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

 · 更新于 2026-10-15 · 约 17 分钟 · 8087 字 阅读 →
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

 · 更新于 2026-10-15 · 约 87 分钟 · 43538 字 阅读 →
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

 · 更新于 2026-10-15 · 约 12 分钟 · 5836 字 阅读 →
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

 · 更新于 2026-10-15 · 约 12 分钟 · 5899 字 阅读 →
论文解读

EXAM²: Extending Audio Understanding in Multilingual and Multimodal Analysis

音频理解 | 8.7/10

 · 更新于 2026-10-15 · 约 11 分钟 · 5452 字 阅读 →
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

 · 更新于 2026-10-15 · 约 14 分钟 · 6559 字 阅读 →
论文解读

OmniJudge or OmniBias? Diagnosing Multimodal Judges through Balanced, Decoupled Lenses

音频质量评估 | 7.4/10

 · 更新于 2026-10-15 · 约 13 分钟 · 6318 字 阅读 →
论文解读

SonarLLM: A Native Sonar--Optical Multimodal Large Language Model for Underwater Perception

音频理解 | 8.0/10

 · 更新于 2026-10-15 · 约 15 分钟 · 7258 字 阅读 →
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

 · 更新于 2026-10-15 · 约 14 分钟 · 6968 字 阅读 →
论文解读

Adaptive Hierarchical Representation Alliance for Multimodal Learning

语音情感识别 | 8.6/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4966 字 阅读 →
论文解读

Cross-Subject Generalization in Decoding Perceived Speech from Non-Invasive Brain Recordings

语音识别 | 8.3/10

 · 更新于 2026-10-15 · 约 11 分钟 · 5179 字 阅读 →
论文解读

EchoWM: Open and Enterable Omnimodal World Models

音视频生成 | 10.0/10

 · 更新于 2026-10-15 · 约 11 分钟 · 5157 字 阅读 →
论文解读

Long-Horizon Audio-Visual Generation for Persistent Stories and Interactive Worlds

音视频生成 | 8.9/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4722 字 阅读 →
论文解读

Motion-Aware Reasoning from Speech to Mask Tracks: Runner-up Solution for the MeViS-Audio Track of the 8th LSVOS Challenge 2026

音视频理解 | 7.1/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4901 字 阅读 →
论文解读

Pre-Decoding Acoustic Triage for Budgeted Vision-Language Captioning of Untrimmed Egocentric Video

音视频理解 | 9.0/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4759 字 阅读 →
论文解读

TLive-Omni: An Omni-Modal Understanding Model for E-Commerce Live Streaming

音视频理解 | 10.0/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4537 字 阅读 →
论文解读

Does Listening Matter? Backchanneling and Nodding in AI Clone

语音交互 | 5.2/10

 · 更新于 2026-10-15 · 约 12 分钟 · 5992 字 阅读 →
论文解读

Robust Incomplete Multimodal Sentiment Analysis via Iterative Proxy Correction

语音情感识别 | 5.4/10

 · 更新于 2026-10-15 · 约 12 分钟 · 6000 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-08-21

共分析 18 篇语音/AI 论文

 · 更新于 2026-10-15 · 约 60 分钟 · 29950 字 阅读 →
论文解读

Alignment Is All You Need: Instruction-Free Training for General Audio-Language Models

音频理解 | 8.0/10

 · 更新于 2026-10-15 · 约 12 分钟 · 5610 字 阅读 →