论文解读

SpeakerCard-1M: An Evidence-Grounded Speaker Card Corpus for In-the-Wild Speaker Verification

说话人验证 | 7.4/10

 · 更新于 2026-09-25 · 约 13 分钟 · 6193 字 阅读 →
论文解读

SVHalluc: Benchmarking Speech-Vision Hallucination in Audio-Visual Large Language Models

语音识别 | 8.7/10

 · 更新于 2026-09-25 · 约 12 分钟 · 5528 字 阅读 →
论文解读

The DeepSpeak-Agentic Dataset

语音合成 | 8.7/10

 · 更新于 2026-09-25 · 约 13 分钟 · 6420 字 阅读 →
论文解读

Wavelet as Tokenizer: Preliminary Results on a Shared Wavelet Token Schema for Natural Signals

多模态模型 | 5.4/10

 · 更新于 2026-09-25 · 约 11 分钟 · 5061 字 阅读 →
论文解读

WavTTS: Towards High-Quality Zero-Shot TTS via Direct Raw Waveform Modeling

语音合成 | 9.2/10

 · 更新于 2026-09-25 · 约 12 分钟 · 5546 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-06-03

共分析 40 篇语音/AI 论文

 · 更新于 2026-09-25 · 约 123 分钟 · 61249 字 阅读 →
论文解读

Advancing Electrolaryngeal Speech Enhancement Through Speech-Text Representation Learning

语音增强 | 7.1/10

 · 更新于 2026-09-25 · 约 17 分钟 · 8092 字 阅读 →
论文解读

AnyMo: Scaling Any-Modality Conditional Motion Generation with Masked Modeling

多模态模型 | 7/10

 · 更新于 2026-09-25 · 约 15 分钟 · 7267 字 阅读 →
论文解读

Beyond the Mouth: Upper-Face Affective Cues in Audiovisual Sentence Recognition under Acoustic Uncertainty

语音识别 | 5.5/10

 · 更新于 2026-09-25 · 约 10 分钟 · 4920 字 阅读 →
论文解读

Dynamic Interaction-Aware and Causality-Disentangled Framework for Multimodal Sentiment Analysis

多模态模型 | 7.8/10

 · 更新于 2026-09-25 · 约 12 分钟 · 6012 字 阅读 →
论文解读

JenBridge: Adaptive Long-Form Video Soundtracking across Scene Transitions

音乐生成 | 7.3/10

 · 更新于 2026-09-25 · 约 13 分钟 · 6236 字 阅读 →
论文解读

MOSS-Audio Technical Report

语音识别 | 9.2/10

 · 更新于 2026-09-25 · 约 12 分钟 · 5940 字 阅读 →
论文解读

Multimodal Music Recommendation System using LLMs

音乐推荐 | 10/10

 · 更新于 2026-09-25 · 约 15 分钟 · 7397 字 阅读 →
论文解读

SALSA: Speech Aware LLM Adaptation via Learned Steering Activation Vectors

语音识别 | 7.2/10

 · 更新于 2026-09-25 · 约 4 分钟 · 1679 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-06-02

共分析 35 篇语音/AI 论文

 · 更新于 2026-09-25 · 约 104 分钟 · 51914 字 阅读 →
论文解读

DOA: Training-Free Decoder-Only Attention Policy for Long-Form Simultaneous Translation with SpeechLLMs

语音翻译 | 7.8/10

 · 更新于 2026-09-25 · 约 12 分钟 · 5915 字 阅读 →
论文解读

ImmersiveTTS: Environment-Aware Text-to-Speech with Multimodal Diffusion Transformer and Domain-Specific Representation Alignment

语音合成 | 9.3/10

 · 更新于 2026-09-25 · 约 13 分钟 · 6263 字 阅读 →
论文解读

Towards Streaming Synchronized Spatial Audio Generation via Autoregressive Diffusion Transformer

自回归模型 | 6.5/10

 · 更新于 2026-09-25 · 约 17 分钟 · 8023 字 阅读 →
论文解读

UniAudio-Token: Empowering Semantic Speech Tokenizers with General Audio Perception

语音合成 | 10/10

 · 更新于 2026-09-25 · 约 16 分钟 · 7690 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-06-01

共分析 23 篇语音/AI 论文

 · 更新于 2026-09-25 · 约 73 分钟 · 36167 字 阅读 →