可解释性

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 ...

📄 别只听响度：为什么 AI 炸点声会在“尾巴”里露馅 英文题目：Decay-Region Group Delay as a Forensic Cue for AI-Generated Impulsive Sounds 一句话：论文把脉冲声真伪的判别从幅度谱移到衰减区的群延迟，用后 50% 帧的跨频带变异性等 9 维特征在同分布下拿到 AUC 0.884、单通道群延迟图让 CNN 达到 90% 以上准确率，却在生成器留一平均准确率仅 66.7% 且 AudioLDM2 上近乎失效，证明这是一条可解释的互补线索而非通用检测器。 标签：#音频伪造检测 #Transformer #音频分类 #可解释性 评分：5.8/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5 👥 作者与机构 JaeHyeong Chang：机构信息未在 arXiv HTML 中可靠披露 Chengzhe Sun：机构信息未在 arXiv HTML 中可靠披露 Siwei Lyu：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把物理可解释的群延迟衰减区不一致性做成了可验证的取证线索，并用生成器留一与参数敏感性分析诚实地暴露了泛化脆弱性；短板是数据集高度依赖增强与源域错配，且最具区分度的特征在最难的生成器上仍近乎失效，离可用检测器还有距离。 ...

📄 同样的两段声音，为何转写稳得住、问答就垮掉？ 英文题目：Direct or Mediated? Task-Dependent Audio Information Routing in Large Audio Language Models 一句话：论文用无间隔波形拼接对齐 ASR 与 AQA 的信息需求，再以定向注意力阻断与提示词元探针分离直接检索与介导检索两条路径，发现转写更依赖回答词元直连音频而问答更依赖提示词元中转，且探针在中后层仍保持 67% 至 90.1% 可解性，指向下游利用瓶颈而非信息消失，代价是结论暂限于双段拼接与正确样本上的间接因果证据。 标签：#音频理解 #多模态模型 #语音识别 #可解释性 评分：6.1/10 | 创新 1.2/2 | 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 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Yizhou Zhang：机构信息未在 arXiv HTML 中可靠披露 Wangjin Zhou：机构信息未在 arXiv HTML 中可靠披露 Xin Gu：机构信息未在 arXiv HTML 中可靠披露 Yichi Wang：机构信息未在 arXiv HTML 中可靠披露 Wei Tan：机构信息未在 arXiv HTML 中可靠披露 Yi Zhao：机构信息未在 arXiv HTML 中可靠披露 Zhi Gong：机构信息未在 arXiv HTML 中可靠披露 Keisuke Imoto：机构信息未在 arXiv HTML 中可靠披露 Tatsuya Kawahara：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 用最朴素的波形拼接就捅破了 LALM 单段评测的幻觉，并以定向注意力阻断 Attention Knockout 与提示词元探针的组合拳区分直接检索与提示介导两条路径，机制叙事比刷榜更值得读；硬伤在于因果证据仍是间接的相对重要性排序而非失败样本的直接定位，拼接形态过于理想化且无代码与显著性检验，离可复用的诊断工具链尚有差距。 ...

