基准测试

📄 DuplexWorld: Can voice agents help you get through the day? 标签：#语音交互 #端到端 #基准测试 #模型评估 #大语言模型 8.5/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 🔥 8.5/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #语音交互 | #端到端 | #基准测试 #模型评估 | arxiv 👥 作者与机构 第一作者：Aryan Vijay Bhosale（Centific Global Solutions Inc.；University of Maryland，标注为在 Centific 实习期间完成工作） 通讯作者：未说明（论文未明确标注通讯作者；Abhishek Mukherji 与 Dinesh Manocha 被标注为 † 共同指导） 合作者标注：Aryan Vijay Bhosale、Harshit Rajgarhia、Akhil Pothanapalli 为 ∗ 平等贡献 作者列表： Aryan Vijay Bhosale（Centific Global Solutions Inc.；University of Maryland） Harshit Rajgarhia（Centific Global Solutions Inc.） Akhil Pothanapalli（Centific Global Solutions Inc.） Asif Shaik（Centific Global Solutions Inc.） Abhishek Mukherji（Centific Global Solutions Inc.） Dinesh Manocha（University of Maryland） 💡 毒舌点评 把导航世界装进语音智能体评测、并在同一 harness 下用 12 个指标横扫六个世界，这套基准的设计纪律和工程完成度在同类工作中罕见地高，“探索越多到达越少"的反转结论尤其有洞察力。但全部被测系统都是闭源商业 API、judge 指标未经本语料上的人类评分校验、模拟用户比真人耐心得多，三者叠加让任何"真实部署能力"的外推都底气不足；更讽刺的是，作者自己承认 GS 可以被"不作为"通过，且 Pathfinding 中从不行动的 Nova 2 Sonic 在选择性上几乎满分，说明指标体系的对抗性设计还差最后一公里。 ...

📄 In Defense of Using Worst-case Privacy Disclosure as Privacy Evaluation Metric of Voice Anonymization 标签：#说话人验证 #模型评估 #理论分析 #模型比较 #基准测试 7.1/10 | 创新 1.1/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 7.1/10 | 前50% | 文档类型：理论研究 | 评分置信度：中 | #说话人验证 | #模型评估 | #理论分析 #模型比较 | arxiv 👥 作者与机构 第一作者：Xin Wang（National Institute of Informatics, Japan） 通讯作者：未说明 作者列表：Xin Wang（National Institute of Informatics, Japan）、Xiaoxiao Miao（Duke Kunshan University, China） 💡 毒舌点评 这篇文章把 EER、perfect secrecy 与 LLR 之间的关系做了较清晰的第一性原理梳理，尤其是“理想 LLR 下 EER=50% 不成立”的论证、rank 度量到 LLR 的转换，以及 PAV 平滑对 \(\epsilon_{\max}\) 的伪影分析，对语音匿名化评测有实际参考价值。但整篇是辩护性/澄清性工作，不提出新指标，也没有给出可靠校准 LLR 的替代方案；实验只有模拟数据和 VPC 2024 一组官方攻击者分数，缺少敏感性分析、置信区间和不同评测数据集的验证，作为顶会论文证据密度偏低，更像一篇高质量的评测立场白皮书。 ...

📄 MAJEPPA: Morphing and Assessing in a Unified Piano Performance Space 标签：#音乐理解 #自监督学习 #音乐生成 #数据集 #基准测试 7.5/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ✅ 7.5/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #音乐理解 | #自监督学习 | #音乐生成 #数据集 | arxiv 👥 作者与机构 第一作者：Jinwen Zhou（Queen Mary University of London） 通讯作者：未说明 作者列表：Jinwen Zhou（Queen Mary University of London）、Huan Zhang（未说明）、Weixi Zhai（未说明）、Jinhua Liang（未说明）、Aidan O. T. Hogg（未说明）、Simon Dixon（未说明） 💡 毒舌点评 MAJEPPA 最持久、也最可能被后续工作引用的贡献，是那个横跨六水平、六场景的 3,979 段数据集和 EVPMR 基准；相比之下，“冻结 Aria-medium 加 LoRA，再叠三个对比损失”的方法组合更接近工程集成而非范式突破。问题在于论文把“既能生成又能理解”作为核心卖点，却明文承认没有做生成能力评测，转录质量也未核查，理解侧证据完整而生成侧几乎为空。UMP 因 token 方案限制只与 Aria 可比，Chopin PairAcc 标准差高达 9.4 且无显著性检验，这些都会让“全面优于基线”的表述显得过于激进。 ...

