论文解读

边听边分清谁在说:把长历史留下来做说话人归属

语音识别 | 7.5/10

 · 更新于 2026-11-05 · 约 9 分钟 · 4402 字 阅读 →
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

 · 更新于 2026-11-05 · 约 6 分钟 · 2608 字 阅读 →
论文解读

相位越不准,幅度越要背锅:用频带加权把流式增强从过衰减里拉回来

语音增强 | 6.4/10

 · 更新于 2026-11-05 · 约 21 分钟 · 10215 字 阅读 →
论文解读

别只看那一刻有多自信,要看一路有多摇晃:TRACE 用轨迹来判断情感是否可信

音视频理解 | 7.7/10

 · 更新于 2026-11-05 · 约 20 分钟 · 9757 字 阅读 →
论文解读

咳嗽不是噪声:让对话智能体在轮次间听见呼吸

音频事件检测 | 6.4/10

 · 更新于 2026-11-05 · 约 15 分钟 · 7497 字 阅读 →
论文解读

边播边改:当音视频生成从片段走向持续世界

音频生成 | 8.2/10

 · 更新于 2026-11-05 · 约 17 分钟 · 8087 字 阅读 →
论文解读

不只给一个抑郁概率:把声音拆成四条可审计的 DSM-5 线索

语音情感识别 | 7.1/10

 · 更新于 2026-11-05 · 约 15 分钟 · 7092 字 阅读 →
论文解读

让声码器也理解方向:CSAVocoder 把空间线索留在最后一公里

空间音频 | 7.6/10

 · 更新于 2026-11-05 · 约 10 分钟 · 4970 字 阅读 →
论文解读

别等整句说完:把数字人的手势变成一条受因果约束的数据流

音视频交互 | 6.9/10

 · 更新于 2026-11-05 · 约 9 分钟 · 4260 字 阅读 →
论文解读

语音助手的记忆为什么要分脑:VoiceMem 用 134 ms 换来 top-5 的长期理解

语音交互 | 6.6/10

 · 更新于 2026-11-05 · 约 13 分钟 · 6205 字 阅读 →
论文解读

Do SpeechLMs Hear Their Own Opinions? Diagnosing and Mitigating Previous-Belief Contamination in Streaming Emotion Understanding

语音情感识别 | 8.9/10

 · 更新于 2026-11-05 · 约 10 分钟 · 4535 字 阅读 →
论文解读

TurboBias 2.0: Streaming Context-Biasing for Production-Efficient ASR Systems

语音识别 | 9.0/10

 · 更新于 2026-11-05 · 约 11 分钟 · 5444 字 阅读 →
论文解读

X2Streaming-TTS: Causal Token-Level Text-to-Speech from Streaming Text with Speech-State Inheritance

语音合成 | 7.9/10

 · 更新于 2026-11-05 · 约 9 分钟 · 4444 字 阅读 →
论文解读

DNN-Based Frequency-Dependent Estimation of Speech, Music, and Noise Power in Acoustic Mixtures for Hearing-Aid Scene Analysis

音频分离 | 6.5/10

 · 更新于 2026-11-05 · 约 10 分钟 · 4890 字 阅读 →
论文解读

Target Speaker Identification: A Low-Latency Streaming Pipeline

说话人验证 | 5.6/10

 · 更新于 2026-11-05 · 约 11 分钟 · 5075 字 阅读 →
论文解读

StreamHear: Domain-Adapted Pseudo-Labeling for Semi-Supervised Streaming Speech Recognition

语音识别 | 6.4/10

 · 更新于 2026-11-05 · 约 12 分钟 · 5783 字 阅读 →
论文解读

VoiceChat-TTS: A Low-Latency Continuous Speech Synthesis Model for Interactive Agents

语音合成 | 8.2/10

 · 更新于 2026-11-05 · 约 16 分钟 · 7721 字 阅读 →
论文解读

Luna-TTS Family Technical Report

语音合成 | 6.9/10

 · 更新于 2026-11-05 · 约 16 分钟 · 7839 字 阅读 →
论文解读

RT-SEMamba: Real-Time Speech Enhancement Mamba via Progressive Knowledge Distillation

语音增强 | 6.6/10

 · 更新于 2026-11-05 · 约 14 分钟 · 6600 字 阅读 →
论文解读

Vorch-Streamer: Extending Human Audio-Visual Generation to Real-Time Long-Form Streaming

音视频生成 | 7.4/10

 · 更新于 2026-11-05 · 约 9 分钟 · 4241 字 阅读 →