基准测试

ICML 2026 语音/音频论文详细分析 共分析 137 篇 ICML 2026 论文 🎯 任务分类 点击任务标签查看该方向所有论文： 音视频理解（18篇） 音视频生成（10篇） 音频分类（9篇） 音频理解（8篇） 音乐生成（8篇） 语音合成（8篇） 音视频问答（8篇） 语音识别（5篇） 语音伪造检测（4篇） 语音交互（4篇） 语音增强（4篇） 语音编码（4篇） 多模态模型（3篇） 音频伪造检测（3篇） 音频分离（2篇） 空间音频（2篇） 音频编码（2篇） 音频修复（2篇） 语音属性识别（2篇） 音频生成（2篇） ⚡ 会议概览 📥 ICML 2026 接收 6341 篇论文 → 🔍 关键词 + LLM 筛选 137 篇音频/语音/音乐相关 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音视频理解 18篇 ██████████████████ #音视频生成 10篇 ██████████ #音频分类 9篇 █████████ #音频理解 8篇 ████████ #音乐生成 8篇 ████████ #语音合成 8篇 ████████ #音视频问答 8篇 ████████ #语音识别 5篇 █████ #语音伪造检测 4篇 ████ #语音交互 4篇 ████ #语音增强 4篇 ████ #语音编码 4篇 ████ #多模态模型 3篇 ███ #音频伪造检测 3篇 ███ #音频分离 2篇 ██ 📊 论文评分排行榜（137 篇，按分数降序） 排名 论文 评分 分档 主任务 🥇 TimeChat-Captioner: Scripting Multi-Scene Videos with T 9.4分 前10% #音视频理解 🥈 Joint Enhancement and Classification using Coupled Diff 9.3分 前10% #语音识别 🥉 Learning Tight Rejection Boundaries without Negatives f 9.3分 前10% #语音伪造检测 4. AVTrack: Audio-Visual Tracking in Human-centric Complex 9.3分 前10% #音视频理解 5. A Semantically Consistent Dataset for Data-Efficient Qu 9.2分 前10% #音频分离 6. SAM Audio: Segment Anything in Audio 9.2分 前10% #音频分离 7. MECAT: A Multi-Experts Constructed Benchmark for Fine-G 9.1分 前10% #音频理解 8. $\tau$-Voice: Benchmarking Full-Duplex Voice Agents on 9.1分 前10% #语音交互 9. PhaseCoder: Microphone Geometry-Agnostic Spatial Audio 8.7分 前25% #空间音频 10. BAT: Better Audio Transformer Guided by Convex Gated Pr 8.6分 前25% #音频分类 11. SPEAR: A Unified SSL Framework for Learning Speech and 8.4分 前25% #音频理解 12. Dual-View Predictive Diffusion: Lightweight Speech Enha 8.4分 前25% #语音增强 13. Unlocking Cross-Modal Biosignal Synthesis: A Temporally 8.3分 前25% - 14. CoLA: Cross-Modal Low-rank Adaptation for Multimodal Do 8.3分 前25% #音视频理解 15. Speech-Audio Compositional Attacks on Multimodal LLMs a 8.3分 前25% #音频理解 16. MoST: Mixing Speech and Text with Modality-Aware Mixtur 8.2分 前25% - 17. IVQ: Structured and Lightweight Vector Quantization via 8.2分 前25% #音频编码 18. Spherical Procrustes Alignment for Reliable Medical Aud 8.2分 前25% #音频分类 19. Attend to Anything: Foundation Model for Unified Human 8.2分 前25% #音视频理解 20. VocSim A Training-free Benchmark for Zero-shot Content 8.2分 前25% #音频检索 21. JAEGER: Joint 3D Audio-Visual Grounding and Reasoning i 8.1分 前25% #声源定位 22. LALM-as-a-Judge: Benchmarking Large Audio-Language Mode 8.1分 前25% #语音交互 23. Pianist Transformer: Towards Expressive Piano Performan 8.1分 前25% #音乐生成 24. Simultaneous Speech-to-Speech Translation Without Align 8.0分 前25% #语音翻译 25. PHALAR: Phasors for Learned Musical Audio Representatio 8.0分 前25% #音乐生成 26. Optimality of FSQ Tokens for Continuous Diffusion for C 8.0分 前25% #语音合成 27. SonicMaster: Towards Controllable All-in-One Music Rest 8.0分 前25% #音频修复 28. Do Audio LLMs Listen or Read? Analyzing and Mitigating 8.0分 前25% #语音属性识别 29. Multiple Choice Learning of Low-Rank Adapters for Langu 8.0分 前25% #多模态模型 30. Bridging the Stability-Expressivity Gap: Synthetic Data 8.0分 前25% #语音合成 31. FutureOmni: Evaluating Future Forecasting from Omni-Mod 8.0分 前25% #音视频问答 32. Acoustic