📄 Seeds Before Objectives: Rethinking Evaluation for Low-Resource Garhwali ASR 标签：#语音识别 #自监督学习 #低资源 #基准测试 7.9/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 1/1.5 ✅ 7.9/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #语音识别 | #自监督学习 | #低资源 #基准测试 | arxiv 👥 作者与机构 第一作者：Karamvir Singh Batra（Thapar Institute of Engineering and Technology, Patiala, Punjab, India） 通讯作者：Jasmeet Singh（Thapar Institute of Engineering and Technology, Patiala, Punjab, India）；Sahil Sharma（Ulster University, Belfast, United Kingdom） 作者列表： Karamvir Singh Batra（Thapar Institute of Engineering and Technology, Patiala, Punjab, India） Prathamjyot Singh（Thapar Institute of Engineering and Technology, Patiala, Punjab, India） Ashima Sood（Ulster University, Londonderry, United Kingdom） Jasmeet Singh（Thapar Institute of Engineering and Technology, Patiala, Punjab, India） Sahil Sharma（Ulster University, Belfast, United Kingdom） 💡 毒舌点评 用五种子×配对检验把“看起来能涨点”的 Focal CTC、matra 加权和 Hindi 迁移逐一打回原形，是低资源方言 ASR 里少见的高标准负结果研究，尤其“预训练设计比参数规模重要”的结论有实操价值。但核心负面结论建立在单一方言、8.8 小时音频和 5 个种子上，作者自己的功效分析也承认只能大致钉死“标准 CTC vs Focal”的方向，无法排除其他微小真实差异；再加上未提供模型权重、仓库实际内容有待查验，这套 benchmark 的复用门槛比论文读起来更高。 ...

📄 The GENEA Challenge 2026: A Large-Scale Disentangled Evaluation of Speech-Driven Gesture Generation on the Seamless Interaction Dataset 标签：#语音交互 #基准测试 #数据集 7.2/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.5/1.5 | 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：中 | #语音交互 | #基准测试 | #数据集 | arxiv 👥 作者与机构 第一作者：Rajmund Nagy（KTH Royal Institute of Technology） 通讯作者：未说明 作者列表与机构： Rajmund Nagy（KTH Royal Institute of Technology） Silvia Arellano García（KTH Royal Institute of Technology） Hendric Voss（Bielefeld University） Mihail Tsakov（Independent researcher） Taras Kucherenko（National Library of Sweden） Youngwoo Yoon（Electronics and Telecommunications Research Institute, ETRI） Gustav Eje Henter（KTH Royal Institute of Technology / Motorica AB） 资助信息：RN、SAG、MT、GEH 部分受 Knut and Alice Wallenberg Foundation 的 Wallenberg AI, Autonomous Systems and Software Program (WASP) 资助；YY 和 GEH 部分受 MOTIE（韩国）资助的 Industrial Strategic Technology Development Program（资助号 20023495）支持。 💡 毒舌点评 作为第四届GENEA挑战赛的延续，本文的评估版图从“语音-动作对齐”扩展到了“副语言交流对齐”和“语义对齐”两个新维度，并首次提出文本失配（text mismatching）范式——这是评测方法论上一次实质推进。但尴尬的是，所有参赛系统在主任务（T2）上最高仅32%对齐率，距离mocap的62%相去甚远；T3和T4中参赛系统几乎全军覆没，竞技结果的意义大打折扣。这与其说是挑战赛的胜利，不如说是对现有方法能力上限的一次温和示警。论文对T3负置信区间给出的统计解释（系统级随机性与研究级随机性）是诚实且有理论依据的，但也暴露了整个评估体系面对“低响应率任务”时统计功效不足的短板——尤其只有46段stimuli的T3，结论的稳定性仍存疑。此外，论文承认此前GENEA Leaderboard上已有扩散Transformer在BEAT2上达到mocap级对齐，但这次挑战未纳入任何已有公开SOTA系统作为对比，削弱了“Seamless Interaction更复杂”这一论断的直接说服力。 ...

