实时处理

📄 说了像本人，不等于接得住话：角色暗示里的时机考验 英文题目：DuplexSpeechBench-IFEval: Evaluating Implicit Instruction Following in Full-Duplex Voice Agents 一句话：论文用同一段用户语音对比显式规则与人设暗示下的接话时机，发现全双工模型推断代价最高达 9.7 个百分点，而内容像角色的模型仍做不出打断与附和，且安全冲突下仅一例过半守住安全侧。 标签：#语音交互 | #语音大模型 | #基准测试 | #实时处理 | #模型评估 评分：7.2/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 👥 作者与机构 Puneet Mathur：University of Maryland College Park, USA Dinesh Manocha：Project Page: 💬 毒舌点评 把显式打断规则换成悲伤辅导员与911接线员的人设暗示来考全双工话轮控制，这个切口抓得准且泄漏控制做了实事。遗憾在于6个系统绝对指令遵从率普遍低于50%，近零差距模型的细排名在阈值抖动下并不稳，安全层级结论更多是30例小样本警示而非定论。 📌 核心摘要 全双工语音智能体需要根据角色推断何时倾听、附和、打断、让出或保持话轮，现有评测多只给显式话轮指令。论文提出DuplexSpeechBench-IFEval（DSB-IFEval，隐式指令遵循评测），用同一用户音频搭配5种条件协议对比显式执行与人设暗示执行。方法上以8个行为对比角色、6类会话探针、程序化合成与双通道实时编排为流水线，以确定性指令遵从分数Instruction Adherence Score（IAS，指令遵从分数）与大语言模型评价的人设内容分数Persona Adherence Score（PAS，人设遵从分数）解耦内容与时机。6系统实验显示全双工架构的蕴含差距Entailment Gap（蕴含差距）达9.7个百分点，而回合制系统内容跟随强但打断与附和几乎为0。安全冲突下仅MiniCPM-o-4.5在语义层60.0%选择安全侧，且IAS非零者仅2个系统。该基准为角色化实时语音部署提供了可复现的层级检验，但局限在英语双轮合成语音与小规模安全集。 ...

📄 当混响不再模仿房间：用声码器思路把噪声织成尾响 英文题目：A Frequency-Domain Artificial Reverberator Plug-In 一句话：FDverb 把稀疏时域早期反射与频域噪声载波尾响解耦，用逐频带包络跟随直接塑造噪声来生成高密度混响，并以可实时交互的开源插件证明了大块尺寸下仍可低 CPU 运行，代价是缺乏与现有混响的音质对比且大块带来数十毫秒固有延迟。 标签：#音频生成 #生成模型 #空间音频 #实时处理 #开源工具 评分：7.2/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.5/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 1.5/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 👥 作者与机构 Jonas Roth：机构信息未在 arXiv HTML 中可靠披露 Nishanth Kumar：机构信息未在 arXiv HTML 中可靠披露 Silvan Krebs：机构信息未在 arXiv HTML 中可靠披露 David Wieland：机构信息未在 arXiv HTML 中可靠披露 Christoph Studer：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把相位声码器式频域噪声载波混响做成了可实时交互的 JUCE 插件，并加入了非物理的非线性衰减与音高漂移等声音设计玩法，工程完整度远超一般算法短文。短板是全文几乎没有可验证的声学或主观评价证据，创新停留在对 [2][3] 类经典频域衰减思路的工程化重组与参数化，学术增量与严谨性难以支撑顶会方法论文标准。 ...

📄 把截断搬进频域：用 sinc 重采样让振荡器同步不再混叠 英文题目：Alias-Free Oscillator Synchronization via Additive Synthesis 一句话：论文把硬同步的时域重置重写为傅里叶系数上的 sinc/versinc 线性重采样，再用带限加法合成直接生成无混叠波形，并以 65nm 的 HASY 芯片在 42 微秒内完成 512 阶变换来证明实时可行，但代价是面积与功耗翻倍且 P<1 时精度系统性下降。 标签：#音乐生成 #生成模型 #实时处理 #高效推理 评分：7.9/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1.3/1.5 👥 作者与机构 Jonas Roth：机构信息未在 arXiv HTML 中可靠披露 Domenic Keller：机构信息未在 arXiv HTML 中可靠披露 Oscar Castañeda：机构信息未在 arXiv HTML 中可靠披露 Christoph Studer：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把硬同步的时域截断重写为频域线性重采样，用 \(sinc\) / \(versinc\) 闭式变换统一处理任意波形并直接给出无混叠加法合成，理论干净且可扩展到 mirrored 与 pulsar 两种软同步。短板是验证仅靠与浮点黄金模型和解析截断的 SINAD 对比，缺乏与 BLEP / BLIT 等主流抗混叠基线的听感或频谱对比，且流片芯片存在控制逻辑错误导致无法全功能实测，系统报告的说服力被大幅削弱。 ...

