论文解读
会听不会定时：当大音频模型在 20 分钟里找不到那 2.7 秒
音频理解 | 6.9/10
基准测试
论文解读
只记得你说了什么，却忘了你怎么说的：长程副语言记忆的缺口
语音情感识别 | 7.1/10
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
会打断、会附和，还要听得懂分寸：把“何时说话”从“说什么”里拆出来
语音交互 | 7.3/10
论文解读
朗读课文不该读出抑郁：用证据边界把筛查关进可审计的笼子
语音情感识别 | 7.0/10
论文解读
听见是谁在说：用反事实声纹逼语音模型从猜文本回到听声音
说话人日志 | 7.0/10
论文解读
文字比原声更懂情绪：把生成音乐放进效价-唤醒坐标系来称重
音乐生成 | 6.0/10
论文解读
当模型听得懂阿拉伯语，却看不懂阿拉伯文化：ImageEval 2026 的三重拷问
语音识别 | 8.1/10
论文解读
当语音 Token 不再像自然语言：13 个编解码器在噪声下的语言统计学分化
语音编码 | 6.3/10
论文解读
给大模型加声学缰绳：用 0.6 nats 的似然约束把翻译式幻觉拉回转录
语音识别 | 7.8/10
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
提示词动了，词错误率为什么不动：一次生产级口述史转录的预注册阴性消融
语音识别 | 7.4/10
论文解读
听得更干净，却想得更错：当语音增强把大模型带偏
语音增强 | 8.0/10
论文解读
当模型听得见声音，却听不懂语气：VocalAffectBench 为何要把情感从文字里剥离
语音情感识别 | 7.4/10
论文解读
听见了，就要指得出来：用可验证的时间证据检验音乐大模型的耳朵
音乐理解 | 6.5/10
论文解读
文字答得滴水不漏，声音却露了怯：财报电话会里的双重规避
语音情感识别 | 6.2/10
论文解读
波形有用，不等于必须调用生成式音频模型
音频分类 | 6.0/10
论文解读
翻译丢掉的不只是词：当语调跨越语言还能剩下多少？
语音翻译 | 6.0/10
论文解读
看得懂谱，听得出演奏，才算懂音乐：MuSP-Bench 为何要把乐谱与演奏放在一起考
音乐理解 | 6.2/10
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