语音/音乐/音频论文速递 2026-08-12 共分析 27 篇论文 ⚡ 今日概览 📥 抓取 27 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音交互 4篇 ████ #语音识别 4篇 ████ #音乐理解 4篇 ████ #扩散模型 1篇 █ #端到端 1篇 █ #语音分离 1篇 █ #语音合成 1篇 █ #语音增强 1篇 █ 📊 论文评分排行榜（27 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 DuplexWorld: Can voice agents help you get through the 8.5分 前25% 数据集与基准 #语音交互 🥈 A Dataset and Benchmark for Optical Music Recognition o 8.5分 前25% 数据集与基准 #端到端 🥉 Measuring Cross-Cultural Style Diffusion Through Era Cl 8.3分 前25% 方法研究 #音乐理解 4. Training Set Synthesis for Bioacoustic Denoising: A Cas 8.0分 前25% 应用研究 #语音增强 5. Modeling and Interpreting Correlations, Null Distributi 8.0分 前25% 方法研究 #音频理解 6. Seeds Before Objectives: Rethinking Evaluation for Low- 7.9分 前25% 数据集与基准 #语音识别 7. Beyond Dry References: Learning Relative Audio Effects 7.7分 前25% 方法研究 #音乐理解 8. MAJEPPA: Morphing and Assessing in a Unified Piano Perf 7.5分 前25% 方法研究 #音乐理解 9. DIY e-HandPan: A new DIY Low-Cost Handpan Interface bas 7.2分 前50% 系统技术报告 #音频交互 10. Rationale-Guided Learning for Multimodal Emotion Recogn 7.2分 前50% 方法研究 #语音情感识别 11. The GENEA Challenge 2026: A Large-Scale Disentangled Ev 7.2分 前50% 数据集与基准 #语音交互 12. Beyond Naturalness: Probing Automated Text-To-Speech Ev 7.1分 前50% 数据集与基准 #语音质量评估 13. In Defense of Using Worst-case Privacy Disclosure as Pr 7.1分 前50% 理论研究 #说话人验证 14. Pitch Contour Tokenization using VQ-VAE and Its Applica 7.1分 前50% 方法研究 #音乐理解 15. VoxSumm: A Multilingual Corpus of Long-Form Spoken News 6.9分 前50% 数据集与基准 #语音翻译 16. myMediWhisper: Construction of Burmese Medical Speech C 6.7分 前50% 数据集与基准 #语音识别 17. MazzikaAI: A knowledge-based performance-to-prompt comp 6.6分 前50% 系统技术报告 #音乐生成 18. ASR-Roundtrip Evaluation Can Mask Context- and Conventi 6.5分 前50% 方法研究 #语音合成 19. Ex-Omni-2D: Expressive Omni-Modal Dialogue Models with 6.5分 前50% 系统技术报告 #音视频生成 20. TimeRoute: Time-Aware Modality Routing and Diffusion fo 6.5分 前50% 方法研究 #扩散模型 21. X2-Turn: Frame-Synchronous Dual-Head Modeling for Joint 6.4分 前50% 方法研究 #语音交互 22. Edge Phoneme Recognition for Children’s Speech through 6.3分 前50% 模型报告 #语音识别 23. DINO-A: Adapting Self-Distillation Vision Transformers 6.2分 前50% 方法研究 #音频分类 24. Whisper-Aware LLM: Self-Supervised Uncertainty Learning 6.1分 前50% 方法研究 #语音识别 25. Never Stop Speaking: a Denial-of-Service Attack on End- 5.4分 后50% 方法研究 #语音交互 26. BiTSE: Binaural Target Speaker Extraction in Noisy Mult 5.0分 后50% 方法研究 #语音分离 27. Monophonic Audio Synthesizer Using FPGAs 4.2分 后50% 系统技术报告 #音频生成 📋 论文列表 🥇 DuplexWorld: Can voice agents help you get through the day? 8.5/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ...

📄 AVCap: Reinforcing Audio-Video Joint Caption with Detail-Aware Reward 标签：#音频字幕生成 #强化学习 #音视频理解 #基准测试 #数据集 8.4/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8.4/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #音频字幕生成 | #强化学习 | #音视频理解 #基准测试 | arxiv 👥 作者与机构 第一作者：Mingyang Wu（MMLab, CUHK） 通讯作者：原文标注Corresponding author，但未指明具体人物 作者列表：Mingyang Wu（MMLab, CUHK）、Kaituo Feng（MMLab, CUHK）、Bohao Li（MMLab, CUHK）、Kaixiong Gong（MMLab, CUHK）、Zihao Yin（Peking University）、Xiangyu Yue（MMLab, CUHK） 💡 毒舌点评 亮点在于打通了"数据标注—奖励设计—评测"三位一体的闭环：AVCap-100K提供高密度原子级标注，Da-GRPO将奖励细化为原子事实级QA验证，AVCap-Score用同一套探针逻辑做评测。训练与评估在同一粒度的原子事实上对齐，是领域内少见的完整工程实践。7B模型仅靠SFT数据就能在Video-SALMONN-2上从41.7降到36.8（低于此前开源SOTA AVoCaDO的37.3），说明数据质量确实有实质贡献。 ...

