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
多模态模型
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
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
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