多模态模型

📄 ZSV2C-MLLM: Zero-Shot Visual Voice Cloning Via Multimodal Large Language Models #语音克隆 #多模态模型 #零样本 #强化学习 #语音合成 ✅ 6.5/10 | 前50% | #语音克隆 | #多模态模型 | #零样本 #强化学习 学术质量 5.8/7 | 选题价值 2.0/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Yanling Zhang（昆明理工大学） 通讯作者：Shengxiang Gao（昆明理工大学） 作者列表：Yanling Zhang（昆明理工大学，云南人工智能重点实验室）、Linqing Wang（昆明理工大学，云南人工智能重点实验室）、Shengxiang Gao（昆明理工大学，云南人工智能重点实验室） 💡 毒舌点评 亮点：论文最大的亮点在于将“情感规划”这个抽象任务显式地交给一个经过微调的大语言模型来完成，这个思路比传统基于规则或回归的方法更灵活，也更契合当前LLM赋能各任务的潮流。短板：论文在最关键的“如何做到零样本”和“LLM具体如何规划韵律”这两个核心问题上，细节描述过于粗疏，比如对“融合”操作（公式1）和“情绪调制”函数（公式4）的实现一笔带过，给人的感觉是框架大于细节，实验数据漂亮但“黑盒”感较强。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及公开模型权重。 数据集：使用了公开数据集GRID和CHEM，但未提供获取方式或预处理脚本。 Demo：未提及在线演示。 复现材料：仅提供了极有限的训练设置（优化器、学习率、硬件），缺乏复现所需的详细配置文件、超参数表、代码或检查点。 论文中引用的开源项目：引用了CosyVoice/CosyVoice2的工作，但未明确说明其开源项目是否被直接使用或作为基础进行构建。 总结：论文中未提及任何开源计划。 📌 核心摘要 要解决的问题：现有的视觉语音克隆（V2C）方法大多依赖于配对的音频-视觉数据，缺乏零样本能力，这限制了其在资源受限环境（如无配对数据）下的可扩展性。 方法核心：提出一个零样本V2C框架，集成文本、静音视频、参考音频和用户情感标签作为输入。其核心创新是一个基于预训练大语言模型（Qwen）的情感韵律规划器，它能根据多模态融合特征生成连续的韵律轨迹（如音高、语速、停顿）。 与已有方法相比新在哪里：主要区别在于引入了LLM作为多模态信息整合与情感韵律规划的中心模块，并实现了无需配对音频数据的零样本推理。相比于V2C-Net、Face-TTS等方法，该框架在数据要求上更灵活。 主要实验结果：在GRID和CHEM两个数据集上，该方法在语音质量（MOS-S）、自然度（MOS-N）和说话人相似度（SPK-SIM）上均显著优于基线方法。例如，在GRID数据集上，MOS-S达到3.94，比最强基线Multi-TTS（3.50）高0.44；SPK-SIM达到71.52，远高于其他方法。消融实验证明，移除视觉输入、情感控制、强化学习或LLM规划器都会导致性能明显下降。 实际意义：为电影配音、语音修复、交互媒体等需要情感化语音合成但缺乏配对训练数据的场景，提供了一种可扩展的解决方案。 主要局限性：实验仅在两个相对小规模和特定领域的数据集（GRID为命令式语音，CHEM为情感语音）上验证，对于更复杂、更自然对话场景的泛化能力未证明。此外，论文未公开代码和模型细节，可复现性存疑。 🏗️ 模型架构 该框架是一个多输入、多模块的端到端系统，旨在生成情感可控的语音。整体流程可概括为：多模态特征提取与融合 -> LLM情感韵律规划 -> 条件概率语音生成 -> 强化学习优化。 ...

