检索增强

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

针对小时级视频上下文过长与朴素切分检索导致碎片化的问题，论文提出离线构建全局-场景-片段-实体四层索引并用说话人身份做跨模态实体黏合，再由智能体按需多粒度检索，在 LVBench 上以 30 秒粗切分与至多 10 步推理达到 84.1% 整体准确率，但高密度采样与多工具调用仍带来离线与在线开销。

针对无监督异常声音检测中正常与异常机器声高度相似、单条通用描述难以支撑差异总结的问题，论文提出推理时两阶段多样且判别性束搜索解码，用多条组内多样加跨音频互斥的描述供给大语言模型汇总，主观评估显示更具体可辨但未承诺延迟与误判改善。

论文要解决陌生人跨时间合奏的体验问题，选择五块木板加卷积发声与四维特征最近邻召回过去同时录音的路线，公共展出的观察显示参与方式多样但仍缺乏可量化的音乐性评估，而单人触发与多人优先的仲裁规则是其主要代价与边界。

针对音视频问答中共享嵌入检索错位与单跳图证据太浅的问题，论文用三步多智能体构造多跳多模态知识图并以模态内检索加 GRASP 接地剪枝供给答案有用子图，在 AudioCaps-QA、VCGPT 和 VALOR 上一致提升但强依赖阈值与外部接地模型。

该研究把现场编程的共享文本缓冲作为舞台，用三斜线指令召唤多个逐字打字的可见智能体并以冲突无关复制数据类型维持并发一致，再用检索增强保证 Strudel 语法可用，作者自研究显示角色转向策展与协商但伴随认知负荷与失控失效。

问题是用现成神经音频编解码器做可演奏的音色迁移，方法是不训练新生成器而检索调色板令牌颗粒并做连续性约束的序列选择与分组替换，最强证据是调色板扩展下中位实时系数仍低于实时，而代价是分块渲染与完整上下文不等价且缺乏听感验证。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

针对文本角色扮演忽略语音自发性和人物声音一致性的问题，ActorMind 用眼耳脑口四智能体的现成推理流程组织语音合成，在 Friends 第一季构建的 7653 句基准上以 RP-MOS 取得平均 3.56 分的报告结果，但其评估依赖小规模主观打分且未训练模型参数。

针对多语平行口语对话稀缺且翻译腔重的问题，论文用 WHO 知识库加对话行为大纲加母语者即兴实现的方法造出 6 千对话与 163 小时语音，基准显示英语检索与过滤持续领先而阿拉伯语最低，代价是内容未经临床验证且语音到文本检索几乎失效。

针对长会议中声学线索缺失与上下文碎片化问题，论文把会议建成多维异构图并用计划执行反思智能体检索生成，在 LongAudioQA 三套数据上以语义准确率为证据取得领先，但迭代规划带来更高推理开销且依赖上游识别与说话人分离质量。

针对长语音问答中大音频语言模型难以直接处理十几分钟以上上下文的问题，论文提出先把语音转成类文本表示再做对比检索的 CLSR，用四个数据集的召回对照和长文问答的抽取验证支撑该路线，并以联合训练三项损失与冻结文本编码器为代价。

针对录音室训练的专用检测器在野外自发语音上泛化崩塌的问题，论文提出免训练的比较引导上下文学习框架，用成对证据生成与对账过滤幻觉，并用分布外路由把难样本交给音频语言模型，在三个野外数据集上报告了高于基线的宏平均 F1，但以录音室数据性能下降和依赖闭源模型生成证据为代价。

共收录 38 篇 iwslt-2026 会议论文的 Reader 深度解读

该工作以 FishAudio-S2-Pro 为基座研究英语参考到法语阿拉伯语汉语的跨语种克隆，用母语文字语言标签减少口音泄漏并以 GRPO 强化微调改善可懂度，再用推理时参考检索做词项匹配以稳住领域词发音，代价是汉语基线一度波动且说话人相似度与自然度总体保持稳定而非大幅提升。

该工作用 Parakeet 做流式识别、Qwen 3.5 做流式翻译并以黑盒前缀策略控制提交时机，在 MCIF 长语音上以高延迟配置换质量、低延迟用掩码重翻译补足，并用词表增强与检索示例做上下文轨道，代价是更宽松策略会带来可测的质量回落与闪烁。

针对 10 分钟到 540 分钟音频中说话内容、说话人、情感与声音事件交织推理难的问题，PlanRAG-Audio 先把音频离线转成时间对齐的结构化库，再按问题规划检索并只取相关片段生成答案，以检索把推理代价与原始长度解耦，代价是受上游感知精度约束并需承担离线预处理开销。

针对推理时音频或视觉缺失的音视问答，论文提出先检索真实特征再做上下文净化的 R2ScP 路线，报告在 Music-AVQA 平均 71.54% 与 AVQA 平均 76.35% 的准确率，代价是对检索库质量敏感且只处理推理阶段缺失。

针对无预切分、无说话人标签的 21 语言多说话人长对话选择题任务，论文对比了 Voxtral-Mini-3B 的 LoRA 微调、冻结 Voxtral-24B 的多模态上下文学习纠偏、以及免训练语音锚定检索三条路线，最强证据是上下文学习在第二阶段评测取得 0.81 准确率，代价是微调在小数据上过拟合回落与检索前端依赖转写和切分质量。