论文解读
为每段呼吸声选增强：PASA 用两阶段混合策略平衡效率与个性化
针对听诊数据稀缺且正常与异常声音频谱特性不同，PASA 把增强选择建模为马尔可夫决策过程并用混合批量-样本策略执行，在三个基准上提升诊断分数，但个性化依赖验证集奖励与样本统计积累，计算代价高于固定增强。
数据增强
论文解读
词与笑声同序列解码：面向双语非言语声的源自适应数据整理
针对中英双语带标签转写任务，论文用词汇重映射让 Whisper-medium 统一生成词与 16 类非言语声标签，并用公开语料增强过滤加影视挖掘把最终分从 33.32 提到 53.61，代价是英文纯文本词错率上升且细粒度类别仍偏弱。
论文解读
打乱顺序仍能听对：语音模型依赖局部特征与冗余线索
针对音频对抗样本跨模型迁移弱的问题，论文先用时间打乱与可解释性热图证明三类语音模型依赖局部时序与冗余特征，再提出可叠加的时间打乱梯度增强框架，在九个模型上取得更强的迁移效果，但粒度错配与权重过大会带来波动与额外开销。
论文解读
指令 supervision 不稳：先把改写漂移管住，再把覆盖面铺开
论文把 Instruct-TTS 训练不稳归因于标签转指令中超过 40% 的语义漂移，用可控改写扩大覆盖、用大模型校验过滤保真、再用音高语速音量扰动补齐韵律监督，在中文评测上把平均指令遵循率做到 56.4%，代价是组合过滤只保留约 61.5% 候选。
论文解读
GhostWord：把后门藏进单词时间轴里，防御为何越洗越伤干净转写
GhostWord 用约 400 毫秒触发音与目标词的码本做词级时间定位投毒，在 Common Voice 英、立陶宛语和多种骨干上报告约 89.3% 攻击成功率，而 ABL、ANP、SAU、I-BAU 等优化防御把成功率压到约 29.1% 时干净 WER 从约 21.5% 升到约 45.0%。
论文解读
A First Exploration of Neuromorphic OT-CFM for Multi-Speaker VSR
生成模型 | 7.5/10
论文解读
Adapting Foundation ASR Models to Dysarthric Speech: A Case Study
语音识别 | 6.2/10
论文解读
Building an ASR Solution for Training and Assessing Children's Reading
语音识别 | 8.5/10
论文解读
Dilemmadata: On the Interoperability of Heterogeneous Roman Numeral Datasets
数据集 | 10/10
论文解读
Improving multichannel speech enhancement through accurate room-acoustic simulations
语音增强 | 6.8/10
论文解读
Linguistic Bias Mitigation for Spoofing Detection via Gradient Reversal and A Variational Information Bottleneck
自监督学习 | 8.6/10
论文解读
Listening Between the Lines: Joint Learning of ASR Embeddings and LLM-Augmented Linguistics for Dementia Detection
数据增强 | 7/10
论文解读
UniSAE: Unified Speech Attribute Editing on Speaker, Emotion and Low-Level Content via Discrete Phonetic Posteriorgram Modelling
语音合成 | 7.3/10
每日研究速递
语音/音乐/音频论文速递 2026-07-01
共分析 35 篇语音/AI 论文
论文解读
AMR: Adaptive Modality Routing for Multimodal Polyglot Speaker Identification
说话人识别 | 7.8/10
论文解读
How to Leverage Synthetic Speech for LLM-Based ASR Systems?
语音识别 | 8.7/10
论文解读
LeVo 2: Stable and Melodious Song Generation via Hierarchical Representation Modeling and Progressive Post-Training
音乐生成 | 9.4/10
论文解读
Proteus: Automated Adversarial Robustness Testing for Audio Deepfake Detectors
数据增强 | 5.3/10
论文解读
Semi-Supervised Sound Event Detection with Conditional Mixup and Embedding-Level Contrastive Loss
对比学习 | 7.6/10
论文解读
SIMAX: A Scalable and Interpretable Framework for Multi-Fidelity and Annotated Clinician-Patient Dialogue Simulation
语音合成 | 6.6/10