📄 β-AVSDNET: A Novel End-To-End Neural Network Architecture For Audio-Visual Speaker Diarization #说话人分离 #端到端 #音视频 #多模态模型 ✅ 7.5/10 | 前25% | #说话人分离 | #端到端 | #音视频 #多模态模型 学术质量 5.8/7 | 选题价值 1.5/2 | 复现加成 0.3 | 置信度 高 👥 作者与机构 第一作者：Chang Huai You（Singapore Institute for Infocomm Research (I2R), A*STAR） 通讯作者：未说明 作者列表：Chang Huai You（Singapore Institute for Infocomm Research (I2R), A*STAR） 💡 毒舌点评 这篇论文在“用巧劲”上做得不错，把LeNet这种“古董级”轻量化网络用在了音视频分离任务上，配合巧妙的ROI-delta特征设计，反而比ResNet-18等更复杂的模型效果更好，证明了在特定任务上“合适”比“复杂”更重要。但论文对训练的“黑盒”部分描述有所保留，比如具体的训练硬件、优化器、学习率变化等关键复现细节一笔带过，让想跟着跑的同行心里有点没底。 🔗 开源详情 代码：论文中未提供本研究提出的β-AVSDnet模型的代码仓库链接。但明确指出了MISP 2025挑战赛的AVSD基线代码库：https://github.com/mispchallenge/MISP-2025-AVSD-Baseline。 模型权重：未提及公开预训练权重。 数据集：使用MISP 2025挑战赛数据集，未说明其公开获取方式。 Demo：未提供在线演示。 复现材料：提供了模型架构图（图2,3,4）、主要超参数范围（α）、训练策略描述。但未提供完整的训练配置、超参数列表、检查点或附录。 论文中引用的开源项目：引用了MISP 2025 AVSD Baseline [23]、RetinaFace [24]、ECAPA-TDNN [8]、Dover-Lap [32]、Mixup [33]、Silero VAD [30]、WeSpeaker [31]、Kaldi [29]、Pyannote [2] 等开源工具或模型。 📌 核心摘要 问题：传统音频说话人分离在远场、混响、重叠语音等复杂声学环境下性能受限，现有的多模态音视频分离系统常采用两阶段分离架构，优化困难且复杂。 方法核心：提出了一种名为β-AVSDnet的端到端神经网络架构，统一处理音频、视频和说话人嵌入三路输入。其核心创新包括：a) 设计了融合静态唇形、唇部运动（delta-lip）和面部特征的ROI-delta视觉表征；b) 采用轻量级修改版LeNet作为视觉编码器，并搭配共享Conformer块；c) 引入一个专用的β-AV嵌入子网络来融合视觉嵌入与说话人嵌入；d) 采用双目标训练策略，同时优化视觉预测和最终的音视频预测。 新在哪里：相比以往方法，该工作首次在AVSD任务中统一了视觉、音频和说话人嵌入的处理流程，并提出了兼顾外观、运动和身份的ROI-delta特征。通过实验证明，一个极其轻量化的视觉编码器（LeNet）在该任务上可以达到甚至超越更复杂网络（ResNet-18）的性能。 主要实验结果：在MISP 2025挑战赛的远场开发集上，β-AVSDnet的最佳单通道配置（β:Retina-Delta ECAPA）将词错误率（DER）从基线系统的15.38%降低到12.20%，模型参数量从58.9M降至26.7M（减少54%）。在多通道融合后，DER进一步降至10.98%。使用额外训练数据和数据增强后，DER达到7.25%，优于报告中的其他系统。关键对比数据见表2。 实际意义：该工作为复杂声学环境下的会议转写、多模态对话分析等应用提供了一种更高效、更鲁棒的解决方案。其轻量化特性也便于在端侧部署。 主要局限性：a) 评估仅基于MISP数据集，其泛化能力有待验证；b) 论文对训练的具体硬件、优化器、学习率调度等关键复现细节描述不足；c) 双目标训练中权重系数α的动态调整策略（“在0.80和0.98之间变化”）的具体机制和影响未充分讨论。 🏗️ 模型架构 β-AVSDnet是一个端到端的多模态神经网络，整体架构如图3所示，旨在联合处理视频、音频和说话人嵌入，输出每个说话人在每个时间帧的活动概率。 ...