📄 不估路径，先认出声音：跨终端啸叫为何要改用对象门控 英文题目：Acoustic Echo Control Based on Sound Object Identification for Suppressing Howling Caused by Complicated Acoustic Paths 一句话：这篇论文用“默认静音、确认非同一才放行”的声音对象门控，把难以建模的跨终端回授路径改写为重复对象的本地阻断；它能在特定仿真中压住持续啸叫，却把身份误判与语音可懂度损失暴露为必须正面优化的代价。 标签：#回声消除 #音频事件检测 #实时处理 #工业应用 评分：4.9/10 | 创新 1.1/2 | 严谨 0.8/1.5 | 实验 0.6/1.5 | 清晰 0.9/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 0.5/1.5 💬 毒舌点评 这篇稿最可取的贡献，是把跨终端啸叫从“估计固定路径再相减”改成“默认静音、确认非同一才放行”的对象门控；发送与播放各守相应链段，图 2 也把它嵌入既有通话链路的位置画清楚。它因此给出了值得继续检验的因果单位，而非只把传统 AEC 换名。 但它仍是特定仿真中的可行性演示：没有公开基准、强基线、客观质量指标或部署测量，图 3 的 K–M 还显示误放行与过度静音。持续啸叫受抑不能推出真实会议中的可懂度、鲁棒性或整体体验已经合格；硬静音会切碎目标语音的代价仍需用直接比较来回答。 📌 核心摘要 这篇论文用“默认静音、确认非同一才放行”的声音对象门控，把难以建模的跨终端回授路径改写为重复对象的本地阻断；它能在特定仿真中压住持续啸叫，却把身份误判与语音可懂度损失暴露为必须正面优化的代价。不估计难以建模的端到端路径，而是默认静音，只有当前对象被判为不同于近期缓存对象时才发送或播放。它在发端和收端各设一道门，因此理论上可切断经服务器、编解码和非线性处理绕回来的重复对象。手动静音无法可靠协调多个终端，所以系统需要在信号层面而不是靠用户纪律断开回授。 验证实现只是幅度谱余弦相似度门控，并非训练好的识别模型。在 2 间房、3 个终端仿真中，AEC 约 13 s 收敛后，单讲识别错误相对较少，持续啸叫受抑；未控制条件的啸叫约在 2–3 s 后出现。双讲和 3 人重叠时仍可压住持续啸叫，但误放行会带来短暂回声，保守静音则会破碎目标语音并降低可懂度。 ...

📄 把电话声道和业务词汇分开付账：Canary 的两次适配实验 英文题目：Domain-Adaptive ASR for Telephony AI Agents: Fine-tuning Canary Flash Models for Enterprise Contact Center Applications 一句话：这份报告的可取之处不在于把 Canary 包装成万能电话 ASR，而在于用真实通话与可控增强补电话声道、再以姓名地址阶段换取业务词汇准确率，并把这笔专化回退明确暴露出来。 标签：#语音识别 #领域适应 #实时处理 #工业应用 评分：7.9/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 1/1.5 | 复现 0.2/0.5 | 工程 1.1/1.5 💬 毒舌点评 这篇报告最扎实的优点，是把真实通话、提示录音和电话化增强拆成可理解的采集分工，并把姓名地址的 3.78% 与一般电话的 10.89% 一起呈现。姓名地址实验最重要的不是 3.78% 本身，而是它与 10.89% 一起呈现专化代价；加上 180M 的 RTFx 601.8，读者能看到面向生产的真实取舍。 但证据仍像内部上线复盘：内部参与者、内部泰语电话集和单张 A100 不能支撑普遍部署结论。延迟只在单一硬件和 batch size 下测量，生产并发、排队和成本并没有被这张 RTFx 表覆盖；又缺少 real-call、mu-law 与噪声各自贡献的消融，生产上仍可能需要模型路由或混合训练。 ...