Interference: A New Paradigm Weaponizing Acous 8.0分 前25% #音频理解 33. ReGen: Hierarchical Multi-Prompt Representation Generat 8.0分 前25% #语音编码 34. DiscoForcing: A Unified Framework for Real-Time Audio-D 8.0分 前25% #音乐生成 35. DreamID-Omni: Unified Framework for Controllable Human- 8.0分 前25% #音视频生成 36. AgentSteerTTS: A Multi-Agent Closed-Loop Framework for 7.9分 前25% #语音合成 37. STAR-VAE: Structured Topology-Aware Regularization for 7.9分 前25% #音频生成 38. HyperPotter: Spell the Charm of High-Order Interactions 7.9分 前25% #音频伪造检测 39. T2AV-Compass: Towards Unified Evaluation for Text-to-Au 7.9分 前25% #音视频生成 40. Decoupling The “What” and “Where” With Polar Coordinate 7.8分 前25% #音乐生成 41. V-LynX: Token Interface Alignment for Video+X LLMs 7.8分 前25% #音视频问答 42. Ariadne’s Thread of LipSync: Unraveling Forgeries via I 7.8分 前25% #音视频理解 43. SONAR: Spectral‑Contrastive Audio Residuals for General 7.8分 前25% #语音伪造检测 44. TMD-Bench: A Multi-Level Evaluation Paradigm for Music– 7.7分 前25% #音视频生成 45. AudioMosaic: Contrastive Masked Audio Representation Le 7.7分 前25% #音频分类 46. BFCL Audio: An Audio Function Calling Evaluation for La 7.7分 前25% #语音交互 47. SALSA-V: Shortcut-Augmented Long-form Synchronized Audi 7.6分 前25% #音视频生成 48. BEAT: Tokenizing and Generating Symbolic Music by Unifo 7.6分 前25% #音乐生成 49. From Inpainting to Editing: Unlocking Robust Mask-Free 7.6分 前25% #扩散模型 50. Hearing Without Noticing? Attention-Aware Stealthy Blac 7.6分 前25% #语音识别 51. AVGen-Bench: A Task-Driven Benchmark for Multi-Granular 7.6分 前25% #音视频生成 52. Alethia: a Foundational Encoder for Voice Deepfakes 7.6分 前25% #语音伪造检测 53. AG-REPA: Causal Layer Selection for Representation Alig 7.6分 前25% #语音合成 54. AVI-Bench: Toward Human-like Audio-Visual Intelligence 7.6分 前25% #音视频理解 55. Two-dimensional quantization for geometry-aware audio c 7.6分 前25% #语音编码 56. Abstraction Induces the Brain Alignment of Language and 7.5分 前25% #语音编码 57. Self-Guidance: Enhancing Neural Codecs via Decoder Mani 7.5分 前25% #语音编码 58. OmniVideo-R1: Reinforcing Audio-visual Reasoning with Q 7.5分 前25% #音视频问答 59. Listening Through the Noise: Cauchy-Driven Diffusion Br 7.4分 前50% #音频修复 60. MoshiRAG: Asynchronous Knowledge Retrieval for Full-Dup 7.4分 前50% - 61. Omni-Perception Policy Optimization for Multimodal Emot 7.4分 前50% #音视频理解 62. video-SALMONN S: Memory-Enhanced Streaming Audio-Visual 7.3分 前50% #音视频问答 63. Group Cognition Learning: Making Everything Better Thro 7.3分 前50% #音视频理解 64. REST: Diffusion-based Real-time End-to-end Streaming Ta 7.3分 前50% #音视频生成 65. PhoStream: Benchmarking Real-World Streaming for Omnimo 7.3分 前50% #音视频问答 66. ProactiveLLM: Learning Active Interaction for Streaming 7.2分 前50% #语音识别 67. Stream RAG: Instant and Accurate Spoken Dialogue System 7.2分 前50% #流式处理 68. Probing Cross-modal Information Hubs in Audio-Visual LL 7.2分 前50% #音视频理解 69. Efficient Multi-modal Dataset Distillation via Analytic 7.2分 前50% #对比学习 70. Self-Supervised Flow Matching for Scalable Multi-Modal 7.2分 前50% #音视频生成 71. CoCoEmo: Composable and Controllable Human-Like Emotion 7.1分 