论文解读

WanSong v1.0 Technical Report

音乐生成 | 7.6/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6596 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-07-17

共分析 15 篇语音/AI 论文

 · 更新于 2026-10-16 · 约 52 分钟 · 25719 字 阅读 →
论文解读

Bring Music The Horizon: Music-Driven 360^\circ Video Generation

音视频生成 | 5.3/10

 · 更新于 2026-10-16 · 约 10 分钟 · 4986 字 阅读 →
论文解读

Efficient Text-to-Audio Generation via Pruning

音频生成 | 7.6/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5635 字 阅读 →
论文解读

Music-to-Dance Generation via Atomic Movements

音乐生成 | 7.4/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6911 字 阅读 →
论文解读

Audio-Native Speech Recognition with a Frozen Discrete-Diffusion Language Model

语音识别 | 5.7/10

 · 更新于 2026-10-16 · 约 17 分钟 · 8468 字 阅读 →
论文解读

UD-ASD: A Unified Diffusion Model for Anomalous Sound Detection

音频事件检测 | 6.6/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7397 字 阅读 →
论文解读

Anysynth:Zero-Shot Instrument Cloning via In-Context Learning and Asymmetric Hierarchical Guidance

音乐生成 | 6.8/10

 · 更新于 2026-10-16 · 约 16 分钟 · 7974 字 阅读 →
论文解读

Dance to Music Generation leveraging Pre-training with Unpaired data and Contrastive Alignment

音乐生成 | 7.5/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6661 字 阅读 →
论文解读

MusicMark: A Robust Generative Watermarking Framework for Music Generation

音频水印 | 7.3/10

 · 更新于 2026-10-16 · 约 18 分钟 · 8863 字 阅读 →
论文解读

Qwen-Music Technical Report

音乐生成 | 7.4/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7232 字 阅读 →
论文解读

FreyaTTS Technical Report

语音合成 | 7.7/10

 · 更新于 2026-10-16 · 约 18 分钟 · 8785 字 阅读 →
论文解读

ReGen: Hierarchical Multi-Prompt Representation Generation for Efficient Waveform Diffusion Models

语音合成 | 7.5/10

 · 更新于 2026-10-16 · 约 20 分钟 · 9782 字 阅读 →
论文解读

Wan-Dancer: A Hierarchical Framework for Minute-scale Coherent Music-to-Dance Generation

音乐生成 | 5.6/10

 · 更新于 2026-10-16 · 约 19 分钟 · 9038 字 阅读 →
论文解读

Vidu S1: A Real-Time Interactive Video Generation Model

音视频交互 | 5.2/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6461 字 阅读 →
论文解读

Vidu S1: A Real-Time Interactive Video Generation Model

音视频生成 | 6.4/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7039 字 阅读 →
论文解读

BlueMagpie-TTS: A Token-Efficient Tokenizer, Language Model, and TTS for Taiwanese-Accent Code-Switching Speech

语音合成 | 6.5/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6017 字 阅读 →
论文解读

DELTA-TTS: Adapting Autoregressive Model into Diffusion Language Model for Text-to-Speech

语音合成 | 7.5/10

 · 更新于 2026-10-16 · 约 16 分钟 · 7847 字 阅读 →
论文解读

DuplexChat: Constructing Speaker-Separated Full-Duplex Dialogue Speech at Scale for Spoken Dialogue Language Modeling

语音交互 | 5.9/10

 · 更新于 2026-10-16 · 约 18 分钟 · 8798 字 阅读 →
论文解读

Lights, Camera, Carbon: Architectural Scaling Laws for Video Generation Energy Consumption

音视频生成 | 6.9/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6413 字 阅读 →