数据增强

📄 Listening Like a Judge: A Music-Aware Framework for Automatic Singing Performance Evaluation #多模态模型 #参数高效微调 #数据增强 #信号处理基础 8.8/10 | 创新 1.8/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 🔥 8.8/10 | 前25% | 歌唱评估 | #参数高效微调 | #多模态模型 #数据增强 | arxiv 👥 作者与机构 作者：Neelam Saini, Sourav Ghosh 机构：Samsung R&D Institute Bangalore, India 💡 毒舌点评 这篇工作试图解决歌唱评估这个“众口难调”的问题，想法不错。MG-LoRA算是个有用的工程技巧，让Whisper在唱歌时少犯点错。但问题在于，你号称“Judging like a human”，可人类评委听歌时脑子里装的可不只是音高和歌词。论文用全局调性来评判所有段落的音准，这就像让一个只会用A调吉他的人去评判爵士乐里的转调和即兴，过于简单粗暴。另外，SwaraLyrics数据集虽然贴出来了，但只有420个印度音乐样本，以此宣称“跨语言、跨风格”的泛化能力，说服力就像说“我吃过北京烤鸭，所以我懂中餐”一样。最后，框架里用的gpt-oss-120b和all-MiniLM-L6-v2这些组件，论文只说用，没说怎么调、效果如何，复现起来得靠猜。整体是个扎实的工程实现，但离真正的“智能评委”还有距离。 ...

📄 Low Resource Multimodal Translation of Nepali Spoken Words into Emotion-Conditioned Sign Language Avatars #语音识别 #低资源 #数据增强 5.3/10 | 创新 1/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0/0.5 | 工程 1/1.5 📝 5.3/10 | 后50% | #语音识别 | #数据增强 | #低资源 | arxiv 👥 作者与机构 作者：Jatin Bhusal, Salma Tamang 机构：Center for Human Mobility and Communications, Prateek Innovations, Kathmandu, Nepal; Sunway International Business School, Birmingham City University, Kathmandu, Nepal ...

📄 CrossAccent-TTS: Cross-Lingual Accent-Intensity Controllable Text-to-Speech via Disentangled Speaker and Accent Representations #语音合成 #低资源 #数据增强 5.5/10 | 创新 1.0/2 | 严谨 1.0/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.7/1.5 | 开源 0.5/1.5 | 复现 0.6/0.5 | 工程 0.6/1.5 📝 5.5/10 | 前50% | #语音合成 | #数据增强 | #低资源 | arxiv 👥 作者与机构 Ram Annamdevula, Ankit Tatawat, Ashishkumar Gudmalwar, Nirmesh Shah, Pankaj Wasnik Media Analysis, Sony Research India 💡 毒舌点评 这篇论文试图解决一个实际且重要的问题——跨语言、口音强度可控的语音合成，尤其是在低资源印度语言场景。它像一个不错的工程项目集成报告：Neucodec做编码，Qwen大模型做解码，用Perceiver Resampler和梯度反转层（GRL）搞解耦，最后用个线性组合的语言嵌入来控制强度。思路清晰，也确实做了实验。然而，它离一篇顶级会议论文的创新性和深度还有距离。核心创新“口音强度控制器（AIC）”被分解为三个相对标准的部分，组合起来的理论依据和细节描述都显薄弱。实验基线选择存疑，部分结论解读不够严谨，消融实验也不够彻底。更像是一次“现有模块的定制化应用”，而非提出了一个深刻的新方法或新见解。包装尚可，但内核的独创性和技术深度支撑不起一个很强的得分。 ...

📄 Phoneme-Level Mispronunciation Screening in Polish-Speaking Children with an Explainable Assistant #语音识别 #语音合成 #自监督学习 #低资源 #数据增强 6.2/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 0.5/1.5 ✅ 6.2/10 | 前50% | #语音识别 | #自监督学习 | #语音合成 #低资源 | arxiv 👥 作者与机构 作者：Milosz Dudek, Kamil Hemmerling, Maciej Kwarciak, Maria Stroinski, Mateusz Pensko, Kamil Kowalewski, Leonid Pavlovskyi, Sebastian Jurczak, Anna-Mariia Vitkovska, Zuzanna Miodonska, Natalia Mocko, Michal Krecichwost。 机构：1 AGH University of Krakow, Cracow, Poland; 2 SoftServe, Cracow, Poland; 3 Department of Biomedical Engineering, Silesian University of Technology, Poland; 4 Institute of Linguistics, Faculty of Humanities, University of Silesia in Katowice, Poland. ...