📄 会数停顿的尺子，为什么比会说话的模型更懂流利度？ 英文题目：Interpretable, Fairly Evaluated Automated L2 Speaking Assessment that Beats the Single-Human Ceiling and Why Pause Encoding Does Not Change LLM Fluency Scores 一句话：这篇论文用不学习人类标签的确定性时序尺子与单一文本大模型的粗粒度判断做混合，在 130 段对话上以 0.818 的相关逼近人类共识，并用受控对比证明暂停怎么写进提示词并不改变分数，代价是结论被锁在单一亚洲口音小样本之内。 标签：#语音质量评估 #大语言模型 #可解释性 #多语言 评分：6.7/10 | 创新 1.4/2 | 技术严谨 1.3/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5 👥 作者与机构 Eichi Uehara：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于用80人共识金标和可靠性校正天花板把“超越单人”算得干净，并用双重说话人隔离与配对自助法把可信度拉满；短板是在\(n=130\)的小样本对话上做文章却包装成通用口语评估突破，且核心流水线闭源仅留一个可视化网页，让“可复现可审计”的口号显得自我矛盾。 📌 核心摘要 针对二语（Second Language, L2）英语学习者缺乏可信口语反馈的问题，论文研究如何在不拟合人类标签的前提下实现可解释的自动化口语评分。方法核心是可解释流水线：将基于De Jong utterance fluency体系的确定性语音时序特征组合与单一文本大语言模型（Large Language Model, LLM）流利度判断做混合，全程不学习金标参数。相较已有SpeechRater、wav2vec 2.0评分器与SpeechLLM评分器，该工作不追求端到端黑盒拟合，而是把时序测量与LLM整体判断解耦，并引入可靠性校正的人类天花板作为公平参照，同时对暂停编码做严格受控对比。在ICNALE Global Rating Archive的130段对话上，混合评分与共识金标的Spearman相关达到\(0.818\)，超过81%训练有素评分员个体并接近可靠性校正上限；受控实验显示三种暂停写法对LLM分数无可靠差异。实际意义在于提供了一种廉价、可解释、可审计的交付度评分范式，适用于高风险场景的辅助评分。主要局限是单一语料、十种亚洲母语偏态、90秒角色扮演对话构念以及小样本导致的统计效力边界。 ...

📄 同音不同形，真的同音吗？当语义在频谱里留下指纹 英文题目：Letters hide the truth from our eyes: English homophones have meaningfully different phonetic realizations 一句话：论文追问英语异形同音词是否真正同音，用时间归一化的梅尔频谱与 GPT-2 上下文嵌入做双向线性映射，证明词义能在时频形状上留下可泛化的痕迹，而代价是结论仍被单一新闻语域和 35 对样本所束缚。 标签：#语音识别 #大语言模型 #可解释性 #语音合成 评分：6.8/10 | 创新 1.5/2 | 技术严谨 1.3/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5 👥 作者与机构 Yu-Hsiang Tseng：University of Tübingen, Germany Mirjam T. C. Ernestus：Radboud University, the Netherlands Louis F. M. ten Bosch：Radboud University, the Netherlands R. Harald Baayen：University of Tübingen, Germany 💬 毒舌点评 亮点在于用时间归一化梅尔频谱与上下文嵌入的线性映射直接挑战音位抽象层的经典假设，证据链从判别到生成再到去时长控制相当完整。短板是全部结论绑在美国电视新闻这一单一正式语域和35对异形同音词上，且完全依赖GPT-2文本嵌入代理语义，对说话人、韵律和对齐误差的混淆控制仍显单薄。 ...

📄 当乐评人说两位歌手很像，声音本身答应吗？ 英文题目：Recovering Expert Critic-Sourced Network Adjacency between Musical Artists from Acoustic Distributions: A Construct-Validity Approach 一句话：论文把乐评共现当作待检验的构念而非真值，用 80 维声学分布的边缘 Wasserstein 距离向量预测无向邻接，在艺人不相交冷启动下以 0.767 到 0.865 的 AUC 分层验证出声学核心与社会学残差的二分，代价是陈旧的标量特征与弱实体链接且缺乏现代表征对照。 标签：#音乐推荐 #集成学习 #音乐理解 #可解释性 评分：5.8/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.7/1.5 👥 作者与机构 Elena Badillo-Goicoechea：The University of Chicago Fengfeng He：The University of Chicago 💬 毒舌点评 亮点在于把乐评人共现这一主观网络用分布式的声学基线做构念效度检验，并用共识分层揭示出声学核心与社会学残差的有趣二分，思路比单纯做相似度回归更具音乐学解释力。短板是声学侧仅用 80 维 Essentia 标量特征的边缘 Wasserstein 距离，完全丢弃特征间联合结构与时序，且图构建依赖 NLTK/TextBlob 的弱命名实体识别与归一化匹配，可靠性与可复现性均存疑。 ...

