生成模型

针对自由文本下每条条件只有极少真实样本而难以估计条件分布的问题，DriftAudio 保留文本条件生成而在冻结特征空间匹配边际分布，从 MeanAudio 出发把 FAD 从 1.68 降到 1.11、FD 从 15.43 降到 12.71，从 FdAudio 出发把 FAD 从 1.22 降到 0.99，代价是部分起点上的 IS 与 CLAP 出现回落。

Passing 把一段多摩单轨车窗连续录像堆成时空体并沿非线性截面重采样出无尽画面，再用去掉视觉语义分支、只留时间对齐与车内环境声语义锚定的 SpecMaskFoley 实时生成同步声，代价是最终展览声景没有可复算的客观正确性指标，只能靠现场稳定性和艺术协商来收敛。

该文把固定脉冲与随样本指数加长的滤波器做时变卷积并扩展到球谐域，用近最小相位滤波器拟合由非平稳高斯过程采样的方向相关混响时间，以快速分治卷积从噪声或已有脉冲生成新的空间脉冲响应，代价是滤波器阶数不足时指数放大会放大拟合误差且长混响方向必须更平滑。

针对语音特征缺少显式人脸空间结构导致口唇与表情不准的问题，该文用音频预测的 68 点地标做局部空间增强与全局补偿来修正三维高斯属性偏移，并在自驱动与跨驱动条件下验证同步与重建，同时以阈值与几何正则的取舍为代价。

针对域增量下旧音频不可回访且新专家对旧样本缺特征的问题，该文用冻结追加专家加无数据回放与跨域特征补全，在 DCASE 2026 任务 7 上报告 78.4% 微平均与 78.9% 宏平均，代价是专家数与拼接维度随域数线性增长。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

针对临时拼凑的多智能体与单体黑盒难复用难实时的问题，论文用类型化共享黑板加需要与提供声明实现自动拓扑调度，并在纯 Python 加原生库加速的路线下给出模块化可增量扩展的工程方案，代价是暂无定量性能评测与图形化工具仍在开发中。

DriftSE 把语音增强写成潜空间分布对齐问题，用冻结编码器的帧级漂移场在训练时牵引生成分布、推理时丢弃漂移只做一次前向，在四个数据集上以 1 次函数求值取得词错误率最优，但纯声学潜空间会出现幻觉而非配对训练会损失语义保真度。

本文以 MAD 单簧管为个案追踪其从被动触发到算法伙伴的四代演进，核心证据是 2.1 的单向视听触发、3.0 和声器与随机系统的实时改写、New Set 中马尔可夫链的即时再 elaboration，主要代价是每代都伴随噪声、重复与需人启动的局限。

该工作把文王法起卦的偶然性放在投掷阶段、用规则加概率做实时伴奏，再把本卦之卦与动爻的经文交给大语言模型做针对性解读并转写成音乐提示词驱动生成模型，其代价是未做定量听感评估且生成音乐对细粒度语义提示不够敏感。

论文把预训练神经音频模型当作可上手摆弄的乐器，用实时修改权重与偏置代替重训练，以两场约二十人工作坊与弯曲日志复用为证据，代价是大量操作只产生静音噪声且弯曲状态尚不能保存复用。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

论文把潜在空间作为显式交互面，用同一三维实体控制器分别对接不透明高维合成、具标签音色簇与语义节奏生成三类模型，以不同映射与灯阵反馈探测探索性与可复现性之间的权衡，代价是未做纵向用户学习评估且低成本硬件限制了显示与机械一致性。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

针对有情绪语音下少样本说话头几何不稳定与音画情绪错位问题，EmoTaG 选择在 FLAME 参数空间预测运动并用门控残差分离音素与情绪，证据是在 5 秒适配的自重建与跨人跨语评测中取得更优的图像质量与运动误差，代价是适配仍需约 11 分钟与上脸辅助输入。

OTIAC 针对反馈增强古典吉他，用在线自组织映射学音色词汇、用因子预言机学生成序列并经换能器回注琴体，证据来自 9 个月与 H[t] Duo 的练习主导研究，代价是语料只限当场反馈、长时易重复且演奏者感知不对称。

论文以持续一年的生成式广播 In Search of Good Ancestors 为案例，提出再活化框架把数据集制作、迭代再训练与长期聆听当作现场性所在，证据是四层异步系统与四轮工作坊加巩固期的可复述过程，代价是放弃低延迟 virtuosity 式控制与可重复定量评价。

论文要解决的是把偶然发现的次声驱动金属失真现象 CLSTR0 从打击乐演奏中剥离出来，做成可长期自主发声又允许随时插手的混合乐器装置 CLSTR1，其最强证据是 9 到 34 Hz 激励下金属碗在膜上自主爬行并调制音景的三种艺术实现，代价是位置极敏感、不可参数化且尚无观众交互的系统测量。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

针对标准 LZ 压缩倾向于整段拷贝训练数据的问题，该文用限制每棵树训练数据量来缩短平均序列长度、用多步不回根来加长平均序列长度，并在 MAESTRO 约 200 小时钢琴 MIDI 音高数据上验证了控制方向，代价是省略节奏导致机械感与长序列带来的逐字拷贝风险仍需抄袭检测来界定。