前50% #语音合成 72. Scaling Transformers for End-to-End Discrete Audio Toke 7.1分 前50% #音频编码 73. Query-Based Asymmetric Modeling with Decoupled Input–Ou 7.1分 前50% #语音增强 74. OmniSIFT: Modality-Asymmetric Token Compression for Eff 7.1分 前50% #音视频问答 75. Sparse Autoencoders for Interpretable Emotion Control i 7.0分 前50% #语音合成 76. The Silent Thought: Modeling Internal Cognition in Full 7.0分 前50% #知识蒸馏 77. Hidden in Plain Tokens: Simply Robust, Gradient-Free Wa 7.0分 前50% #音频水印 78. Efficient Distributed MLLM Training with Cornstarch 7.0分 前50% #音视频理解 79. Reasoning LLM Improves Speaker Recognition in Long-form 7.0分 前50% - 80. Real-World Unsupervised Models Generalize to Predict Br 6.9分 前50% #模型评估 81. From Talking to Singing: A New Challenge for Audio-Visu 6.9分 前50% #音视频理解 82. OmniShow: Unifying Multimodal Conditions for Human-Obje 6.9分 前50% #音视频生成 83. E-VAds: An E-commerce Short Videos Understanding Benchm 6.9分 前50% #音视频问答 84. STARCaster: Spatio-Temporal AutoRegressive Video Diffus 6.8分 前50% #音视频生成 85. Zero-Shot Rankability: Revealing Latent Ordinal Structu 6.8分 前50% #音视频理解 86. An Exterior Method for Nonnegative Matrix Factorization 6.8分 前50% #音频分类 87. FoeGlass: Simple In-Context Learning Is Enough for Red 6.8分 前50% #语音伪造检测 88. Native Active Perception as Reasoning for Omni-Modal Un 6.8分 前50% #音视频理解 89. Unlocking Speech–Text Compositional Powers: Instruction 6.7分 前50% #语音交互 90. UltraLIF: Fully Differentiable Spiking Neural Networks 6.7分 前50% #音频分类 91. Towards Streaming Synchronized Spatial Audio Generation 6.6分 前50% #音视频生成 92. TextME: Bridging Unseen Modalities Through Text Descrip 6.6分 前50% - 93. Evaluating and Rewarding LALMs for Expressive Role-Play 6.6分 前50% #语音合成 94. PADS-TAL: Padding-Annealed Diffusion Sampling in Text-A 6.6分 前50% #音乐生成 95. ADEPT: RL-Aligned Agentic Decoding of Emotion via Evide 6.5分 前50% #语音情感识别 96. Universal Algorithm-Implicit Learning 6.5分 前50% #音频分类 97. SARSteer: Safeguarding Large Audio Language Models via 6.5分 前50% - 98. MetaPerch: Learning from metadata for bioacoustics foun 6.5分 前50% #音频分类 99. Polyphonia: Zero-Shot Timbre Transfer in Polyphonic Mus 6.5分 前50% #音乐生成 100. CMI-RewardBench: Evaluating Music Reward Models with Co 6.4分 前50% #音乐生成 101. Multimodal Fact-Level Attribution for Verifiable Reason 6.4分 前50% #音频理解 102. MedMosaic: A Challenging Large Scale Benchmark of Diver 6.4分 前50% #音频理解 103. INFER: Learning Implicit Neural Frequency Response Fiel 6.4分 前50% #空间音频 104. Characterizing the Predictive Impact of Modalities with 6.4分 前50% - 105. PCRNet: Phase-aware Complex Refinement Network for EEG- 6.4分 前50% #实时处理 106. OmniFit: Bridging Modalities via Layer-Adaptive Token C 6.3分 前50% #音视频理解 107. EchoingPixels: Aliasing-Resistant Joint Token Reduction 6.3分 前50% #音视频理解 108. Quaternion Self-Attention with Shared Scores 6.3分 前50% #语音增强 109. LightAVSeg: Lightweight Audio-Visual Segmentation 6.3分 前50% #模型压缩 110. SURF: Separation via Unsupervised Remixing Flow 6.2分 前50% #语音分离 111. Neural-Inspired Modeling of Auditory Selection and Comp 6.2分 前50% #音视频语音分离 