论文解读
打开混响黑盒：从 Schroeder 结构到可核对的分析与移植路径
论文以 Schroeder 历史混响为案例，主张用开放架构重建 comb 与 all-pass 组合，通过 Csound 脉冲响应分析与 par/seq 重建验证理解过程，代价是遇到效率限制而把 C 编译 opcode 留作后续工作。
可解释性
论文解读
注意力三角：当音频-视频边把鹦鹉的话转给海盗
论文研究文本到音频视频联合生成中的语义泄漏与声源归属错误，提出只在推理时对文本-视频、文本-音频、音频-视频三条交叉注意力边加偏置的转向方法，在 100 个挑战提示上把 Qwen 声源归属分从 0.1216 提高到 0.1349，代价是约 2.5 倍推理开销。
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
先找到证据，再敢打分：PhoenixNest-Video 如何让面试评分可回放
音视频理解 | 6.3/10
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
听见了却不听从：音频大模型在编码器里记住语气，在解码器里忘记语气
语音情感识别 | 6.0/10
论文解读
别只看频谱长什么样：用 19 维力学视角重写环境声音的描述方式
音频分类 | 5.7/10
论文解读
听不见的指纹更可信？把语音伪造溯源拆成可感知与不可感知两条线索来验
语音伪造检测 | 7.4/10
论文解读
单麦克风里拆出心跳与呼吸：小波、时序与可解释潜空间为何要一起工作
音频分离 | 6.6/10
每日研究速递
语音/音乐/音频论文速递 2026-09-02
共分析 23 篇语音/AI 论文
论文解读
把咳嗽声拆开：用高斯对齐让模型忘记敏感属性
音频分类 | 5.5/10
论文解读
口音不是噪声，是距离：当母语离英语越远，ASR 的潜空间就越把你推开
语音识别 | 6.9/10
论文解读
别再比谁更像人：当生成音乐的评价回到音乐人的工作台
音乐生成 | 7.3/10
论文解读
模型听见的是期待的语调：当讽刺检测依赖高音与停顿的刻板印象
语音情感识别 | 7.4/10
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
论文解读
当和声不再只谈音高：用搬运代价度量音色的几何
音乐理解 | 5.5/10
论文解读
0.76 分里的诚实：当语音失灵时，眼睛如何泄露下一句话的时机
语音交互 | 6.0/10
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
别只听响度：为什么 AI 炸点声会在“尾巴”里露馅
音频伪造检测 | 5.8/10