论文解读

UnityShots: Memory-Driven Multi-Shot Audio-Video Generation with Boundary-Aware Gating

扩散模型 | 8.9/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7367 字 阅读 →
论文解读

Adaptive Oscillatory Inductive Bias for Modeling Sharp Prosodic Dynamics in Diffusion-Based TTS

语音合成 | 7/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5086 字 阅读 →
论文解读

A Variational-Flow Analysis of StoRM under Noise-Power Mismatch

语音增强 | 4.4/10

 · 更新于 2026-10-16 · 约 10 分钟 · 4515 字 阅读 →
论文解读

Audio-visual Contrastive Alignment for Diffusion-based Visual-conditioned Speech Enhancement

语音增强 | 8.1/10

 · 更新于 2026-10-16 · 约 10 分钟 · 4879 字 阅读 →
论文解读

Bridging Self-Supervised Learning and Speech Enhancement: A Wav2Vec2-Conditioned Framework

语音增强 | 7.5/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5269 字 阅读 →
论文解读

ProsoCodec: Prosody-Oriented Speech Codec for Voice Conversion

语音转换 | 6.6/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5546 字 阅读 →
论文解读

Co-policy: Responsive Human-Robot Co-Creation for Musical Performances

音乐生成 | 8.5/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6648 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-06-22

共分析 1 篇语音/AI 论文

 · 更新于 2026-10-16 · 约 4 分钟 · 1684 字 阅读 →
论文解读

How Do Instructions Shape Speech? Cross-Attention Attribution for Style-Captioned Text-to-Speech

语音合成 | 7.7/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5246 字 阅读 →
论文解读

PerceptionDLM: Parallel Region Perception with Multimodal Diffusion Language Models

多模态模型 | 8.1/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5119 字 阅读 →
论文解读

Repurposing a Speech Classifier for Guided Diffusion-Based Speech Generation

语音合成 | 7.9/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6654 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-06-19

共分析 40 篇语音/AI 论文

 · 更新于 2026-10-16 · 约 110 分钟 · 54842 字 阅读 →
论文解读

Audio-to-Audio via Diffusion Warm Initialization

音频生成 | 7.6/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6293 字 阅读 →
论文解读

One-Step Token-to-Waveform Generation with MeanFlow in Latent Space

语音合成 | 9.3/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5638 字 阅读 →
论文解读

AdaTT: Text-Guided Instrument Timbre Transfer with Target-Adaptive Structural Control

音频生成 | 8.7/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5380 字 阅读 →
论文解读

DDPO-VC: Speaker De-Identification via Diffusion Denoising Policy Optimization

语音转换 | 6.5/10

 · 更新于 2026-10-16 · 约 19 分钟 · 9064 字 阅读 →
论文解读

Fast When, Careful Who: Dual-Process Multiparty Turn-Taking with Diffusion Augmentation

语音活动检测 | 5.9/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6103 字 阅读 →
论文解读

Joycent: Diffusion-based Accent TTS without Accented Phone Prediction

语音合成 | 6.8/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5195 字 阅读 →
论文解读

MUNI: Multimodal Unified Latent Diffusion for Coherent Any-to-Any Generation

语音生成 | 6.9/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5373 字 阅读 →
论文解读

Unified Audio Generation and Editing via Joint Condition Modeling and Progressive Training

音频生成 | 8.7/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5275 字 阅读 →