检索增强

针对长音频中领域术语不一致和声学混淆问题，Agentic-GER 用全文转写做全局上下文来发现可疑片段并定点重转写核对，在 GigaSpeechBench 上中文 Whisper 基线最高获得 36.8% 术语相对误差下降，代价是思考模式大幅增加输出 token 与耗时。

针对长时复用纠错历史会被大模型上下文窗口卡住且纯文本检索在触发词被误识时失效的问题，该文用音频关键词检出门控只取当前 utterance 相关的纠错记录，在约 70% 提示压缩下保持或提升词错误率与偏置词 F1，代价是过强的 Top-1 过滤会明显掉点且需维护关键词库与检出模块。

针对普通话多音字消歧依赖大模型且无法预测训练未见读音的问题，G2PO 用 RoBERTa-tiny 加词典融合与词性辅助，在仅 3.99M 参数下在 CPP 上报告 99.15% 准确率并在未见读音上报告 70.79% 零样本准确率，代价是仍依赖外部词典覆盖与 Jieba 生成的词性标签。

针对语音大模型在 2000 词偏置下易受近音词干扰的问题，PTC-Bias 复用同一份帧级音素后验先做检索竞争选词定位、再做解码后局部竞争纠错，在 LibriSpeech 上把 Prompt-SLAM-ASR-7B 的偏置词错误率相对降低约 2 成而非偏置词错误率基本不变，代价是依赖轻量音素 CTC 分支与固定阈值检查。

针对只用正常声音训练、测试需跨工况统一阈值判异常的问题，该文把整流流匹配搬到紧凑音频特征空间并用近邻正常样本的失配做局部校准，在 DCASE 2020-2025 六年平均分报告 71.01，代价是仍依赖微调特征与逐查询多路径前向计算。

论文用 3879 条语音声明研究文本到语音的事实核查迁移，发现语音输入带来一致的准确率下降，单用检索只能小幅回升，而检索加显式推理在思考调优模型上达到 86.1% 准确率，但仍低于纯文本检索上限。

PACE 针对非平行口音转换，用冻结 WavLM 上的口音预测子空间更新加检索融合实现推理时可调的转换强度，默认点以 16.0% 词错误率和 39.0% 分类器准确率优于复现基线，代价是说话人相似度降到 0.583。

该系统针对 NCERT 课本问答做个性化教学视频，用检索增强生成锁定课本依据并写出多场景脚本，再经 Stable Diffusion 配图、DynamiCrafter 做动效、Google TTS 配音并由 MoviePy 对齐合成，演示显示师生觉得比纯文本更易跟随，但原文只报告定性反馈而未给出可比的定量指标与对照代价。

论文研究长音频中分散证据的定位与整合问题，采用离线结构化元数据加按需音频片段的混合检索智能体路线，最强证据是混合检索加多模态证据比单模态平均答案准确率提高约 10 个百分点、理由准确率提高约 6 个百分点，代价是声学任务仍需灵活选择证据模态且答案正确会高估真实 grounding 能力。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

ScorePrompts 针对用自然语言探索 MusicXML 乐谱结构的问题，选择先用固定 MIR 组件栈构造音符、拍、小节、乐曲四级对齐表示再做受约束语言生成与确定性问答， demo 贯穿单谱四阶段流程，代价是只面向机器可读西方调性乐谱且未验证生成句与证据的语义忠实性与音乐学正确性。

该研究以检索加规则检验做古典钢琴符号混搭，用 8 小节可控听辨分离和声、终止逻辑、动机可辨识度和织体四个因素，发现终止逻辑与可辨识度及复调并置更关键，代价是仅在短片段、均匀钢琴音色和小样本条件下成立。

该文用离线描述符分析加四种可堆叠查询在 Max/MSP 里动态形成空间化声音组，并以四组共用 150 个声源的固定媒体作品验证流程，其代价是离线分析耗时、堆叠与动态查询受限和空间化带来的 CPU 压力。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

针对沉浸式空间音频意图难落实的问题，Satie 用音频优先领域专用语言加浏览器运行时承载大模型代码生成与文本生音频，行数对比显示同需求下脚本约为游戏引擎代码五分之一，而代价是依赖第三方接口与浏览器空间保真度限制。

该研究把文本转音乐从一次生成波形改为持续解析为 34 字段可读合成器配置，用后台解析加前台交叉淡出的实时生成器维持不断声，最强证据是 200 条提示下嵌入检索后端全部成功且配置生成约 0.3 秒而外部大模型后端成功 178/200 且需约 5.6 秒，代价是音色泛化弱于神经音频且检索覆盖不足时会出现语义错配。

该文把自然语言行为描述经分解、按需挑选领域知识、分头合成图形处理器核函数再组装为可执行草图，在 8 个提示上把零样本与全文档 p 档的零通过率提升到管线条件下约五至七成，但只验证 12 秒无错运行而不验证行为保真与音乐可用性。

AutoCut 针对广告视频制作中多模态松散耦合与剪辑不可控问题，用残差向量量化把视频与音频变成与文本共享的离散词元并经两阶段训练统一推理，在 364 个样本的同一评测上取得排序准确率 0.10714 与脚本质量 84.6255 等最佳结果，代价是依赖已有素材库检索而不能从零生成像素。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读