论文解读
热启动之后再听一次：用隐状态夹角找出语义词并只在那里纠错
论文在 LoRA 适配的 ASR-LLM 中复用基座 LLM，以对应层隐状态的余弦相似度和范数比定位需语义纠错的词；单遍混合解码的平均实体错误率为 18.38%，有效搜索宽度约为贪心的 1.4 倍，双遍精修则把波束基线的 18.29% 降到 17.69%，但其总计算成本与墙钟时间未量化。
大语言模型
论文解读
导演喊“再来一条”时，机器如何既不变声又听懂弦外之音
语音合成 | 6.8/10
论文解读
想练好一句难开口的话，机器得先学会怎么“演人”：Conversation Coach 的延迟与演技取舍
语音交互 | 6.3/10
论文解读
别再让大模型把“3.45 美元”直接念出来：用 40 个可解释特征把文本对齐到可朗读
语音合成 | 7.4/10
论文解读
只记得你说了什么，却忘了你怎么说的：长程副语言记忆的缺口
语音情感识别 | 7.1/10
论文解读
朗读课文不该读出抑郁：用证据边界把筛查关进可审计的笼子
语音情感识别 | 7.0/10
论文解读
提示词动了，词错误率为什么不动：一次生产级口述史转录的预注册阴性消融
语音识别 | 7.4/10
论文解读
听得更干净，却想得更错：当语音增强把大模型带偏
语音增强 | 8.0/10
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
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
论文解读
听错一句，机器就敢动手：语音误差如何撬开具身智能的安全锁
语音交互 | 5.1/10
论文解读
在干净与噪声之间不敢用力的对比解码：用注意力给干预装上刹车
语音识别 | 6.0/10
论文解读
会数停顿的尺子，为什么比会说话的模型更懂流利度？
语音质量评估 | 6.7/10
论文解读
同音不同形，真的同音吗？当语义在频谱里留下指纹
语音识别 | 6.8/10
论文解读
ASR 评测别急着换大模型：先分清向量度量、候选裁判与错误解释
语音质量评估 | 6.1/10
论文解读
谐音不是错字：让普通话 ASR 在纠错与保留笑点之间踩刹车
语音识别 | 5.7/10
论文解读
语音助手的记忆为什么要分脑：VoiceMem 用 134 ms 换来 top-5 的长期理解
语音交互 | 6.6/10
论文解读
Benchmarking LLM Judges for Voice-Agent Evaluation: Reliability, Calibration, and Human Oversight
语音交互 | 6.6/10
论文解读
Better Retrieval, Worse Robustness: How Multi-hop RAG Amplifies Upstream ASR Errors
音频理解 | 9.1/10
论文解读
Development and Feasibility Evaluation of an Edge AI as Medical Device System for Breast Cancer Multidisciplinary Team Meetings
语音识别 | 8.4/10