论文解读

不可听水印为何在扩散重生面前失效:DiffErase 的黑盒去除与保真权衡

针对语音/音乐/环境声的神经音频水印,DiffErase 在不查询检测器且不知水印方案的黑盒条件下,通过梅尔频谱的中间噪声扰动与预训练扩散去噪重生实现去除,并在五种水印系统上将检测 TPR 降至近 0 的同时以 t* 控制保真度代价。

 · 更新于 2026-10-16 · 约 19 分钟 · 9247 字 阅读 →
论文解读

Chatterbox-Flash: Prior-Calibrated Block Diffusion for Streaming Zero-Shot TTS

语音合成 | 10/10

 · 更新于 2026-10-16 · 约 6 分钟 · 2923 字 阅读 →
论文解读

ImmersiveTTS: Environment-Aware Text-to-Speech with Multimodal Diffusion Transformer and Domain-Specific Representation Alignment

语音合成 | 9.3/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6263 字 阅读 →
论文解读

SwanVoice: Expressive Long-Form Zero-Shot Speech Synthesis for Both Monologue and Dialogue

语音合成 | 8.9/10

 · 更新于 2026-10-16 · 约 17 分钟 · 8091 字 阅读 →
论文解读

Towards Streaming Synchronized Spatial Audio Generation via Autoregressive Diffusion Transformer

自回归模型 | 6.5/10

 · 更新于 2026-10-16 · 约 17 分钟 · 8023 字 阅读 →
论文解读

Archon: A Unified Multimodal Model for Holistic Digital Human Generation

语音合成 | 7.5/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5475 字 阅读 →
论文解读

Decoding Strategies for Diffusion-Based ASR: A Systematic Evaluation of Confidence-Based Thresholding

语音识别 | 6.8/10

 · 更新于 2026-10-16 · 约 10 分钟 · 4803 字 阅读 →
论文解读

Native Audio-Visual Alignment for Generation

音频生成 | 7.8/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6977 字 阅读 →
论文解读

Dasheng AudioGen: A Unified Model for Generating Coherent Audio Scenes from Text

音频生成 | 8.6/10

 · 更新于 2026-10-16 · 约 16 分钟 · 7601 字 阅读 →
论文解读

DEMON: Diffusion Engine for Musical Orchestrated Noise

音乐生成 | 6.0/10

 · 更新于 2026-10-16 · 约 16 分钟 · 7857 字 阅读 →
论文解读

Hidden in Plain Tokens: Simply Robust, Gradient-Free Watermark for Synthetic Audio

语音合成 | 10/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6556 字 阅读 →
论文解读

WaveNeXt 2: ConvNeXt-Based Fast Neural Vocoders With Residual Denoising and Sub-Modeling for GAN and Diffusion Models

语音合成 | 8.5/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5927 字 阅读 →
论文解读

Diffusion Domain Expansion: Learning to Coordinate Pre-trained Diffusion Models

扩散模型 | 7.4/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5697 字 阅读 →
论文解读

FlowLong: Inference-time Long Video Generation via Manifold-constrained Tweedie Matching

视频生成 | 4.9/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7098 字 阅读 →
论文解读

Instrumental Text-to-Music Generation with Auxiliary Conditioning Branches

音乐生成 | 8.4/10

 · 更新于 2026-10-16 · 约 16 分钟 · 7719 字 阅读 →
论文解读

Raon-OpenTTS: Open Models and Data for Robust Text-to-Speech

语音合成 | 9.5/10

 · 更新于 2026-10-16 · 约 20 分钟 · 9678 字 阅读 →
论文解读

A Survey of Advancing Audio Super-Resolution and Bandwidth Extension from Discriminative to Generative Models

音频修复 | 8.1/10

 · 更新于 2026-10-16 · 约 17 分钟 · 8138 字 阅读 →
论文解读

Omni-Customizer: End-to-End MultiModal Customization for Joint Audio-Video Generation

音视频 | 7.3/10

 · 更新于 2026-10-16 · 约 19 分钟 · 9061 字 阅读 →
论文解读

S2Accompanist: A Semantic-Aware and Structure-Guided Diffusion Model for Music Accompaniment Generation

音乐生成 | 5.6/10

 · 更新于 2026-10-16 · 约 20 分钟 · 9578 字 阅读 →
论文解读

SemaVoice: Semantic-Aware Continuous Autoregressive Speech Synthesis

语音合成 | 6.8/10

 · 更新于 2026-10-16 · 约 15 分钟 · 7239 字 阅读 →