📄 MADBench: A Benchmark for Modality-Aware Audio Deepfake Detection 标签：#音视频理解 #多模态模型 #基准测试 #语音合成 #音频生成 6.6/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.5/1 | 影响 1.1/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 6.6/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：中 | #音视频理解 | #多模态模型 | #基准测试 #语音合成 | arxiv 👥 作者与机构 作者列表：Yanqiu Li、Yang Xiao、Jisheng Bai、Bin Chen、Hong Jia、Ting Dang。 机构编号为 1、2、3；具体机构名称在提供的论文原文片段中未披露。 通信作者信息未披露。 💡 毒舌点评 论文把“环境音频”从被长期忽视的背景音升级成了独立伪造组件，但复现所需的代码、数据和模型权重却被藏成了未披露的第三个组件。行文与表格中存在大量排版损坏字符，读起来像从 PDF 里抢救出来的半成品；实验设计值得肯定，工程开源程度却让“rigorous foundation”显得有点嘴硬。 ...

语音/音乐/音频论文速递 2026-08-11 共分析 40 篇论文 ⚡ 今日概览 📥 抓取 40 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音视频理解 4篇 ████ #音频生成 4篇 ████ #音乐生成 3篇 ███ #音频字幕生成 3篇 ███ #声源定位 2篇 ██ #语音合成 2篇 ██ #语音情感识别 2篇 ██ #语音编码 2篇 ██ 📊 论文评分排行榜（40 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 AVCap: Reinforcing Audio-Video Joint Caption with Detai 8.4分 前25% 方法研究 #音频字幕生成 🥈 Deferred Audio Pruning with Local Audio-Visual Dynamics 8.4分 前25% 方法研究 #模型剪枝 🥉 PACE: A Playback-Aligned Context Engine for LLM-Based F 8.0分 前25% 系统技术报告 #语音交互 4. REFRAMED: Towards Realistic Audio Description Generatio 8.0分 前25% 数据集与基准 #音频字幕生成 5. SraVaani 1.0: Scaling Inclusive Speech Recognition for 7.9分 前25% 模型报告 #语音识别 6. AudioMap: Cloze-and-Choice Reinforcement Learning for T 7.9分 前25% 方法研究 #音频字幕生成 7. SAMOT: State-Aware Step Modulation and Optimal Transpor 7.7分 前25% 方法研究 #音视频理解 8. ReLMCodec: Designing Predictable Speech Tokens from Pre 7.7分 前25% 方法研究 #语音编码 9. VoxZip: Semantic-Anchored Temporal KV Cache Compression 7.7分 前25% 方法研究 #音频理解 10. Steering dense music retrieval with open-vocabulary con 7.7分 前25% 方法研究 #音乐检索 11. VIOLET: High-Fidelity Violin Synthesis with Techniques 7.6分 前25% 方法研究 #音乐生成 12. SonicWeave: Chunk-Routed Mixture-of-Experts for Unified 7.6分 前25% 模型报告 #音频生成 13. Beyond Reconstruction: Full-Context Generative DiT for 7.5分 前25% 系统技术报告 #音乐生成 14. From Inaudible Inputs to Model Failures: Low-Frequency 7.4分 前50% 方法研究 #音频理解 15. Beyond Piano: Cross-Instrument MIDI Velocity Estimation 7.3分 前50% 方法研究 #音乐理解 16. omni-macos: On-Device Omni-Modal Search on Apple Silico 7.2分 前50% 系统技术报告 #音频检索 17. SCoPE: Training-Free Audio-Visual Event Perception via 7.1分 前50% 方法研究 #音视频理解 18. BAMU: Bitstream-Aware Marginal-Utility Allocation for F 7.1分 前50% 方法研究 #语音编码 19. Dramarrator: Object-Based Audio Editing for Audio Drama 7.0分 前50% 系统技术报告 #音频生成 20. CuteTTS: Efficient and High-Quality Speech Synthesis vi 7.0分 前50% 系统技术报告 #语音合成 21. RAG-Audio: Retrieval-Augmented Generation for Faithful 