📄 All That Glitters Is Not Audio: Rethinking Text Priors and Audio Reliance in Audio-Language Evaluation #模型评估 #音频问答 #音频大模型 #大语言模型 #多模态模型 ✅ 6.5/10 | 前50% | #音频问答 | #模型评估 | #音频大模型 #大语言模型 | arxiv 学术质量 6.0/7 | 选题价值 2.0/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：Leonardo Haw-Yang Foo（未说明具体单位，但论文地址为National Taiwan University） 通讯作者：未说明（论文未明确指定通讯作者，通常由第一作者或末位作者负责，此处未明确） 作者列表： Leonardo Haw-Yang Foo (National Taiwan University, NTU AI-CoRE) Chih-Kai Yang (National Taiwan University, NTU AI-CoRE) Chen-An Li (未说明) Ke-Han Lu (未说明) Hung-yi Lee (National Taiwan University, NTU AI-CoRE) 💡 毒舌点评 亮点：论文像一位敏锐的审计师，用“无音频输入”和“音频分段测试”两把尺子，清晰量出了当前音频-语言模型在“裸考”（无音频）时依然能得高分（60-72%），且需要整段音频才能答对的题目极少（仅3-4%），这记耳光打醒了盲目乐观的“分数崇拜”。短板：诊断出了病症，但开的“处方”（第5章的建议）却非常笼统，缺乏可直接执行的“新基准”或“新评估工具”，更像是向学界发出的一份呼吁而非解决方案。 ...

📄 CineAGI: Character-Consistent Movie Creation through LLM-Orchestrated Multi-Modal Generation and Cross-Scene Integration #跨模态 #多模态模型 #角色一致性 #大语言模型 #扩散模型 🔥 8.0/10 | 前25% | #跨模态 | #多模态模型 | #角色一致性 #大语言模型 | arxiv 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Tianyidan Xie（南京大学，具体院系未说明） 通讯作者：Zili Yi（南京大学，具体院系未说明） 作者列表：Tianyidan Xie（南京大学）、Mingjie Wang（未说明）、Qiang Tang（未说明）、Feixuan Liu（未说明）、Rui Ma（未说明）、Lanjun Wang（未说明）、Zili Yi（南京大学） 💡 毒舌点评 这篇论文最亮眼的地方在于它没有试图发明一个从零开始的端到端“电影生成大模型”，而是务实地将当下最强的几种单点技术（LLM、扩散模型、换脸、语音驱动）通过精心设计的多智能体流程“胶水”集成起来，形成一个可用的系统，展现了强大的工程整合能力和清晰的解决问题思路。但其核心短板也十分明显：它本身几乎没有底层算法或模型的创新，更像是一个前沿技术的应用系统集成报告，且所有组件均依赖现有开源模型或商用API，使得其“新颖性”和“可复现性”大打折扣。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：论文中未提及公开框架权重。其依赖的组件（RealVisXL 3.0, ChatTTS, HunyuanVideo-13B, SimSwap, Wav2Lip, MusicGen）均为外部项目。 数据集：论文中构建了包含100个故事提示的基准测试集，但未说明是否公开及如何获取。 Demo：论文中未提及在线演示。 复现材料：论文提供了一些组件的技术细节（如SimSwap的人脸替换分析、ChatTTS的嵌入一致性分析）于附录中，但缺乏整合整个框架所需的训练/推理配置、多智能体协议等详细复现信息。 论文中引用的开源项目：Grounded-SAM2, SimSwap, Wav2Lip, MusicGen, ChatTTS。此外还提及了作为基线或生成器的CogVideoX, VideoCrafter, HunyuanVideo, RealVisXL 3.0。 开源计划：论文中未提及开源计划。 📌 核心摘要 本文旨在解决自动化电影生成中的三大核心挑战：跨场景角色身份不一致、视觉风格/转场不连贯以及音视频（对口型、表情、音乐）跨模态不同步。其方法核心是提出了一个名为CineAGI的分层多智能体框架，该框架通过三个主要模块（叙事合成、角色生成、电影合成）将复杂的电影生成任务分解并交由专门的LLM智能体（如角色设计师、编剧）和专用生成模型（如HunyuanVideo、SimSwap、Wav2Lip）协作完成。与已有方法相比，其创新点在于通过系统化的“分层解耦”而非端到端生成来处理长序列和多角色问题。主要实验结果显示，在总体一致性（OC）上较最强基线（Hunyuan）提升40%，在主题一致性（SC）上提升4.4%，美学质量（AQ）提升5.4%，在人物一致性（CC）的人工评估上提升28.7%，证明了该系统框架的有效性。其实际意义在于为自动化、模块化的AI电影生产提供了一种可行的架构思路。主要局限性在于整个框架依赖大量现有的第三方模型，未讨论各模块联合训练或优化的可能性，且推理成本较高（每个场景约11.3分钟），限制了其实际部署和大规模应用。 ...

