论文解读
把“像不像”拆开问：当音乐相似度被迫按属性回答时，人与机器在哪儿对齐、又在哪儿分叉
音乐检索 | 7.3/10
数据集
论文解读
别再让大模型把“3.45 美元”直接念出来：用 40 个可解释特征把文本对齐到可朗读
语音合成 | 7.4/10
论文解读
三个人怎么把话说完：TEIDAN 用统一的停顿尺子量出日英对话的节奏差
多模态模型 | 5.1/10
论文解读
不用真谱也能学会听谱：TUTTI 用 36 万首合成曲喂饱纯 Transformer
音乐转录 | 7.4/10
论文解读
长字幕为什么总在最后两层才说谎：用问答把数据、训练和推理锁在一起
音频字幕生成 | 6.8/10
论文解读
会打断、会附和，还要听得懂分寸：把“何时说话”从“说什么”里拆出来
语音交互 | 7.3/10
论文解读
在噪声里听见和弦：一次卷积如何让田野录音带上调性色彩
音乐生成 | 5.9/10
论文解读
把声学公式写进损失：PhysWave 如何让扩散模型不再猜方向
音频生成 | 6.6/10
论文解读
当模型听得见声音，却听不懂语气：VocalAffectBench 为何要把情感从文字里剥离
语音情感识别 | 7.4/10
论文解读
只给顺序不给时间：用会遗忘的节奏记忆补上塔布拉转录的弱监督缺口
音乐转录 | 6.3/10
论文解读
当声音在笑、文字在哭：大音频语言模型为何听不见讽刺
语音情感识别 | 8.1/10
论文解读
当八成轮替都重叠时，静音阈值为什么会失灵？
多模态模型 | 5.1/10
论文解读
当文字说得太漂亮，声音却在摇头：如何让模型听出言外之意
语音交互 | 6.6/10
论文解读
AllMusicCaps：让专辑评论成为可检索音乐语义的补充监督
论文把专家专辑评论转为曲目级 caption，并在混合语料、编码层和目标函数的分轴比较中检验其适用范围。
论文解读
32 分钟语料能给 Baniwa ASR 一个起点，却不能借此跳过泛化检验
语音识别 | 4.7/10
论文解读
把 100 小时 MEG 拆成两种稀缺资源，才看得见神经语音解码该怎样扩展
基准测试 | 8.9/10
论文解读
把“该不该开口”拆成可追责时间表：TurnBench 逼出的轮次交接难题
语音交互 | 8.5/10
论文解读
Anatomy of a Scam Call: What 10,000 real scam and spam calls reveal about how phone scammers operate
语音交互 | 7.3/10
论文解读
LAION-BVD: A 10-Million-Hour Open Video Dataset for Multimodal Pre-training
音视频理解 | 9.4/10
论文解读
The ISCSLP 2026 Real-World Audio-Visual Speech Enhancement Challenge
音视频语音分离 | 8.8/10