论文解读
偏好只改文字、锚定稳住声音：WavAlign 的模态分工混合后训练
针对端到端语音对话中统一偏好优化易引起声学漂移的问题，WavAlign 用全 token 有监督微调做声学锚、用仅文本的组相对策略优化改语义并以 rollout 统计动态加权，在两种架构上同时提升语义与表达但仍受限于序列级奖励与音频评价可靠性。
后训练
论文解读
何时想、如何想：用四路奖励教音频大模型做难度自适应的推理
针对音频问答中显式推理不稳定、提示词无法自适应开关思考的问题，Audio-Thinker 用自适应思考准确率奖励加一致性和思考质量奖励在 GRPO 下训练，只用约 4 万条后训练样本就在 MMAU、MMAR 和 AIR 上超过同基座的显式推理基线，代价是依赖外部 Qwen3-8B 做推理裁判并增加强化学习采样开销。
论文解读
以多指标一致偏好约束生成式语音修复：GenSR-Pref 与三范式 DPO 对齐
针对生成式语音修复中似然目标与听感偏好错位及单指标奖励作弊问题，论文用四维一致投票构造约 8 万偏好对并做 DPO 对齐，在 AR、掩码生成与流匹配三范式上报告了一致的客观与主观增益，代价是依赖自动指标代理与同范式数据更有效。
论文解读
一句里装不下两种心情：HybridEmo 如何让 TTS 先走完轨迹再调好混合
语音合成 | 7.5/10
论文解读
给声音装上刻度：TEMPO 如何让大音频语言模型学会报时
音频事件检测 | 7.1/10
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
每日研究速递
语音/音乐/音频论文速递 2026-08-27
共分析 21 篇语音/AI 论文
论文解读
Preference Optimization for Non-Verbal Vocalization Synthesis
语音合成 | 7.1/10
论文解读
Reasoning-Oriented Post-Training and Inference-Time LoRA Rescaling for Audio-Dependent Question Answering
音频理解 | 8.3/10
论文解读
ACE-Cap: Active Evidence Acquisition via Agentic Co-Evolution for Long-Paragraph Fine-Grained Audio Captioning
音频字幕生成 | 7.5/10
论文解读
ARENA: Automated Red-Teaming for Large Audio Language Models
音频理解 | 6.5/10
论文解读
Vorch-Streamer: Extending Human Audio-Visual Generation to Real-Time Long-Form Streaming
音视频生成 | 7.4/10
每日研究速递
语音/音乐/音频论文速递 2026-08-07
共分析 21 篇语音/AI 论文
论文解读
Reinforcement Learning with Evolving Rubrics as Rewards for Audio Reasoning
音频理解 | 7.6/10
每日研究速递
语音/音乐/音频论文速递 2026-08-05
共分析 32 篇语音/AI 论文
论文解读
OPOD: On-Policy Omni Distillation
多模态模型 | 7.1/10
每日研究速递
语音/音乐/音频论文速递 2026-07-24
共分析 18 篇语音/AI 论文
论文解读
FdAudio: MeanFlow-Anchored Fréchet-Distance Post-Training for One-Step Text-to-Audio Generation
音频生成 | 8.6/10
每日研究速递
语音/音乐/音频论文速递 2026-07-14
共分析 53 篇语音/AI 论文
论文解读
Fréchet Distance Loss on Speech Representations for Text-to-Speech Synthesis
语音合成 | 6.5/10