📄 HeadRouter: Dynamic Head-Weight Routing for Task-Adaptive Audio Token Pruning in Large Audio Language Models #音频大模型 #多模态模型 #token剪枝 #模型效率 🔥 8.0/10 | 前25% | #音频大模型 | #token剪枝 | #多模态模型 #模型效率 | arxiv 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Peize He (EPIC Lab, 上海交通大学; DAIL Tech) 通讯作者：未明确指定（论文提到“Corresponding author”，但未指明具体姓名或邮箱） 作者列表：Peize He¹², Yaodi Luo¹², Xiaoqian Liu¹³, Xuyang Liu¹⁴, Jiahang Deng¹, Yaosong Du², Li Bangyu², Xiyan Gui¹⁵, Yuxuan Chen¹, Linfeng Zhang¹ 机构列表：¹EPIC Lab, 上海交通大学; ²DAIL Tech; ³东北大学; ⁴四川大学; ⁵华中科技大学 💡 毒舌点评 亮点：论文对音频大模型中注意力头行为的“语义-声学异质性”观察非常敏锐，并由此设计出优雅的、免训练的动态路由机制（HeadRouter），在激进剪枝下性能反超原始模型，这是极具启发性的发现。 短板：实验高度依赖Qwen2.5-Omni系列和Phi-4-Multimodal，缺乏对其他主流架构（如Gemini Audio、GPT-4o）的验证；路由机制的校准依赖于少量样本，其泛化到全新音频任务类型的稳健性尚未充分论证。 ...

📄 Full-Duplex Interaction in Spoken Dialogue Systems: A Comprehensive Study from the ICASSP 2026 HumDial Challenge #语音对话系统 #端到端 #基准测试 #多模态模型 ✅ 6.5/10 | 前25% | #语音对话系统 | #端到端 | #基准测试 #多模态模型 | arxiv 学术质量 4.0/7 | 选题价值 1.8/2 | 复现加成 0.5 | 置信度 中 👥 作者与机构 第一作者：未说明（作者列表按姓氏字母顺序排列，未明确指出第一作者） 通讯作者：未说明（论文中未明确标注通讯作者，但提供了共同联系邮箱） 作者列表：Chengyou Wang (Audio, Speech and Language Processing Group (ASLP@NPU), School of Computer Science, Northwestern Polytechnical University, Xi’an, China)、Hongfei Xue (同上)、Guojian Li (同上)、Zhixian Zhao (同上)、Shuiyuan Wang (未说明具体单位，仅列姓名)、Shuai Wang (未说明具体单位，仅列姓名)、Xin Xu (未说明具体单位，仅列姓名)、Hui Bu (AISHELL, China)、Lei Xie (Audio, Speech and Language Processing Group (ASLP@NPU), School of Computer Science, Northwestern Polytechnical University, Xi’an, China) 💡 毒舌点评 本文为全双工语音对话系统的研究提供了一套详尽、实用的“考试大纲”和“模拟题库”，其数据集构建和评测框架设计是当前该领域急需的公共产品，对推动后续研究非常有益；但作为一篇“综合性研究”，它更像是一个挑战赛报告和资源发布文档，缺乏自身提出的、经过严格验证的新型模型或核心算法，学术增量主要体现在“评测”而非“建模”上。 ...