📄 Sarashina2.2-TTS: Tackling Kanji Polyphony in Japanese Speech Generation via Data Scaling and Targeted Data Synthesis #语音合成 #语音生成 #数据增强 7.3/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ✅ 7.3/10 | 前50% | #语音合成 | #数据增强 | #语音生成 | arxiv 👥 作者与机构 作者：Lianbo Liu, Shiao Zhu, Kai Washizaki, Reo Yoneyama, Haesung Jeon, Mengjie Zhao, Yusuke Fujita, Hao Shi, Nao Yoshida, Yuan Gao, Roman Koshkin, Yukiya Hono, Yui Sudo。机构：SB Intuitions。 ...

📄 SE-AGCNet: An End-to-End Framework for Joint Speech Enhancement and Loudness Control in Meeting Scenarios #语音增强 #数据增强 #语音质量评估 #语音识别 7.4/10 | 创新 1.4/2 | 严谨 1/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 0.9/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 ✅ 7.4/10 | 前50% | #语音增强 | #数据增强 | #语音质量评估 #语音识别 | arxiv 👥 作者与机构 作者：Jinming Zhang, Xionghu Rao, Wei Zhong, Eng Siong Chng 机构：1 浙江大学，中国；2 南洋理工大学，新加坡；3 湖南大学，中国 通讯作者：pmhuan1212@gmail.com, aseschng@ntu.edu.sg ...

📄 A Multi-Stage Separation-and-Classification Framework Guided by Complementary Acoustic-to-Semantic Clues #音频分类 #数据增强 7.5/10 | 创新 1/2 | 严谨 1.5/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.5/1.5 ✅ 7.5/10 | 前50% | #音频分类 | #数据增强 | arxiv 👥 作者与机构 作者: Younghoo Kwon, Junwoo Park, Han Yin, Jung-Woo Choi 单位: 未在论文中明确提供。 领域: eess.AS (音频和语音处理) 会议/期刊: DCASE 2026 Challenge Task 4 参赛系统报告 代码: 未提供。 💡 毒舌点评 这篇论文本质上是一个精心打磨的竞赛系统报告，而非一篇旨在推进科学边界的学术论文。其核心价值在于工程整合与针对性优化，而非方法论创新。作者坦率地承认站在DeepASA和DCASE 2025 Task 4系统（[6]）的肩膀上，但增量贡献（AF-Whisper条件化、持续时间增强、阈值优化）的理论深度有限。最令人不安的是“类别特定阈值优化”——这无异于在测试集上进行“作弊式”调参以最大化排行榜指标，其泛化性和科学严谨性严重存疑。此外，核心组件DeFT-Mamba的细节完全黑箱，使得论文几乎不可复现，这在顶会标准下是重大缺陷。总结：一份优秀的工程实践报告，但一篇不合格的学术论文。 ...

