论文解读
不用时间刻度做修复：判别表示如何指示流匹配的剩余路程
论文针对修复任务中全局时间 t 无法刻画样本相关退化程度的问题，提出以冻结判别编码器表示替代时间条件来驱动流匹配速度场，在语音增强上报告了可复核的提升，并以额外编码器开销和自适应推理换取计算节省。
流匹配
论文解读
在连续隐空间里一次生成一小段：SCAPES 如何用语义嵌入控制环境声纹理
SCAPES 针对环境声纹理的语义可控合成问题，用连续归一化流在 EnCodec 连续隐空间上按原子段自回归建模，并以 CLAP 语义嵌入和历史原子为条件，在约 34 分钟数据、单张消费级 GPU 约 1 小时训练的条件下实现长时稳定生成，代价是难以处理语音与复调音乐所需的长程结构。
论文解读
一步到位改三维声场：SwanWeave 为何把事件、空间、运动与房间一起学
SwanWeave 针对 FOA 四通道声场的指令编辑任务，用可控房间仿真构造 125K/类单操作与 250K 复合操作的源-目标配对监督，以潜空间流匹配为生成器，配合双层路由的 SE-MoE 与面向错编负样本的 SPO 偏好对齐及分阶段课程，实现一阶段复合编辑，并在客观与人评上一致优于现有通用与立体声编辑基线，代价是依赖仿真数据与约 10 秒短场景。
论文解读
不对齐文本、直接生成双声道：Text-Audiobox 如何做配音与对话
针对跨语言配音与双人全双工对话，Text-AB 用 DAC-VAE 潜变量上的流匹配 DiT 加 mT5 交叉注意力学对齐，经 480k 小时预训练与三路微调，在配音可分享性上领先内部系统约 0.38-0.40 分，短对话接近真值，但长音频依赖多扩散拼接与多候选重排带来额外推理代价。
论文解读
导演喊“再来一条”时，机器如何既不变声又听懂弦外之音
语音合成 | 6.8/10
论文解读
剧本写好了时间，音画却演错了拍子：用路由把时间还给剧本
音视频生成 | 7.5/10
论文解读
在一条潜流里同时生成两条音轨：解耦语义与声学后的少步分离
音乐源分离 | 5.3/10
论文解读
7B 做原生音画同步：用门控与路由把对齐做轻，而不是把参数做大
扩散模型 | 5.9/10
论文解读
合成语音越多越好吗？在音素层面重新称量文本的价值
语音识别 | 6.2/10
论文解读
梵颂为何难唱：当吟诵的旋律不在文本里
语音合成 | 7.9/10
论文解读
EmoTra-TTS: Smooth Intra-Utterance Emotion Transitions for Speech Synthesis
语音合成 | 9.6/10
论文解读
FireRedAudio: A General-Purpose Audio Language Model with Decoupled Continuous Representations for Understanding and Generation
音频理解 | 8.7/10
论文解读
FlowSep 2: Self-Supervised Flow Matching for Language-Queried Audio Source Separation
音频分离 | 9.0/10
论文解读
SingDance: Compositional Zero-Shot Singing-and-Dancing Video Generation with Role-Aware Audio Conditioning
音视频生成 | 6.8/10
论文解读
Avatar-Forever: Decoupled Parallel Training for High-Quality Real-Time Infinite Avatars
音视频生成 | 6.6/10
论文解读
VoiceDesigner: Text-to-Voice Generation and Editing via Unified Diffusion Modeling and Data Augmentation
语音合成 | 6.8/10
论文解读
VoxAudio: Vocalized Audio Synthesis via Multi-Reward Autoregressive Flow Matching
音频生成 | 8.2/10
论文解读
CookVoice: Unified Framework for Style Controllable Multi-Modal Human Voice Generation
语音合成 | 6.0/10
论文解读
Phoenix TTS: High-Fidelity Synthesis and Voice Conversion via Flow-Matching-Driven Speech Tokenization
语音合成 | 6.5/10
论文解读
Rethinking Language Model-Based Generative Speech Enhancement in the Latent Space of a Neural Audio Codec
语音增强 | 7.1/10