论文解读
Speech World Model: Causal State–Action Planning with Explicit Reasoning for Speech
语音情感识别 | 7.5/10
多模态
论文解读
Unified Multi-Modal Interactive and Reactive 3D Motion Generation via Rectified Flow
动作生成 | 7.5/10
论文解读
Cutscene Agent: An LLM Agent Framework for Automated 3D Cutscene Generation
生成模型 | 8.5/10
论文解读
MirrorTalk: Forging Personalized Avatars Via Disentangled Style and Hierarchical Motion Control
语音合成 | 7.0/10
论文解读
Temporally Heterogeneous Graph Contrastive Learning for Multimodal Acoustic Event Classification
音频事件检测 | 8.5/10
每日研究速递
语音/音乐/音频论文速递 2026-04-29
共分析 29 篇语音/AI 论文
论文解读
CoInteract: Physically-Consistent Human-Object Interaction Video Synthesis via Spatially-Structured Co-Generation
1. **问题**：现有视频扩散模型在生成人机交互（HOI）视频时，常出现手/脸结构崩溃和人机物理穿透等问题，根源在于模型缺乏对3D空间关系和交互结构的理解。 2. **方法核心**：提出CoInteract框架，核心是“空间结构化协同生成”范式。在一个共享的DiT骨干中联合训练RGB外观流和辅助的
论文解读
FLiP: Towards understanding and interpreting multimodal multilingual sentence embeddings
这篇论文旨在解决对多语言、多模态句子嵌入（如SONAR, LaBSE）的可解释性问题。核心方法是提出一种称为因子化线性投影（FLiP）的模型，通过将嵌入向量线性投影到词汇表空间来提取关键词，以此作为理解嵌入内容的代理任务。与之前非因子化的线性探测方法（如LiP）和SpLiCE相比，FLiP在关键词提
每日研究速递
语音/音乐/音频论文速递 2026-04-23
共分析 27 篇语音/AI 论文
论文解读
CoSyncDiT: Cognitive Synchronous Diffusion Transformer for Movie Dubbing
本文针对电影配音（视觉语音克隆）中音色保真度与唇形同步难以兼得的痛点，提出了一种基于流匹配的认知同步扩散Transformer（CoSyncDiT）框架。该方法受专业配音员认知过程启发，将噪声到语音的
论文解读
From Reactive to Proactive: Assessing the Proactivity of Voice Agents via ProVoice-Bench
本文旨在解决当前语音代理评估中过度关注被动响应，而忽视其主动交互能力的问题。为此，作者提出了首个专门评估主动语音代理的基准测试框架 **ProVoice-Bench**。该框架包含四个新颖的任务，用以
论文解读
Listening Deepfake Detection: A New Perspective Beyond Speaking-Centric Forgery Analysis
本文首次提出了“聆听深度伪造检测”这一新任务，旨在识别视频中人物在倾听状态下（非说话时）的伪造反应，弥补了现有研究主要集中于“说话”场景的不足。为解决此任务数据稀缺的问题，作者构建了首个专门数据集Li
论文解读
Why Your Tokenizer Fails in Information Fusion: A Timing-Aware Pre-Quantization Fusion for Video-Enhanced Audio Tokenization
这篇论文深入探讨了在端到端音频语言模型中，将视觉信息融入音频分词器时普遍存在的“理解提升但重建质量下降”的核心矛盾。作者通过系统性实验，揭示了三个关键发现：融合位置（在量化前还是量化后）至关重要；在离
每日研究速递
语音/音乐/音频论文速递 2026-04-19
共分析 42 篇语音/AI 论文
每日研究速递
语音/音乐/音频论文速递 2026-04-18
共分析 39 篇语音/AI 论文