语音/音频论文速递 2026-04-27 共分析 13 篇论文 ⚡ 今日概览 📥 抓取 13 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音乐信息检索 2篇 ██ #语音识别 2篇 ██ #音频生成 1篇 █ #发音错误检测 1篇 █ #说话人识别 1篇 █ #音乐理解 1篇 █ #音频场景理解 1篇 █ #语音质量评估 1篇 █ 📊 论文评分排行榜（13 篇，按分数降序） 排名 论文 评分 分档 主任务 🥇 UniSonate: A Unified Model for Speech, Music, and Sound 8.5分 前25% #音频生成 🥈 Beyond Acoustic Sparsity and Linguistic Bias: A Prompt- 8.5分 前25% #发音错误检测 🥉 DM-ASR: Diarization-aware Multi-speaker ASR with Large 8.0分 前25% #说话人识别 4. Transformer-Based Rhythm Quantization of Performance MI 8.0分 前25% #音乐信息检索 5. Audio Effect Estimation with DNN-Based Prediction and S 8.0分 前25% #音乐理解 6. Listening with Time: Precise Temporal Awareness for Lon 8.0分 前25% #音频场景理解 7. TTS-PRISM: A Perceptual Reasoning and Interpretable Spe 7.5分 前25% #语音质量评估 8. Spectrographic Portamento Gradient Analysis: A Quantita 7.5分 前25% #音乐信息检索 9. Advancing automatic speech recognition using feature fu 7.0分 前25% #语音识别 10. Identifying and typifying demographic unfairness in pho 7.0分 前50% #语音识别 11. Full-Duplex Interaction in Spoken Dialogue Systems: A C 6.5分 前25% #语音对话系统 12. Audio Video Verbal Analysis (AVVA) for Capturing Classr 6.0分 前50% #音频问答 13. Earable Platform with Integrated Simultaneous EEG Sensi 5.5分 后50% #音频事件检测 📋 论文列表 🥇 UniSonate: A Unified Model for Speech, Music, and Sound Effect Generation with Text Instructions 🔥 8.5/10 | 前25% | #音频生成 | #流匹配 | #扩散模型 #统一音频模型 | arxiv ...

📄 MOMO: A framework for seamless physical, verbal, and graphical robot skill learning and adaptation #机器人技能学习 #多模态模型 #大语言模型 #工业应用 ✅ 7.5/10 | 前25% | #机器人技能学习 | #多模态模型 | #大语言模型 #工业应用 | arxiv 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 中 👥 作者与机构 第一作者：Markus Knauer（德国航空航天中心，机器人与机电一体化研究所；慕尼黑工业大学，计算、信息与技术学院） 通讯作者：未说明 作者列表：Markus Knauer（DLR, RMC; TUM, CIT）、Edoardo Fiorini（DLR, RMC）、Maximilian Mühlbauer（DLR, RMC; TUM, CIT）、Stefan Schneyer（DLR, RMC; TUM, CIT）、Promwat Angsuratanawech（DLR, RMC; TUM, CIT）、Florian Samuel Lay（DLR, RMC）、Timo Bachmann（DLR, RMC）、Samuel Bustamante（DLR, RMC; TUM, CIT）、Korbinian Nottensteiner（DLR, RMC）、Freek Stulp（DLR, RMC）、Alin Albu-Schäffer（DLR, RMC; TUM, CIT）、João Silvério（DLR, RMC）、Thomas Eiband（DLR, RMC） 💡 毒舌点评 亮点：框架设计上实现了“无缝”多模态切换，将物理、语音、图形界面三种交互方式通过“路径点插入”这一统一机制连接，是一个考虑周全的系统工程。短板：论文自称是“框架”，但实验部分更像是一个功能演示，缺乏在标准基准上与基线方法的定量对比，其“有效性”主要依赖于贸易展观众的定性观察，科学严谨性有待加强。 ...

语音/音频论文速递 2026-04-25 共分析 2 篇论文 ⚡ 今日概览 📥 抓取 2 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #机器人技能学习 1篇 █ #语音合成 1篇 █ 📊 论文评分排行榜（2 篇，按分数降序） 排名 论文 评分 分档 主任务 🥇 MOMO: A framework for seamless physical, verbal, and gr 7.5分 前25% #机器人技能学习 🥈 MAGIC-TTS: Fine-Grained Controllable Speech Synthesis w 7.5分 前25% #语音合成 📋 论文列表 🥇 MOMO: A framework for seamless physical, verbal, and graphical robot skill learning and adaptation ✅ 7.5/10 | 前25% | #机器人技能学习 | #多模态模型 | #大语言模型 #工业应用 | arxiv ...

