论文解读

Stable Audio 3

音频生成 | 6.8/10

 · 更新于 2026-10-16 · 约 23 分钟 · 11116 字 阅读 →
论文解读

Taming Audio VAEs via Target-KL Regularization

音频生成 语音合成 | 6.7/10

 · 更新于 2026-10-16 · 约 16 分钟 · 7824 字 阅读 →
论文解读

Break-the-Beat! Controllable MIDI-to-Drum Audio Synthesis

音频生成 | 6.8/10

 · 更新于 2026-10-16 · 约 17 分钟 · 8349 字 阅读 →
论文解读

FSD50K-Solo: Automated Curation of Single-Source Sound Events

数据清洗 | 5.5/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6839 字 阅读 →
论文解读

Seconds-Aligned PCA-DAC Latent Diffusion for Symbolic-to-Audio Drum Rendering

音频生成 | 7.0/10

 · 更新于 2026-10-16 · 约 21 分钟 · 10175 字 阅读 →
论文解读

A Cold Diffusion Approach for Percussive Dereverberation

音频修复 | 6.2/10

 · 更新于 2026-10-16 · 约 19 分钟 · 9177 字 阅读 →
论文解读

DiffVQE: Hybrid Diffusion Voice Quality Enhancement Under Acoustic Echo and Noise

语音增强 | 6.2/10

 · 更新于 2026-10-16 · 约 17 分钟 · 8037 字 阅读 →
论文解读

Polyphonia: Zero-Shot Timbre Transfer in Polyphonic Music with Acoustic-Informed Attention Calibration

音乐生成 | 7.5/10

 · 更新于 2026-10-16 · 约 18 分钟 · 8830 字 阅读 →
论文解读

Remix the Timbre: Diffusion-Based Style Transfer Across Polyphonic Stems

音色迁移 | 5.5/10

 · 更新于 2026-10-16 · 约 18 分钟 · 8892 字 阅读 →
论文解读

Unison: Harmonizing Motion, Speech, and Sound for Human-Centric Audio-Video Generation

音视频生成 | 6.5/10

 · 更新于 2026-10-16 · 约 19 分钟 · 9059 字 阅读 →
论文解读

PersonaGesture: Single-Reference Co-Speech Gesture Personalization for Unseen Speakers

音频生成 | 7.0/10

 · 更新于 2026-10-16 · 约 14 分钟 · 6606 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-05-09

共分析 3 篇语音/AI 论文

 · 更新于 2026-10-16 · 约 10 分钟 · 4857 字 阅读 →
论文解读

Predictive-Generative Drift Decomposition for Speech Enhancement and Separation

语音增强 | 8.5/10

 · 更新于 2026-10-16 · 约 18 分钟 · 8741 字 阅读 →
论文解读

AVI-Edit: Audio-sync Video Instance Editing with Granularity-Aware Mask Refiner

视频编辑 | 8.0/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6198 字 阅读 →
论文解读

Stage-adaptive audio diffusion modeling

音频生成 | 7.0/10

 · 更新于 2026-10-16 · 约 12 分钟 · 5813 字 阅读 →
论文解读

AsymK-Talker: Real-Time and Long-Horizon Talking Head Generation via Asymmetric Kernel Distillation

语音合成 | 7.5/10

 · 更新于 2026-10-16 · 约 13 分钟 · 6222 字 阅读 →
论文解读

MelShield: Robust Mel-Domain Audio Watermarking for Provenance Attribution of AI Generated Synthesized Speech

音频安全 | 7.0/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5419 字 阅读 →
论文解读

A Hidden Semantic Bottleneck in Conditional Embeddings of Diffusion Transformers

图像生成 | 8.5/10

 · 更新于 2026-10-16 · 约 9 分钟 · 4164 字 阅读 →
论文解读

AudioX: A Unified Framework for Anything-to-Audio Generation

音频生成 | 7.5/10

 · 更新于 2026-10-16 · 约 22 分钟 · 10720 字 阅读 →
论文解读

AUHead: Realistic Emotional Talking Head Generation via Action Units Control

生成模型 | 7.5/10

 · 更新于 2026-10-16 · 约 10 分钟 · 4862 字 阅读 →