估计嵌入训练目标，这比 naive timestamp alignment 有实质进步。但论文在无代码、无权重、部分关键训练细节未交代的前提下，仍把“统一心脏基础模型”的叙述推得较满，复现性和工业可信度明显打折；PCG 基线选择和统计显著性也仍有可诟病之处。 ...

📄 Motor, Cognitive, or Corpus? What Survives Cross-Lingual Transfer in Speech-Based Parkinsons Disease Detection 标签：#语音属性识别 #自监督学习 #迁移学习 #多语言 #医疗音频 6.1/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1.1/1.5 | 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 ✅ 6.1/10 | 前50% | 文档类型：应用研究 | 评分置信度：中 | #语音属性识别 | #自监督学习 | #迁移学习 #多语言 | arxiv 👥 作者与机构 第一作者：Serli Kopar（Hertie Institute for AI in Brain Health, University of Tübingen；Tübingen AI Center, University of Tübingen） 通讯作者：未说明 作者列表：Serli Kopar（Hertie Institute for AI in Brain Health, University of Tübingen；Tübingen AI Center, University of Tübingen）、Sam Gijsen（Hertie Institute for AI in Brain Health, University of Tübingen；Tübingen AI Center, University of Tübingen；Charité–Universitätsmedizin, Department of Psychiatry and Psychotherapy, Berlin）、Abner Hernandez（Pattern Recognition Lab, Friedrich-Alexander-Universität Erlangen-Nürnberg）、Paula Andrea Perez-Toro（Pattern Recognition Lab, Friedrich-Alexander-Universität Erlangen-Nürnberg）、Kerstin Ritter（Hertie Institute for AI in Brain Health, University of Tübingen；Tübingen AI Center, University of Tübingen；Charité–Universitätsmedizin, Department of Psychiatry and Psychotherapy, Berlin） 💡 毒舌点评 这篇论文做了一件很多临床语音研究回避的事：把语料内看起来不错的 PD 检测放到跨语种、跨录音条件和跨病种下检验，结论像一盆冷水——模型主要学到的是“患者 vs 健康”，而不是“是否 PD”。亮点是问题定义直接、五场景分层递进清晰，并首次在德语痴呆队列上系统检验 PD 特异性，直接戳破仅与健康对照比较的假象。短板则是跨病理特异性证据只来自 9/540 个勉强达标组合，存在明显表现依赖选择风险；代码与完整超参均未公开，负面结论的可复现性打了一定折扣。作为诊断性评估研究，它不提供新模型，但提供了临床部署前必须面对的一组压力测试。 ...