环境声

针对参考无关文本生成音频评价中全局 CLAP 相似度与人评相关低的问题，ELSA 用大语言模型拆分声事件加语言查询分离加 Human-CLAP 分层打分，在四个基准上把与人评的秩相关显著提高，但绝对分值系统性偏低且未显式建模时序。

FreeSonic 针对文本引导音频编辑中时间一致性与背景保留难以兼得的问题，在冻结的 TangoFlux 上用反演加去噪、文本音频注意力取掩码与分阶段解耦做局部修改，主实验报告在增加、删除、替换上取得更优的保真与语义对齐，但删除类任务仍依赖噪声注入强度等任务相关超参数。

论文把连续监听下的何时提醒形式化为四态决策，用打断与静默两种解码标记在 Qwen2-Audio-7B 上实现主动辅助，在 ESC-50 上报告 99.6% 打断 F1 与 100% 去重召回，在 Epic-Sounds 零样本下保持 96.7% 起始召回，代价是噪声域静默召回偏低且平均延迟约 3.5 秒。

该研究用颈表加速度计与肩挂噪声剂量计的数天同步监测，把环境等效声级均值与波动映射到音强、基频、倒谱峰突出度和一二次谐波差，报告了随噪声上升音强基频与倒谱峰突出度上升、一二次谐波差下降且非线性模型最优，但噪声只能解释部分方差且组间差异集中在音质斜率上。

针对声音事件检测需要帧级定位而轻量模型容量不足的问题，论文提出以教师 logits 为公共蒸馏空间、配合时序投影器和置信度加权损失的 TAT-KD，最强证据是 4.548M 参数的 SE-CRNN 学生达到 PSDS 0.574，代价是训练期要附加多级投影器并依赖冻结教师的帧级输出质量。

论文以跨生成器与黑盒低资源两条赛道检验环境声真假判别，第一名在两赛道均把等错误率压到 0.3% 左右，代价是依赖大规模自监督表征、针对性增广与多系统集成。

该研究从 71174 段音频描述中抽取归一化来源属性事件并用音频对齐嵌入过滤语义相近的缺席查询，以四个音频大模型与十二种提示词的大规模是否问句测量复杂度影响，发现事件数从 1 增至 5 时在场真阳性率系统下降而缺席假阳性率系统上升，且换措辞会在召回与误报之间形成权衡。

该文把 FAD 评价拆成召回、精确度、语义对齐与结构对齐并用对数自归一化比较六种编码器，报告显示重建类 AudioMAE 精确度最敏感而 ASR 类 Whisper 结构最敏感但对信号退化近乎看不见，代价是没有任何单一编码器能同时兼顾四轴。

针对复杂噪声下声音事件检测性能骤降问题，论文提出用预测边界构造段内注意力掩码并做边界门控增强的 BG-CRNN，在 WildDESED 上从 10 dB 到 -5 dB 持续优于基线，代价是增加边界分支与多任务损失的训练复杂度。

针对静态 RawBoost 在环境声上破坏高频纹理且采样与决策边界无关的问题，DAR-Boost 用可微噪声层加形状与强度解耦加自适应路由做对抗增强，在 EnvSDD 上把 ATA 降到 0.90% 而代价是引入梯度反转与多样性权重的联合调参。

针对多声混合中同一类事件多次出现时难定点修改的问题，论文在稳定音频开放模型上加入参考区间与编辑区间加源事件掩码，用在线合成三元组训练加、删、换、移、延五类编辑，区域级 0.1 秒事件分数超过 80% 但搬移目标区波形失真仍更大。

针对低码率低信噪比下神经语音编码器重建失真问题，FocalSE 在 DAC 连续嵌入空间中用聚焦掩码去噪、分离噪声嵌入并做噪声分类，在 LibriTTS 加 ESC-50 混合数据上重建指标优于 SECE 与 FD-CBR，代价是推理参数增至 159M、含识别分支时达 222M。

针对家庭等特定场景人工标注稀缺问题，论文用标准化加声音活动检测加音频事件检测加过滤四步把流媒体长音频转为带事件标注的训练数据，并以 2130 小时覆盖 431 类的 TriA 数据集和三组家庭分类任务上平均准确率相对提升 3.97%、Macro-F1 相对提升 3.35% 的顺序微调证据支撑其有效性，代价是类别不均衡与自动标注可靠性仍低于人工标注。

针对音频标注贵且通用主动学习忽略时频结构的问题，论文提出先用软损失分布刻画难学模式再用特征加梯度相似度匹配无标注样本的 TSAL，在 40% 标注预算下以 ESC-50 上 82.65% 对 79.90% 等结果领先基线，代价是每轮需额外计算伪标签梯度和相似度排序。

针对语音音乐通用音频在低帧率下难以同时保真与保留语义的问题，OmniCodec 用预训练理解模型的音频编码器做语义分支输入并与声学分支解耦重组，配合自引导损失提升码本利用率，在同码率下重建指标领先 Mimi 但语音语义困惑度仍有代价。

针对助听器难辨非语音环境声的问题，RALCT 把随机音频增强、MFCC 与 log-mel 拼接、CNN 降维与 Transformer 建模串成一条流水线，在 UrbanSound8K 上以约 310000 参数达到最高 94.56% 验证准确率，代价是增强强度受内存限制且部分易混类别仍偏弱。

针对 1 秒短时声场景分类中局部事件导致长短窗预测不一致的问题，论文提出语义对抗训练以抑制事件偏差，在 TAU20 上把总体准确率做到 63.5%，其中最高差异分位提升 12.0 个百分点，代价是在最稳定分位小幅回落约 1.2 个百分点。

针对每阶段只标注新类而旧类标注缺失的多标签音频类增量问题，论文用冻结编码器加解析闭式线性分类器递推累积统计量，并在 ALMA 中补连续旧类分数与频率加权，最强证据是 Setup A 上 ALMA 平均累积 43.32% 与最终 39.08% 且旧组局部保持 47.8% 左右，代价是样本加权基本无增益且长序列下与存历史数据的上限差距拉大。

针对 Whisper 在静音与非语音上产生虚假转写且 30 秒窗口被短语音浪费的问题，论文用前置锚音频做输入级接地与分隔符，在不改模型不微调下把总体词错误率从 32.18% 降到 13.23% 并把非语音幻觉压到 0.14% 左右，代价是锚短语需按领域挑选且批量失败时要回退重算。

该研究在十个城市中心 2×2 km 街区施加完全相同的无人机与载客 eVTOL 飞越作业，用道路基线加低空航空器增量的三维声传播仿真，证明水平与立面暴露差异主要来自既有道路噪声基线与城市形态的联合塑造，代价是恒定 100 m 平飞、标准化交通与单街区代表等强简化假设。