112. AuTAgent: A Reinforcement Learning Framework for Tool-A 6.2分 前50% #音频理解 113. Multimodal Latent Language Modeling with Next-Token Dif 6.1分 前50% #语音合成 114. FakeWorld 1.0: An Omni-modal Benchmark for Fake Media a 6.1分 前50% #可解释性 115. ConsMSA: Semantic Distribution Consistency Learning for 6.1分 前50% #多模态模型 116. MusicDET: Zero-Shot AI-Generated Music Detection 6.1分 前50% #音频伪造检测 117. Convex Low-resource Accent-Robust Language Detection in 6.0分 前50% #语音识别 118. NeuroCLUS: A Foundation Model with Functional Clusterin 6.0分 前50% #语音识别 119. Sparse Tokens Suffice: Jailbreaking Audio Language Mode 5.9分 前50% #模型剪枝 120. Scaling Behavior in Model Fine-tuning for Audio DeepFak 5.9分 前50% #音频伪造检测 121. Bioacoustic Geolocation: Species Sounds as Geographic S 5.8分 前50% #音频理解 122. AudioChat: Unified Audio Storytelling, Editing, and Und 5.8分 前50% #音频生成 123. Omni-Diffusion: Unified Multimodal Understanding and Ge 5.8分 前50% - 124. Robust Signal Enhancement via Fractional Detail Views a 5.7分 前50% #语音增强 125. Multimodal Fusion via Self-Consistent Task-Gradient Fie 5.5分 前50% #鲁棒性 126. NAACA: Training-Free NeuroAuditory Attentive Cognitive 5.5分 前50% #音频事件检测 127. Language Model Augmented Semi-Supervised Statistical In 5.4分 后50% #语音属性识别 128. MER-DG: Modality-Entropy Regularization for Multimodal 5.4分 后50% #音视频理解 129. Towards Understanding Modality Interaction in Multimoda 5.3分 后50% #音视频理解 130. Stable Spectral Copula Alignment for Robust Multimodal 5.2分 后50% #鲁棒性 131. Multimodal Meta-Verifier with Explicit Structured Recal 5.2分 后50% #多模态模型 132. WaveSSM: Multiscale State-Space Models for Non-stationa 4.8分 后50% #音频分类 133. Efficient, Property-Aligned Fan-Out Retrieval via RL-Co 4.7分 后50% #音乐检索 134. VIBE: Disentangling Social Dynamics via Kinematics-Info 4.6分 后50% - 135. UniFLoW: Universal Multi-Modal Federated LoRA Fine-Tuni 4.4分 后50% #音视频问答 136. Rethinking Attention in Spiking Transformers: Overcomin 3.6分 后50% #音频分类 137. PRIM：Cooperative Dynamic Token Compression for Efficien 3.6分 后50% #音视频理解 📋 论文列表 🥇 TimeChat-Captioner: Scripting Multi-Scene Videos with Time-Aware and Structural Audio-Visual Captions 🔥 9.4/10 | 前10% | #音视频理解 | 创新 1.7/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 影响 0.9/1.5 | 开源 1.5/1.5 ...

📄 An Evaluation Framework for Structured Audio Captions Validated by Controlled Perturbations 标签：#数据集 #基准测试 #大语言模型 #音频理解 #Transformer 5.3/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 0.7/1.5 | 清晰 0.8/1 | 影响 0.2/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1/1.5 📝 5.3/10 | 后50% | 文档类型：数据集与基准 | 评分置信度：高 | #数据集 | #大语言模型 | #基准测试 #音频理解 | arxiv 👥 作者与机构 第一作者：Liang-Yuan Wu 通讯作者：未说明 作者列表：Liang-Yuan Wu， Sripathi Sridhar， Mark Cartwright， Magdalena Fuentes 机构：未在论文正文中明确说明 💡 毒舌点评 亮点：论文直击结构化音频描述评估的痛点，提出了一个系统化的多轴评估框架，并创新性地引入受控扰动协议来验证评估指标本身的可靠性，方法论设计严谨且有洞察。对LLM法官的实证分析也提供了实用的选型建议。 短板：1. 评估对象严重局限于“音效”（Sound Effects）数据集（AudioCards），与语音、音乐等音频核心领域的关联极弱，框架的通用性未得到任何验证。2. 论文仅通过“扰动真值”的方式验证指标有效性，缺乏对真实模型输出（如当前SOTA音频描述模型）的评估对比，其实用价值存疑。3. 所有核心产出（增强数据集、代码、评估框架）均未开源，仅有承诺，无法复现或使用，削弱了其作为“基准”的实际影响力。 ...