📄 别等整句说完：把数字人的手势变成一条受因果约束的数据流 英文题目：Super Star: Towards Streaming Real-time Interactive Agents for Digital Humans 一句话：Super Star 的价值在于把离线动作质量与在线因果约束分给不同的数据流：用非因果合成器造训练数据，却让部署端只从截至当前的语音和动作历史预测下一步。 标签：#音视频交互 #自回归模型 #Transformer #流式处理 #实时处理 评分：6.9/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 0.9/1.5 💬 毒舌点评 Super Star 最扎实的地方，是没有把“流式”只当成演示词：在线端把 audio-conditioned cross-attention 的因果约束同时放进训练和推理，并用四部位 motion token 把局部动作动力学与全身历史接起来。Table 1 与 Table 2 的 FGD、BC、Diversity 和单步延迟是同一口径下的联合证据，尤其 JIYI 上的 mask 消融确实让因果对齐这一机制有了可反驳的抓手。 该泼冷水的地方也很具体：1.623 ms 是 gesture generation module 的每步数，不是用户说话到可见数字人反应的端到端实测；响应模块首 audio token 约 234 ms，渲染和网络却没有被纳入同一延迟表。self-evolution 的 2 轮结果很诱人，但 preferred online 样本规模、真实部署覆盖和长期负反馈行为都未报告，不能把固定 120 帧历史窗下的稳定手势延迟升级成已验证的全系统实时陪伴。 ...

📄 Arbitrary Polygon Oscillator: Generalizing Polygonal Synthesis to Arbitrary Shapes, Morphing, and Three-Dimensional Polyhedra 标签：#音乐生成 #音频生成 #实时处理 #理论分析 #开源工具 8.7/10 | 创新 1.8/2 | 严谨 1.3/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1/1.5 🔥 8.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音乐生成 | #音频生成 | #实时处理 #理论分析 | arxiv 👥 作者与机构 第一作者：Antonio Argentieri（Conservatorio Niccolò Piccinni di Bari） 通讯作者：Antonio Argentieri；Francesco Scagliola 作者列表：Antonio Argentieri、Francesco Scagliola（机构：Conservatorio Niccolò Piccinni di Bari, Bari, Italy） ...

📄 One Timeline, Many Renderings: A Wolfram Language Paclet for heterogeneous musical output 标签：#音乐生成 #端到端 #开源工具 #实时处理 7.0/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 0.9/1.5 ✅ 7.0/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #音乐生成 | #端到端 | #开源工具 #实时处理 | arxiv 👥 作者与机构 第一作者：Francesco Vitucci（Conservatorio di Musica “N. Piccinni” di Bari） 通讯作者：正文未明确标注通讯作者，仅列出 3 位作者邮箱 作者列表：Francesco Vitucci、Michele Lorusso、Francesco Scagliola（机构：正文只明确给出 Conservatorio di Musica “N. Piccinni” di Bari，其余机构栏为空） ...

📄 A Regularized Block Diagonal RLS Algorithm for Acoustic Echo Cancellation 标签：#回声消除 #模型压缩 #高效推理 #实时处理 #理论分析 7.2/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 0.9/1.5 ✅ 7.2/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #回声消除 | #模型压缩 | #高效推理 #实时处理 | arxiv 👥 作者与机构 第一作者：Ruibin Hou（The College of Computer Science and Technology, Inner Mongolia Minzu University, Tongliao, 028000, Inner Mongolia, China） 通讯作者：正文未明确标注 作者列表：Ruibin Hou、Chenggang Zhang、Yufeng Diao（机构：The College of Computer Science and Technology, Inner Mongolia Minzu University, Tongliao, 028000, Inner Mongolia, China） ...

📄 sanoTTS: The Smallest Real-Time Neural TTS on a General-Purpose Microcontroller 标签：#语音合成 #知识蒸馏 #模型压缩 #实时处理 10.0/10 | 创新 1.8/2 | 严谨 1.4/1.5 | 实验 1.4/1.5 | 清晰 0.9/1 | 影响 1.3/1.5 | 开源 1.5/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 10.0/10 | 前10% | 文档类型：系统技术报告 | 评分置信度：中 | #语音合成 | #知识蒸馏 | #模型压缩 #实时处理 | arxiv 👥 作者与机构 第一作者：Ashish Thapa（正文未明确机构） 通讯作者：正文未明确标注 作者列表：Ashish Thapa（机构：正文未明确机构） 💡 毒舌点评 sanoTTS 的可信度来自“完整链真的在板上跑”和“每个 blob 都能核验”，而非参数数字。0.22× 实时、明确的参数拆分和开放 fixtures 很有工程价值。推荐给端侧语音与 TinyML 开发者；选型时必须同时看到 Kristin 的明显质量差距、24 句小门禁、缺 MOS/能耗，以及更高质量 Amy 包尚未实板部署。 ...