📄 Digital Revival: Acoustic Documentation and Digital Reactivation of Historical Woodwind Instruments #音乐生成 #信号处理基础 #数据增强 5.3/10 | 创新 1/2 | 严谨 0.8/1.5 | 实验 0.3/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.3/1.5 | 复现 0.2/0.5 | 工程 1/1.5 📝 5.3/10 | 后50% | #音乐生成 | #数据增强 | #信号处理基础 | arxiv 👥 作者与机构 作者：Lior Arbel, Itai Weissman 机构：未在论文中明确说明作者所属机构。 💡 毒舌点评 这篇论文更像是一份关于文化遗产数字化项目的艺术实践报告，而非一篇标准的学术研究论文。其“数字复兴”框架的核心是解决一个实际的工程与艺术问题：如何在苛刻的博物馆约束下，让沉默的历史乐器“发声”并用于现代创作。这很有意义，但技术上的新颖性和严谨性非常有限。所谓的“三层架构”只是将商业采样器（Kontakt）、一个现成的物理建模插件（Respiro）和一个简单的音效层进行组合，谈不上是方法创新。论文最大的问题在于几乎没有提供任何有说服力的定量评估。频谱对比图只是定性地看看功率分布，既没有信噪比、频谱失真度等客观指标，也没有进行任何形式的听觉感知测试（如MUSHRA、ABX）。唯一的结果展示是一张专辑，但这完全是主观艺术选择。对于一篇投递到计算音乐学或MIR会议的论文来说，这种缺乏严谨评估的做法是致命的。作者声称在探索“声学DNA”和“新的可能性”，但“新”在哪里？将古乐器声音用于即兴创作，这本身就不是新概念。整篇论文读下来，更像是一个精彩但孤独的项目总结，缺少作为学术论文所必需的对比、验证和可泛化的结论。 📌 核心摘要 本文介绍了“数字复兴”项目，旨在将博物馆中无法演奏的历史欧洲木管乐器转化为可通过电子风控制器（EWI）演奏的数字乐器。论文通过两个案例研究阐述了该框架：1）对功能完好的Haka长笛（约1680年）进行录音和采样，结合Respiro物理建模插件和起奏音采样，构建了三层结构的数字乐器，并用于录制发行专辑。2）对严重损坏的Warder长笛（约1540年，出土于沉船），基于CT扫描数据和现代复制品进行物理表征和采样，该项目目前处于早期阶段。论文重点讨论了在文物保护、录音环境差、乐器损坏等现实约束下，在声学保真度和音乐表现力之间做出的设计权衡。文章指出，对于Warder这类乐器，由于材料老化和形变，其原始声音本质上是未知的，因此项目目标并非精确复制，而是探索其声音素材在当代语境下的新可能。 🔗 开源详情 代码：论文中未提供任何代码仓库或代码片段。提及使用了商业软件Respiro和Kontakt。 模型权重：论文中未提及模型权重链接。 数据集：论文中未提供公开数据集的获取链接。涉及Haka和Warder长笛的音频数据、CT扫描数据、3D模型均属于博物馆藏品，未公开。 Demo：论文提到了公共网站“Instrumenta Online”，但未给出具体URL，因此无法访问。 复现材料：论文中未提供训练配置、检查点或附录等具体复现材料。方法实现细节（如Kontakt脚本、Respiro参数）未披露。 论文中引用的开源项目： Digital Revival project (dgtalrevival)：项目本身被介绍，但未提供公开的代码或资源仓库。 Respiro：商业音频插件，非开源。 Kontakt：商业采样器软件，非开源。 NEMUS project：引用的参考项目，未提供其公开资源链接。 Instrumenta Online：项目网站，未提供可访问的URL。 🏗️ 方法概述和架构 本文提出的方法是一个结合了现实约束与艺术目标的“数字复兴”框架，其核心是针对不同保存状况的历史乐器，采用定制化的声学捕捉、分析和数字重构流程。该框架并非一个通用的技术流程，而是通过两个特性迥异的案例（功能完好 vs. 严重损坏）来展示其应用逻辑和设计决策。 ...

📄 AugCodec: A Low-Bitrate Disentangled Neural Speech Codec via Data Augmentation #数据增强 #低资源 6.7/10 | 创新 1.5/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.3/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 ✅ 6.7/10 | 前50% | #数据增强 | #数据增强 | #低资源 | arxiv 👥 作者与机构 作者：Dongmei Wang, Xiaohang Sun, Yang Liu, Fanjie Kong, Abhishek Yanamandra, Abhinav Jain, Daniel Tompkins, Woohyun Kang, Najmeh Sadoughi, Sunil Hadap, Xiang Hao, Zhu Liu, Caren Chen 机构：Amazon, USA 💡 毒舌点评 论文的“低比特率”宣称有点取巧——它通过大幅降低帧率（12.5Hz甚至6.25Hz）来实现，而非真正高效的信息编码。核心的数据增强思路虽然直观有效，但严重依赖一个外部且固定的语音转换模型（Seed-VC），这引入了不可控的域偏移风险和系统复杂度。实验部分最大的硬伤是评估完全局限于干净的英文朗读数据集（LibriSpeech test-clean），对于一个声称有广泛应用前景的编解码器而言，这说服力远远不够，连点背景噪声都没见过，怎能谈鲁棒性？作者自己都在结论里提到了未来要做TTS和语音翻译，却连这些下游任务的初步验证都没做，使得贡献看起来更像一个有趣的玩具，而非能落地的解决方案。此外，论文完全缺乏计算开销分析（参数量、推理延迟），这对于实时通信场景至关重要，是一个显著的遗漏。 ...

📄 Bagpiper-TTS: Natural Language Guided Universal Speech Synthesis #语音合成 #大语言模型 #数据增强 8.4/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.9/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 🔥 8.4/10 | 前25% | #语音合成 | #数据增强 | #大语言模型 | arxiv 👥 作者与机构 Jinchuan Tian (卡内基梅隆大学), Haoran Wang (LY Corporation), Siddhant Arora (卡内基梅隆大学), Takashi Maekaku (LY Corporation), Keita Goto (NVIDIA Research), Jin Sakuma (NVIDIA Research), Yusuke Shinohara (NVIDIA Research), Chao-Han Huck Yang (NVIDIA Research), Shinji Watanabe (卡内基梅隆大学)。 ...