📄 不只给一个抑郁概率：把声音拆成四条可审计的 DSM-5 线索 英文题目：Towards Interpretable Depression Detection: Linking Acoustic Features to DSM-5 Indicators 一句话：为解决抑郁语音检测黑盒化与云端隐私风险，该工作用显式规则的 Linkage Framework 把声学特征映射到 4 项可语音观测的 DSM-5 指标，并在 DAIC-WOZ 上验证出方向一致但校正后不显著的关联，代价是放弃端到端性能对比且证据仍限于小样本访谈数据。 标签：#语音情感识别 #端到端 #可解释性 #流式处理 评分：7.1/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 0.6/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5 👥 作者与机构 Jonas Länzlinger：机构信息未在 arXiv HTML 中可靠披露 Katharina O.E. Müller：机构信息未在 arXiv HTML 中可靠披露 Burkhard Stiller：机构信息未在 arXiv HTML 中可靠披露 Bruno Rodrigues：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 把黑盒抑郁概率拆成可审计的声学特征到 DSM-5 指标的显式链路，并真把全链路压到端侧跑通，是本工作的唯一卖点；代价是所谓验证仅在 64 人的 DAIC-WOZ 子集上做方向性检查且经 FDR 校正后全部不显著，合成 TESS 拼接音频的流式演示也无法替代真实家庭纵向评估，离可信临床证据至少还差一次大规模纵向研究。 ...

语音/音乐/音频论文速递 2026-08-29 共分析 29 篇论文 ⚡ 今日概览 ✅ 筛选入选 29 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音识别 5 篇 █████ #语音交互 3 篇 ███ #音视频理解 3 篇 ███ #音频检索 2 篇 ██ #音频理解 2 篇 ██ #LoRA 1 篇 █ #多模态模型 1 篇 █ #空间音频 1 篇 █ 📊 论文评分排行榜（29 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 AudioSpan: Spanning the Duration and Depth of Audio… 8.7 前25% 数据集与基准 #音频理解 🥈 StreamAV-Bench: A Comprehensive Benchmark for… 8.2 前25% 数据集与基准 #音频生成 🥉 AfriSwitch: A Benchmark for In-the-Wild African Code… 8.1 前25% 数据集与基准 #语音识别 4. Said Aloud, Read Different: Cross-Modal Instability in… 8.1 前25% 数据集与基准 #音视频问答 5. Your Voice Cloning System is Secretly a Voice… 8.0 前25% 方法研究 #语音转换 6. Vagdhenu: A Vrutta (Meter) Aware Shloka-to-Chant (TTS)… 7.9 前25% 系统技术报告 #语音合成 7. Modality Maturity Index: A benchmark for assessing… 7.8 前25% 数据集与基准 #音视频理解 8. Emotion Understanding in Streaming Video with… 7.7 前25% 方法研究 #音视频理解 9. SpeechGym: An Audio-Native Gym for Training Voice… 7.6 前25% 系统技术报告 #语音交互 10. Omni-Interactive Universal Embedder 7.5 前25% 方法研究 #音频检索 11. Multi2AV-Safety: Benchmarking Safety in Multimodal-to… 7.3 前50% 数据集与基准 #音视频生成 12. Mapping Written Words to Spoken Words in a Different… 7.3 前50% 方法研究 #音频检索 13. Towards Interpretable Depression Detection: Linking… 7.1 前50% 系统技术报告 #语音情感识别 14. Letters hide the truth from our eyes: English… 6.8 前50% 方法研究 #语音识别 15. Interpretable, Fairly Evaluated Automated L2 Speaking… 6.7 前50% 方法研究 #语音质量评估 16. When Text Misleads: Inconsistent-Aware Reasoning for… 6.6 前50% 数据集与基准 #语音交互 17. From Sound to Symptom: Real-Time Respiratory Signal… 6.4 前50% 系统技术报告 #音频事件检测 18. Scaling phoneme-based TTS augmentation for ASR: A… 6.2 前50% 方法研究 #语音识别 19. Direct or Mediated? Task-Dependent Audio Information… 6.1 前50% 方法研究 #音频理解 20. Attention-Guided Reliability Scaling for Contrastive… 6.0 前50% 方法研究 #语音识别 21. Soft Active Electromyography Interface for Machine… 5.9 前50% 系统技术报告 #语音识别 22. A Reranker for Orchestrating Heterogeneous Speech and… 5.8 前50% 方法研究 #LoRA 23. Decay-Region Group Delay as a Forensic Cue for AI… 5.8 前50% 方法研究 #音频伪造检测 24. Recovering Expert Critic-Sourced Network Adjacency… 5.8 前50% 方法研究 #音乐推荐 25. Benchmarking_Fast_Domain_Adaptation_for_Unsupervised_S… 5.5 前50% 数据集与基准 #语音编码 26. GAN-based Joint Dereverberation and Directional… 5.3 后 50% 方法研究 #空间音频 27. Real-TurnTurk: A Multimodal Turkish Corpus for Turn… 5.1 后 50% 数据集与基准 #多模态模型 28. A Safety-Gated Multimodal AI Backend for Mental-Health… 5.0 后 50% 系统技术报告 #语音交互 29. How AI Experiences Art: Emergent Aesthetic Structure… 4.0 后 50% 方法研究 #音视频理解 📋 论文列表 🥇 长音频不是更长的短音频：AudioSpan 如何逼模型证明它真的听见了 英文题目：AudioSpan: Spanning the Duration and Depth of Audio Comprehension ...