📄 Materialistic RIR: Material Conditioned Realistic RIR Generation #音频生成 #多模态模型 #Transformer #对比学习 #空间音频 ✅ 7.5/10 | 前25% | #音频生成 | #多模态模型 | #Transformer #对比学习 | arxiv 学术质量 3.8/7 | 选题价值 1.5/2 | 复现加成 0.2 | 置信度 中 👥 作者与机构 第一作者：Mahnoor Fatima Saad (University of Utah) 通讯作者：未说明 作者列表：Mahnoor Fatima Saad (University of Utah)、Sagnik Majumder (UT Austin)、Kristen Grauman (UT Austin)、Ziad Al-Halah (University of Utah) 💡 毒舌点评 这篇论文的亮点在于提出了一个优雅的解耦框架（MatRIR），将空间布局和材料属性对声学的影响分开建模，从而实现了对RIR生成的精细控制，这在概念上和实验上都比之前纠缠在一起的方法更合理。然而，其短板也相当明显：模型严重依赖模拟数据集（Acoustic Wonderland），且对某些材料（如钢）的建模效果不佳，这限制了其在真实世界复杂场景中的泛化能力；此外，论文未提供代码和预训练模型，大大削弱了其可复现性和即时影响力。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及。 数据集：使用Acoustic Wonderland数据集，但论文未提及该数据集是否公开或如何获取（注：根据引用，该数据集由M-CAPA论文提出，可能需要查阅前作）。 Demo：未提及。 复现材料：论文在附录中提供了较详细的模型架构描述（Sec 7.8）和评估设置（Sec 7.9），包括网络层数、维度、部分超参数等。但关键训练细节（如损失权重 λ 值、总训练步数）和硬件信息未说明。 论文中引用的开源项目：明确使用了预训练模型DINOv2 [52] 和 MiDaS [4] 作为特征提取器和深度估计器。 📌 核心摘要 问题：现有的房间脉冲响应（RIR）生成方法通常将场景的空间布局和材料属性纠缠在一个表示中，导致用户无法独立控制材料配置来探索其对声学的影响，限制了生成的灵活性和真实性。 方法核心：提出MatRIR模型，采用显式解耦设计。它包含一个空间模块（仅从RGB图像和深度图预测反映空间布局的初始RIR）和一个材料感知模块（根据用户指定的材料分割掩码，对初始RIR进行调制，生成最终的材料条件RIR）。该设计允许在不改变空间结构的情况下修改材料配置。 创新点：与先前方法（如M-CAPA）相比，核心创新在于显式解耦空间和材料因素的建模过程，而非在联合表示中隐式学习。此外，引入了两个新的评估指标（MatC和MatD）来专门衡量模型对材料声学特性的捕获能力。 主要实验结果：在Acoustic Wonderland数据集上，MatRIR在标准声学指标（如RTE）和材料指标（MatC, MatD）上均显著优于最强基线（M-CAPA）。具体而言，在未见材料配置的测试集上，RTE（混响时间误差）降低了约16.8%，材料分类准确率（MatC）提升了71.2%。人类感知研究显示，60.4%的参与者认为MatRIR生成的音频更真实。 实际意义：该工作为虚拟现实（VR）、增强现实（AR）、机器人和建筑声学设计等领域提供了更真实、可控的声学模拟能力，允许用户探索不同材料对空间听感的影响。 主要局限性：模型在输入视角受限（如靠近墙壁）或场景被严重遮挡时性能下降；对某些材料（如钢）的声学特性建模不准确；评估和训练完全依赖于模拟数据集，真实世界泛化能力有待验证。 🏗️ 模型架构 MatRIR模型采用模块化设计，核心思想是将空间和材料因素对RIR的影响显式分离并顺序建模。 ...