📄 Designed Vocalizations Dataset: Sound-Designed Human and Animal Voices for Non-human Voice Conversion 标签：#语音转换 #数据集 #基准测试 #音频生成 #音频理解 7.9/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.9/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #语音转换 | #数据集 | #基准测试 #音频生成 | arxiv 👥 作者与机构 第一作者：Seolhee Lee（NC AI Co., Ltd, Republic of Korea） 通讯作者：未说明 作者列表：Seolhee Lee（NC AI Co., Ltd）、Minsu Kang（NC AI Co., Ltd）、Yangsun Lee（NC AI Co., Ltd）、Woosun Min（Sogang University）、Choonghyeon Lee（NC AI Co., Ltd）、Namhyun Cho（NC AI Co., Ltd） 💡 毒舌点评 本文精准识别了“非人类设计声音转换”领域在公开资源和标准化评估上的空白，并为此构建了一个专业且实用的数据集与基准，其价值在于为该小众但关键的子领域奠定了可复现研究的基础。主要不足在于实验验证环节略显单薄：仅采用一个具有代表性的基线模型进行测试，未能充分展示该基准在驱动模型创新、进行更广泛方法比较上的潜力，使其更像一份“基础设施建设报告”而非深入的方法研究。此外，对于评估指标（如CER/WER在设计声音上的适用性）的讨论深度有待加强。 ...

语音/音乐/音频论文速递 2026-07-24 共分析 18 篇论文 ⚡ 今日概览 📥 抓取 18 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音识别 4篇 ████ #语音交互 2篇 ██ #语音情感识别 2篇 ██ #多模态模型 1篇 █ #数据集 1篇 █ #语音伪造检测 1篇 █ #语音分离 1篇 █ #语音合成 1篇 █ 📊 论文评分排行榜（18 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 DONDO: Open w2v-BERT Speech-Recognition Base Models for 8.1分 前25% 系统技术报告 #语音识别 🥈 Designed Vocalizations Dataset: Sound-Designed Human an 7.9分 前25% 数据集与基准 #语音转换 🥉 VibeVoice-ASR-BitNet Technical Report 7.8分 前25% 系统技术报告 #语音识别 4. Faster IndexTTS-2: Accelerating and Streaming Autoregre 7.6分 前25% 系统技术报告 #语音合成 5. From Read Speech to Spoken Digits: A Task-Specific Eval 7.5分 前25% 应用研究 #语音识别 6. Instruct-FD: Can Your Full-Duplex Speech System Follow 7.2分 前50% 数据集与基准 #语音交互 7. OPOD: On-Policy Omni Distillation 7.1分 前50% 方法研究 #多模态模型 8. X\(^3\)-OPD: Distilling Reasoning into Large Audio-Langua 7.1分 前50% 方法研究 #音频理解 9. Toward Interpretable Speech Deepfake Detection using Ar 7.0分 前50% 方法研究 #语音伪造检测 10. Toward Generalizable Cognitive Impairment Detection wit 7.0分 前50% 方法研究 #语音情感识别 11. Safeguards for Speech2Speech LLM-Assistants: A Case Stu 6.5分 前50% 系统技术报告 #语音交互 12. Investigating Codec-Internal Latent Audio Watermarking 6.4分 前50% 系统技术报告 #音频水印 13. TF-MossFormer: Integrating Convolution Gated Local-Glob 6.3分 前50% 模型报告 #语音分离 14. Phonetic forced alignment for low-resource language var 6.2分 前50% 方法研究 #语音识别 15. SCoPE: Shift-Aware Speaker-Conditioned Priors for Emoti 6.0分 前50% 方法研究 #语音情感识别 16. Word meaning co-determines vowel-inherent spectral chan 5.9分 前50% 方法研究 #语音属性识别 17. An Evaluation Framework for Structured Audio Captions V 5.3分 后50% 数据集与基准 #数据集 18. Improving the performance of an ASV system using hybrid 5.0分 后50% 方法研究 #说话人验证 📋 论文列表 🥇 DONDO: Open w2v-BERT Speech-Recognition Base Models for African Languages 8.1/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1.3/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ...