📄 别把中层热图当读心术：音频 LLM 的工作空间究竟替谁完成了推理 英文题目：Can We Read the Mind of an Audio LLM? A Verbalizable, Multilingual Middle-Layer Workspace 一句话：这篇论文最有价值的不是把中层 readout 拟人化，而是用只换波形的控制、层带对照和干预实验把可读概念收束为可证伪命题：声音驱动信息在中段最容易脱离文字先验被识别，并在输出层之前已被系统使用。 标签：#音频理解 #音频大模型 #多模态模型 #可解释性 #模型评估 评分：6.6/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 0.4/1.5 💬 毒舌点评 它真正做对的是没有把单张漂亮热图当结论。waveform-swap 先按住文字先验，Table 2 再区分可分性与 raw 增益，最后以 patching 接上 motor 前已被使用的证据；这条从可读到归因再到干预的路径，给音频解释性提供了实验科学的起点。 但这张地图不是监控器。logit lens 是近似读出，Nixon/caption 个案不能替代大规模对齐，patching 也不能把因果功劳独给 workspace。没有代码、成本、真实代理行为或安全任务；把中层最能和文字先验分开升级成系统可被可靠读心，会比作者自己的结论走得远得多。 📌 核心摘要 先把“读心”降格：中层词必须经得起声音与因果两道追问 这篇论文最有价值的不是把中层 readout 拟人化，而是用只换波形的控制、层带对照和干预实验把可读概念收束为可证伪命题：声音驱动信息在中段最容易脱离文字先验被识别，并在输出层之前已被系统使用。 ...

📄 让每个频率格为自己的关系负责：DS 接入音乐模型 英文题目：Dissonance Spectrum explicitly models perceptual frequency interactions for better music understanding 一句话：DS 以有理比关系核把 CQT 中同时出现的频率关系归回各自的 target bin，再用零初始化的轻量支路检验这种显式结构能否在不扰动宿主起点的条件下补足音乐理解。 标签：#音乐理解 #Adapter #可解释性 #模型评估 评分：7.2/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 0.7/1.5 💬 毒舌点评 DS 最扎实的选择，是让每个 target bin 为自身参与的关系负责，而不是把整帧压成无法追问来源的标量。frequency-axis correlation 使这个关系核避开 K²T 存储，零初始化 gated residual adapter 又保证接入前不改变宿主函数；Gaussian 与同架构 CQT 控制也让“只是多了参数或第二支路”的解释较难成立。 但最该泼冷水的是相对 CQT 的增益并不大：MusicQA 只高 .0028，且 3 个比较的 Holm-adjusted sign test 都为 .0938。relation transform 还没有从压缩与归一化中完全拆开，理论排序和 BERTScore-R 更不能升级为人类悦耳、张力或和声理解的裁决；它是可解释补充先验，不是感知理论已经获证。 ...