6.9分 前50% 方法研究 #音频生成 22. Listen, See and Track: Spatio-Temporal Audio-Visual Sou 6.7分 前50% 数据集与基准 #音视频问答 23. From Speech to Interaction: Analyzing Multimodal System 6.6分 前50% 系统技术报告 #音视频语音识别 24. MADBench: A Benchmark for Modality-Aware Audio Deepfake 6.6分 前50% 数据集与基准 #音视频理解 25. A Unifying Perspective on Audio Generative Modeling: La 6.5分 前50% 理论研究 #音频生成 26. Multilingual Emotion Neurons in Large Audio-Language Mo 6.5分 前50% 方法研究 #语音情感识别 27. DAVE: A Decoupled Audio-Visual Enhancement Framework fo 6.5分 前50% 系统技术报告 #音视频语音分离 28. Structured Phonological Representations for Audio-Artic 6.5分 前50% 方法研究 #语音属性识别 29. CtrlSpeech: Coarse-to-Fine Control for Expressive Speec 6.4分 前50% 方法研究 #语音合成 30. Neural Array-Generic Direction-of-Arrival Estimation Ex 6.4分 前50% 方法研究 #声源定位 31. AI-Guided Learning: Research on Knowledge and Skill Acq 6.3分 前50% 系统技术报告 #音视频理解 32. Speaker Role and Language Diarization for Analyzing Mul 6.3分 前50% 应用研究 #说话人日志 33. MusicLayout: Explicit Structural Planning for Controlla 6.3分 前50% 系统技术报告 #音乐生成 34. Mitigating Over-Suppression in Speech Enhancement via I 6.2分 前50% 方法研究 #语音增强 35. Physics-Informed Learning for Robust Acoustic Localizat 6.2分 前50% 方法研究 #声源定位 36. EmoS: A Theory-Grounded Framework for Evaluating and Al 6.2分 前50% 数据集与基准 #语音情感识别 37. Dynamic Clustering for Cross-Segment Permutation Alignm 6.2分 前50% 方法研究 #语音分离 38. The Voiceprint Fallacy: Why Voices Are Not Unique Biome 6.0分 前50% 综述 #说话人验证 39. Investigating Multimodal Informativity under Different 5.9分 前50% 方法研究 #多模态模型 40. Machine-Learning-Based Diagnostic Framework for Passive 5.6分 前50% 应用研究 #音频分类 📋 论文列表 🥇 AVCap: Reinforcing Audio-Video Joint Caption with Detail-Aware Reward 8.4/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ...

📄 Assessing AI-generated music detection in real-world broadcast monitoring 标签：#音频伪造检测 #CNN #数据集 #基准测试 #鲁棒性 6.8/10 | 创新 1.2/2 | 严谨 0.9/1.5 | 实验 0.9/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 6.8/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：中 | #音频伪造检测 | #CNN | #数据集 #基准测试 | arxiv 👥 作者与机构 第一作者：David López-Ayala（机构未说明） 通讯作者：未说明 作者列表：David López-Ayala（未说明）、Fernando García de la Cruz（未说明）、Pablo Zinemanas（未说明）、Emilio Molina（未说明）、Martín Rocamora（未说明） 💡 毒舌点评 BAMM 的定位对工业广播监控确实有价值，40 小时真实电视录音和 CFM/STB/RTB 三级评测让“合成广播不能完全代表真实广播”这一结论有了比较直接的证据。但审稿人无法忽略一个根本性设计问题：用于标注 BAMM 的五模型集成中包含了本文随后要评测的 CNN Clean，因此 CNN Clean 在 RTB 上的结果带有循环验证成分；同时 AI 类要求五模型一致同意，导致数据集只覆盖“干净条件下容易被集成识别”的 AI 音乐，而非广播场景中的自然分布。再加上评测只对比同一 CNN 架构的两个训练域变体，没有报告 SpecTTTra、逻辑回归、MLP 等已被用作集成组件的检测器在 BAMM 上的表现，“当前 CNN 训练方法不足”的方向性判断可信，但具体的量化边界被明显削弱。 ...