📄 A Diagnostic Evaluation Framework for AI-Generated Cover Songs Using Music-Theoretic and Acoustic Features 标签：#音频质量评估 #可解释性 #基准测试 #音频理解 #Transformer 8.0/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 0.7/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1.1/1.5 🔥 8.0/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #音频质量评估 | #可解释性 | #基准测试 #音频理解 | arxiv 👥 作者与机构 第一作者：Yingxin Liang（Hangzhou Xiaoying Innovation Technology Co., Ltd. (Rythmix AI)） 通讯作者：Yingxin Liang（Hangzhou Xiaoying Innovation Technology Co., Ltd. (Rythmix AI)） 作者列表：Yingxin Liang（Hangzhou Xiaoying Innovation Technology Co., Ltd. (Rythmix AI)） 💡 毒舌点评 亮点：针对AI翻唱这一特定且实用的任务，提出了一个基于音乐理论、具备诊断性的多维评估框架，将“调性稳定”与“和声正确”解耦分析的洞察具有启发性，为模型调试指明了具体方向。框架设计合理，标注协议要求提供时间戳错误描述，提升了可审计性。然而，整篇工作的核心支撑——其基准验证——存在根本性缺陷：仅30个样本、5首源歌曲、单一专家标注，导致所有统计分析（特征相关性、规则系统验证）的效力几乎为零，结论只能停留在“初步探索”的层面。文中展示的很多“趋势”（如LLR的相关性）很可能源于随机波动，而声称的“诊断框架”的有效性缺乏可靠数据支撑。这是一个典型的方法论贡献被其薄弱的实验验证所拖累的案例。 ...

📄 Ultra-Compact CNN Architectures for Tropical Bird Audio Detection on Microcontrollers 标签：#音频事件检测 #CNN #高效推理 #模型压缩 #基准测试 9.3/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 9.3/10 | 前10% | 文档类型：系统技术报告 | 评分置信度：高 | #音频事件检测 | #CNN | #高效推理 #模型压缩 | arxiv 👥 作者与机构 第一作者：Muhammad Mun’im Ahmad Zabidi（马来西亚马来亚大学计算机科学与信息技术学院；马来西亚理工大学电气工程学院） 通讯作者：Mohd Yamani Idna Idris（马来西亚马来亚大学计算机科学与信息技术学院） 作者列表：Muhammad Mun’im Ahmad Zabidi（马来西亚马来亚大学计算机科学与信息技术学院；马来西亚理工大学电气工程学院）、Mohd Yamani Idna Idris（马来西亚马来亚大学计算机科学与信息技术学院）、Norisma Idris（马来西亚马来亚大学计算机科学与信息技术学院） 💡 毒舌点评 论文呈现了一个教科书般的嵌入式AI工程闭环，从热带场景数据集构建、受硬件约束的架构设计、严谨的四阶段系统消融，到INT8量化、微控制器实测和投影的部署经济性评估，链条完整且务实，对实践者极具参考价值。然而，其核心学术创新性有限，主要是对已有轻量化CNN技术（如GAP、可分离卷积、焦点损失）在特定极端约束（nmels=16）下的组合与筛选，并通过消融研究得出了诸如“深度可分离卷积在此尺度下失效”等有价值的反直觉洞察。论文的强项在于工程和系统，而非提出新的算法范式。 ...

