论文解读
咳嗽不是噪声：让对话智能体在轮次间听见呼吸
音频事件检测 | 6.4/10
多模态模型
论文解读
当 AI 自己给艺术分类：28 个簇与 6 个人类标签的错位
音视频理解 | 4.0/10
论文解读
Omni 不等于会选：当模型被要求用对的模态回答
音视频理解 | 7.8/10
论文解读
有害不在一处：当声音与画面由多模态共同拼出
音视频生成 | 7.3/10
论文解读
不只用文字指挥检索：当嵌入器学会看区域、听时段
音频检索 | 7.5/10
论文解读
当八成轮替都重叠时，静音阈值为什么会失灵？
多模态模型 | 5.1/10
论文解读
说出来就变了味：当语音不再是文本的透明通道
音视频问答 | 8.1/10
论文解读
边播边改：当音视频生成从片段走向持续世界
音频生成 | 8.2/10
每日研究速递
语音/音乐/音频论文速递 2026-08-29
共分析 29 篇语音/AI 论文
论文解读
别把中层热图当读心术：音频 LLM 的工作空间究竟替谁完成了推理
音频理解 | 6.6/10
论文解读
别再把同步分数当裁判：先问它量的是偏移、内容，还是感知代理
音视频理解 | 8.8/10
论文解读
EXAM²: Extending Audio Understanding in Multilingual and Multimodal Analysis
音频理解 | 8.7/10
论文解读
LAION-BVD: A 10-Million-Hour Open Video Dataset for Multimodal Pre-training
音视频理解 | 9.4/10
论文解读
OmniJudge or OmniBias? Diagnosing Multimodal Judges through Balanced, Decoupled Lenses
音频质量评估 | 7.4/10
论文解读
SonarLLM: A Native Sonar--Optical Multimodal Large Language Model for Underwater Perception
音频理解 | 8.0/10
论文解读
Task-disentangled Low-Rank Adaptation for Versatile Audio-visual Multi-modal Learning Tasks within a Unified Framework
音视频理解 | 7.4/10
论文解读
Adaptive Hierarchical Representation Alliance for Multimodal Learning
语音情感识别 | 8.6/10
论文解读
Cross-Subject Generalization in Decoding Perceived Speech from Non-Invasive Brain Recordings
语音识别 | 8.3/10
论文解读
EchoWM: Open and Enterable Omnimodal World Models
音视频生成 | 10.0/10
论文解读
Long-Horizon Audio-Visual Generation for Persistent Stories and Interactive Worlds
音视频生成 | 8.9/10