论文解读

Diff-Symbo: Text-Controlled Long-Duration Symbolic Music Generation Using Autoregressive Latent Diffusion Model

音乐生成 | 6.5/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6469 字 阅读 →
论文解读

Diff2Mix: Controllable Music Mixing via Diffusion Models and Differentiable Audio Effects

音频生成 | 7.5/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7204 字 阅读 →
论文解读

Vorch-Streamer: Extending Human Audio-Visual Generation to Real-Time Long-Form Streaming

音视频生成 | 7.4/10

 · 更新于 2026-10-16 · 约 9 分钟 · 4241 字 阅读 →
论文解读

Masked diffusion enables coherent beat tracking

音乐理解 | 6.5/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5529 字 阅读 →
论文解读

Visual Representation Matters: Exploiting Temporal Differences in Video-to-Audio Generation

音视频生成 | 6.8/10

 · 更新于 2026-10-16 · 约 19 分钟 · 9417 字 阅读 →
论文解读

AI-Based Sound Effect Generation: A Narrative Review of Generative Models Across Input Modalities

音频生成 | 6.9/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6230 字 阅读 →
论文解读

DDSynth-RL: Audio Synthesizer Inversion via Discrete Diffusion with Reinforcement Learning

音频生成 | 7.0/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6266 字 阅读 →
论文解读

AcoustiTrace: When Plausible Sound Violates Physics

音视频生成 | 6.9/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6749 字 阅读 →
论文解读

Separate-and-Detect: Unified Drum Transcription and Stem Generation via Latent Diffusion

音乐转录 | 6.8/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5561 字 阅读 →
论文解读

Exploring Efficient Waveform Diffusion Models for Foley Sound Generation

音频生成 | 6.5/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6173 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-08-03

共分析 16 篇语音/AI 论文

 · 更新于 2026-10-16 · 约 46 分钟 · 22753 字 阅读 →
论文解读

VocalRender: Score-Native Singing Voice Synthesis for Real-World Composition

歌唱生成 | 7.5/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7140 字 阅读 →
论文解读

Audio-Anchored Fusion of Multi-Ratio DiT Reconstruction Residuals for Cross-Domain Audio Deepfake Detection

语音伪造检测 | 6.6/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7231 字 阅读 →
论文解读

Qwen-Audio-3.0-Gen-Preview Technical Report

音频生成 | 5.6/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7123 字 阅读 →
论文解读

TaoMate: Anchor-Guided Memory Bridging Evolving and Reference States for Real-Time Audio-Video Digital Human Generation

音视频生成 | 6.7/10

 · 更新于 2026-10-16 · 约 16 分钟 · 7788 字 阅读 →
论文解读

Zero-Shot Face-to-Speech Synthesis via Latent Space Adaptation of a Style-Diffusion TTS Model

语音合成 | 6.0/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5892 字 阅读 →
论文解读

Parallel Decoding Distillation for Fast Image and Video Generation

音视频生成 | 6.2/10

 · 更新于 2026-10-16 · 约 19 分钟 · 9236 字 阅读 →
论文解读

Memory Efficient Audio Synthesis with Decoupled Temporal Depth Diffusion Transformers

语音合成 | 6.8/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7089 字 阅读 →
论文解读

Addressing Limited Data in Auditory Attention Decoding with Diffusion Generative Models

语音分离 | 5.1/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5908 字 阅读 →
论文解读

FillGauss: Fine-Grained Filling-Aware Impact Sound Generation for 3D Gaussian Splatting

音频生成 | 6.2/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6266 字 阅读 →