语音/音乐/音频论文速递 2026-07-23 共分析 21 篇论文 ⚡ 今日概览 📥 抓取 21 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音频理解 5篇 █████ #语音交互 2篇 ██ #语音唤醒 2篇 ██ #音乐生成 2篇 ██ #音频事件检测 2篇 ██ #Transformer 1篇 █ #大语言模型 1篇 █ #语音合成 1篇 █ 📊 论文评分排行榜（21 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 Ultra-Compact CNN Architectures for Tropical Bird Audio 9.3分 前10% 系统技术报告 #音频事件检测 🥈 Multimodal Speaker Verification as a Threat to Speaker 9.2分 前10% 方法研究 #说话人验证 🥉 A Diagnostic Evaluation Framework for AI-Generated Cove 8.0分 前25% 数据集与基准 #音频质量评估 4. RIME: Enabling Large-Scale Agentic Post-Production 7.6分 前25% 数据集与基准 #大语言模型 5. Efficient Chain-of-Modality Reasoning via Progressive C 7.6分 前25% 方法研究 #语音交互 6. Learning the Arabic Dialect Continuum as a Continuous S 7.5分 前25% 方法研究 #Transformer 7. Layer-Wise Decision Fusion for Fake Audio Detection Usi 7.5分 前25% 方法研究 #音频理解 8. SimulS2ST-Omni: Data-Efficient Streaming Speech-to-Spee 7.3分 前50% 系统技术报告 #语音翻译 9. Scalable Keyword Spotting via Modular Network Expansion 7.1分 前50% 方法研究 #语音唤醒 10. StellarTTS: Sparse Temporal Embedding for Low-Latency a 7.0分 前50% 系统技术报告 #语音合成 11. OmniReasoner: Thinking with Long Audio-Video via Native 6.9分 前50% 方法研究 #音视频理解 12. RPPNet: Perceptually-Grouped Rhythm-Pitch Primitives fo 6.9分 前50% 方法研究 #音乐生成 13. Audio-Zero: Label-Free Self-Evolution for Fine-Grained 6.8分 前50% 方法研究 #音频理解 14. Pushing the Frontier of Full-Song Generation: Hierarchi 6.8分 前50% 系统技术报告 #音乐生成 15. CAPS: A Cascaded Reconstruction Model to Power Saving i 6.6分 前50% 系统技术报告 #语音增强 16. Validating the Single Item Kawaii Measure 6.4分 前50% 方法研究 #音频理解 17. Cross-Subject Semantic Decoding with Shared-Space Align 6.3分 前50% 方法研究 #语音交互 18. Improved Monitoring of Honey bee Colony Strength via Au 6.3分 前50% 应用研究 #音频事件检测 19. The Giant Hippocampus: From Structural Monoculture to a 6.0分 前50% 理论研究 #音频理解 20. Cumsum-Composable Phase Transport for Low-Cost Streamin 5.9分 前50% 系统技术报告 #语音唤醒 21. Black-Box Optimization for Identifying and Inverting Au 4.0分 后50% 方法研究 #音频理解 📋 论文列表 🥇 Ultra-Compact CNN Architectures for Tropical Bird Audio Detection on Microcontrollers 9.3/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 ...

📄 MeetingToM: Evaluating Multimodal LLMs on Theory-of-Mind Reasoning in Multi-Party Meetings 标签：#基准测试 #音频理解 #Transformer #模型评估 7.2/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 0.5/1.5 | 清晰 0.9/1 | 影响 0.5/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.2/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #基准测试 | #Transformer | #音频理解 #模型评估 | arxiv 👥 作者与机构 第一作者：Ziyi Wang（清华大学 AI 学院）[注：论文标注为共同第一作者] 通讯作者：Miao Liu（清华大学 AI 学院） 作者列表：Ziyi Wang（清华大学 AI 学院）、Yuhang Wu（清华大学 AI 学院）[注：论文标注为共同第一作者]、Dongxu Piao（清华大学 AI 学院）、Xingyu Liu（清华大学 AI 学院）、Tianhui Zhou（杜克大学生物统计与信息学系）、Miao Liu（清华大学 AI 学院） 💡 毒舌点评 论文在将心智理论评估从简单视频问答引入到真实、复杂的多方会议场景这一方向上迈出了重要一步，提出的“伪共识”概念和层次化任务设计颇具洞察力，抓住了社交互动中“言行不一”这一核心难点。然而，该基准的科学根基建立在第三方观察者对“心智状态”的推断之上，尤其在最具挑战性的态度推断任务中，标注者间一致性仅为中等（κ=0.50），这直接动摇了“黄金标准”的可靠性。此外，论文声称评估了“GPT-5”，但该模型在2026年7月并未公开发布，这在模型身份上存在重大疑问，严重削弱了实验结果的可信度和可复现性。 ...

