论文解读
不写新评测脚本：用统一比较器把文本、计划、时序与多媒体放在同一流程里
针对生成式输出分散在文本、规划序列、时序与图像音频且缺乏可复现比较流程的问题，GAICo 选择事后基于参考的统一比较框架与可扩展指标库，在三管线旅行助手案例中分离编排与执行故障，但仍不覆盖公平性与延迟等维度。
模型比较
论文解读
小模型微调为何压过大模型提示：印地语后纠错的规模与领域证据
论文把印地语后纠错做成高重叠文本编辑，对比微调的 mT5、ByT5 与提示或微调的大模型，发现小模型纠错后词错误率更低，而零样本大模型呈先升后降的 n 形曲线，代价是跨域仍会退化并需要混合多源假设来缓解。
论文解读
流式多说话人识别要在单实例省内存与多实例保重叠之间选边
该文用同一组流式识别与流式说话人日志模型派生出级联、掩码输入、词级串行输出和日志条件四种架构，对比多说话人准确率、单说话人退化、内存占用与训练代价，并以排列不变动态时间规整解决短片段训练标签对齐问题，其中日志条件精度最好但需要微调与多实例代价。
论文解读
混语口述史里英文指标最好的一档，为何恰恰丢掉了非英语片段
该研究把 Whisper 用于含英语、粤语、台山话与毛利语的口述史转写，以人工转写的 9 分 33 秒片段为参照比较不同尺寸与语言指定条件，最好的语言未指定 LARGE-V3 词错误率为 12.10，但代价是对非英语片段的转写与区分能力不足，而全库 12 小时 42 分钟机转仅用 5 小时，约为估计人工时间的 1%。
论文解读
先分好组再混音：为什么两阶段不是技巧，而是分工
音乐生成 | 7.0/10
论文解读
当目标永远无法被完美复刻，我们该如何评判模仿的好坏？
音频生成 | 6.4/10
论文解读
Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study
音频事件检测 | 8.8/10
论文解读
Training DeepFilterNet with Accurate Room Acoustic Simulations Improves Single-Channel Speech Enhancement
语音增强 | 9.0/10
论文解读
Finetuning Strategies for Querying Sounds by Vocal Imitation
音频检索 | 7.3/10
论文解读
Why GPT-Style Models Do Not Directly Transfer to Symbolic Music: Compression in the Wrong Coordinate System
音乐生成 | 6.7/10
论文解读
Moving Horizon Estimation for Underwater Target Tracking Based on Time-Difference-of-Arrival Measurements
声源定位 | 6.5/10
论文解读
In Defense of Using Worst-case Privacy Disclosure as Privacy Evaluation Metric of Voice Anonymization
说话人验证 | 7.1/10
论文解读
From Speech to Interaction: Analyzing Multimodal Systems in Cocktail-Party Scenarios
音视频语音识别 | 6.6/10
论文解读
How to Recognize New Words: A Comparison Between Context Biasing Methods and Speech LLMs
语音识别 | 6.4/10
论文解读
Does EEG Foundation Models Transfer to Speech? A Benchmark on Overt and Imagined Speech Decoding
语音识别 | 6.5/10
论文解读
Teffic-Audio: Tell Fact from Fiction
语音伪造检测 | 6.8/10
论文解读
GraphIDyOM: A graph-native Python reimplementation of IDyOM for musical expectation modelling
音乐理解 | 7.8/10
论文解读
Phylogenetic signal in marine mammal and bird vocalizations captured by audio foundation models: the limited benefit of domain-specific pretraining
音频理解 | 7.7/10
论文解读
Gradient-Based Speech-to-Text Alignment for Any ASR Model: From CTC to Speech LLMs
语音识别 | 7.3/10
论文解读
Goodbye Equal Error Rate, Hello Local Information Disclosure: Evaluating Voice Anonymisation against 1-to-N Linkage Threats
语音转换 | 6.5/10