论文解读
听见了却不听从：音频大模型在编码器里记住语气，在解码器里忘记语气
语音情感识别 | 6.0/10
多模态模型
论文解读
三个人怎么把话说完：TEIDAN 用统一的停顿尺子量出日英对话的节奏差
多模态模型 | 5.1/10
论文解读
掐点说话：TimeSteer 把联合音视频扩散模型的隐式时间搬到明处
音视频生成 | 7.2/10
论文解读
没有配对报告时，如何让呼吸声自己找到临床语义？
音频分类 | 7.8/10
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
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
当文字当指挥：MAESTRO 如何让声画专家按序就位
音视频理解 | 6.0/10
论文解读
别再只调大模型：用 88 行文字把声音的破绽说给 LLM 听
语音伪造检测 | 6.4/10
论文解读
当视频自己听不见节拍：VIBE 如何让背景音乐既对上画面，又听懂文字指令
音乐生成 | 7.1/10
论文解读
模型听见的是期待的语调：当讽刺检测依赖高音与停顿的刻板印象
语音情感识别 | 7.4/10
论文解读
当声音在笑、文字在哭：大音频语言模型为何听不见讽刺
语音情感识别 | 8.1/10
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
对齐做得更紧，模型却更早替你做决定：音视频矛盾下的晚期先验固化
音视频理解 | 6.5/10
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
论文解读
把销售话术拆成可审计的流水线：SETU 为何用多智能体而非一个大模型打分
音视频理解 | 5.5/10
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
论文解读
当语音和文本各说各话，重排器如何当翻译官？
LoRA | 5.8/10
论文解读
长音频不是更长的短音频：AudioSpan 如何逼模型证明它真的听见了
音频理解 | 8.7/10
论文解读
同样的两段声音，为何转写稳得住、问答就垮掉？
音频理解 | 6.1/10
论文解读
别只看那一刻有多自信，要看一路有多摇晃：TRACE 用轨迹来判断情感是否可信
音视频理解 | 7.7/10