📄 Summary of DCASE 2026 Task 5: Audio-Dependent Question Answering 标签：#音频理解 #基准测试 #音频大模型 #模型评估 #数据集 5.4/10 | 创新 1/2 | 严谨 0.8/1.5 | 实验 0.9/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.8/1.5 📝 5.4/10 | 后50% | 文档类型：数据集与基准 | 评分置信度：高 | #音频理解 | #音频大模型 | #基准测试 #模型评估 | arxiv 👥 作者与机构 第一作者：未说明 通讯作者：未说明 作者列表：Haolin He（未说明）、Renhe Sun（未说明）、Zheqi Dai（未说明）、Xingjian Du（未说明）、Chunyu Wu（未说明）、Zining Liang（未说明）、Zhengxi Liu（未说明）、Jiahe Lei（未说明）、Runbang Wang（未说明）、Jiayi Zhou（未说明）、Mingru Yang（未说明）、Xiquan Li（未说明）、Yun Chen（未说明）、Xie Chen（未说明）、Zhiyao Duan（University of Rochester）、Weiqiang Wang（未说明）、Mark D. Plumbley（University of Surrey）、Jian Liu（未说明）、Qiuqiang Kong（未说明） 💡 毒舌点评 这篇比赛总结报告最大的亮点在于它直击了当前音频大模型评测的核心痛点——用精心设计的四阶段过滤流水线构建了一个“防作弊”的基准（ADQA-Bench），并通过大量参赛系统验证了其区分度。然而，其短板也同样明显：作为一篇基准论文，它对评估基准本身（如ADQA-Bench）的构建细节、标注质量控制、以及评估集本身的开源程度语焉不详，严重限制了社区的复用和深度验证。更关键的是，它没有提供任何反证实验来证明其ADQA-Bench确实比未经此过滤的基准更有效，使得其核心主张的验证存在一个逻辑闭环的缺失。 ...

语音/音乐/音频论文速递 2026-07-22 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 #语音识别 5篇 █████ #语音合成 3篇 ███ #音频分类 2篇 ██ #基准测试 1篇 █ #语音交互 1篇 █ #语音分离 1篇 █ #语音增强 1篇 █ #语音情感识别 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 🥇 Content is What Remains: Invariant Speech Tokenization 9.2分 前10% 方法研究 #语音编码 🥈 Fusion Embedding: A Unified Embedding Space for Text, I 8.6分 前25% 系统技术报告 #音频检索 🥉 End-to-End Markov State Sequence Learning for Auditory 8.3分 前25% 方法研究 #语音交互 4. Staged Depth-Pruning Distillation of a Flow-Matching Te 7.9分 前25% 系统技术报告 #语音合成 5. Constrained CTC Decoding for Efficient Diacritic Restor 7.7分 前25% 方法研究 #语音识别 6. Fretiq: Browser-Native Electric Guitar String Classific 7.5分 前25% 系统技术报告 #音频分类 7. MeetingToM: Evaluating Multimodal LLMs on Theory-of-Min 7.2分 前50% 数据集与基准 #基准测试 8. Transcription Policy as a Latent Variable: Activating C 7.1分 前50% 方法研究 #语音识别 9. Benchmarking Human and Automatic Speech Recognition of 7.0分 前50% 系统技术报告 #语音识别 10. A Situational Speech Synthesizer for Yoruba: System Des 6.7分 前50% 系统技术报告 #语音合成 11. From a Multilingual Streaming ASR Backbone to Kenyan-La 6.5分 前50% 系统技术报告 #语音识别 12. Towards Array-Invariant Speech Enhancement via Geometry 6.3分 前50% 方法研究 #语音增强 13. Comparing Spectrogram Front-Ends for Abnormal Heart-Sou 5.7分 前50% 方法研究 #音频分类 14. EmoEUS: Uncertainty Supervision for Multimodal Emotion 5.6分 前50% 方法研究 #语音情感识别 15. Summary of DCASE 2026 Task 5: Audio-Dependent Question 5.4分 后50% 数据集与基准 #音频理解 16. Towards a reproducible cross-venue method for quantifyi 5.4分 后50% 方法研究 #音频质量评估 17. CS-ETS: Chaos-Inspired Samba-Based EMG-To-Speech Synthe 5.3分 后50% 方法研究 #语音合成 18. Addressing Limited Data in Auditory Attention Decoding 5.1分 后50% 应用研究 #语音分离 19. What the Waveform Knows: Transparent-first Speech and A 4.8分 后50% 系统技术报告 #语音识别 20. Teleportation Game: Quantum Teleportation in Multi-Agen 4.4分 后50% 系统技术报告 #音乐生成 📋 论文列表 🥇 Content is What Remains: Invariant Speech Tokenization from Parallel Utterances 9.2/10 | 创新 1.5/2 | 严谨 1.5/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ...