论文解读
热启动之后再听一次：用隐状态夹角找出语义词并只在那里纠错
论文在 LoRA 适配的 ASR-LLM 中复用基座 LLM，以对应层隐状态的余弦相似度和范数比定位需语义纠错的词；单遍混合解码的平均实体错误率为 18.38%，有效搜索宽度约为贪心的 1.4 倍，双遍精修则把波束基线的 18.29% 降到 17.69%，但其总计算成本与墙钟时间未量化。
参数高效微调
子标签
下方只统计已核验方向的论文记录，按已核身份去重，身份待核时按页面保留。“直接”只含明确标注该方向的论文；“含子树”同时包含下级方向。点击名称进入论文库继续筛选；数量与上方按标签名称收录的页面数不同。
论文解读
十六种方言同一套音频：辨别与转写为何难同步提升
该挑战用同一批十六类方言音频同时考辨别与转写，统一基线仅 53.62% 辨别准确率与 18.10% 转写错误率，最强受限系统做到 83.19% 与 11.08%，而困难方言与混淆方向显示两任务相关但不可互相替代。
论文解读
真假混在一起时：让大模型先分轨再判真伪的 ToolDF
针对一段音频里同时含真实与伪造、跨时间与跨声源的混合真实性检测，ToolDF 用音频大模型做编排器按结构调用分离与四个领域专家并执行早失败汇总，在复合类型上取得最高的 C-Avg. 81.89，代价是依赖外部工具的可靠性。
每日研究速递
语音/音乐/音频论文速递 2026-09-04
共分析 30 篇语音/AI 论文
论文解读
别让音频去写作，让它来验货：AVERT 对口语状态跟踪的裁决式修正
语音识别 | 7.6/10
论文解读
一个人、一套配方、七种适配器：重度构音障碍识别该押注哪种微调
语音识别 | 5.9/10
论文解读
念对了也白搭：尼泊尔金融语音里被格式卡住的钱包
语音识别 | 6.1/10
论文解读
剧本写好了时间，音画却演错了拍子：用路由把时间还给剧本
音视频生成 | 7.5/10
每日研究速递
语音/音乐/音频论文速递 2026-09-03
共分析 18 篇语音/AI 论文
论文解读
把混音师的耳朵写成奖励：SPHERE 如何让 3B 音频语言模型学会摆位
音乐生成 | 6.9/10
论文解读
别再只调大模型：用 88 行文字把声音的破绽说给 LLM 听
语音伪造检测 | 6.4/10
论文解读
听见了，就要指得出来：用可验证的时间证据检验音乐大模型的耳朵
音乐理解 | 6.5/10
论文解读
当声音在笑、文字在哭：大音频语言模型为何听不见讽刺
语音情感识别 | 8.1/10
每日研究速递
语音/音乐/音频论文速递 2026-09-01
共分析 49 篇语音/AI 论文
论文解读
对齐做得更紧，模型却更早替你做决定：音视频矛盾下的晚期先验固化
音视频理解 | 6.5/10
每日研究速递
语音/音乐/音频论文速递 2026-08-31
共分析 22 篇语音/AI 论文
论文解读
当语音和文本各说各话，重排器如何当翻译官？
LoRA | 5.8/10
每日研究速递
语音/音乐/音频论文速递 2026-08-29
共分析 29 篇语音/AI 论文
论文解读
Speech-to-SOAP: End-to-End Summarization of Medical Dialogues: KIT@BeTraC 2026
音频理解 | 7.7/10
每日研究速递
语音/音乐/音频论文速递 2026-08-26
共分析 26 篇语音/AI 论文