论文解读
MECap-R1: Emotion-Aware Policy with Reinforcement Learning for Multimodal Emotion Captioning
语音情感识别 | 7.5/10
生成模型
子标签
下方只统计已核验方向的论文记录，按已核身份去重，身份待核时按页面保留。“直接”只含明确标注该方向的论文；“含子树”同时包含下级方向。点击名称进入论文库继续筛选；数量与上方按标签名称收录的页面数不同。
论文解读
Noise-to-Notes: Diffusion-Based Generation and Refinement for Automatic Drum Transcription
音乐信息检索 | 8.0/10
论文解读
ParaGSE: Parallel Generative Speech Enhancement with Group-Vector-Quantization-Based Neural Speech Codec
语音增强 | 7.5/10
论文解读
PG-SE: Predictive Acceleration and Correction for Generative Speech Enhancement
语音增强 | 7.5/10
论文解读
Prosody-Guided Harmonic Attention for Phase-Coherent Neural Vocoding in the Complex Spectrum
语音合成 | 8.0/10
论文解读
PSTalker: Realistic 3D Talking Head Synthesis via a Semantic-Aware Audio-Driven Point-Based Shape
说话人合成 | 7.5/10
论文解读
ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer
音频生成 | 7.0/10
论文解读
SAGA-SR: Semantically and Acoustically Guided Audio Super-Resolution
音频增强 | 7.5/10
论文解读
Timbre-Based Pretraining with Pseudo-Labels for Multi-Instrument Automatic Music Transcription
音乐信息检索 | 7.0/10
论文解读
Tldiffgan: A Latent Diffusion-Gan Framework with Temporal Information Fusion for Anomalous Sound Detection
音频事件检测 | 7.5/10
论文解读
Two-Stage Language Model Framework for Acoustic Echo Cancellation
语音增强 | 7.5/10
论文解读
Uncertainty-Aware 3D Emotional Talking Face Synthesis with Emotion Prior Distillation
音视频 | 8.0/10
论文解读
Wave-Trainer-Fit: Neural Vocoder With Trainable Prior And Fixed-Point Iteration Towards High-Quality Speech Generation From SSL Features
语音合成 | 7.0/10
论文解读
Text-To-Speech with Chain-of-Details: modeling temporal dynamics in speech generation
本文针对文本转语音（TTS）任务，提出了一种名为“细节链”（Chain-of-Details, CoD）的新框架。**要解决的问题**是现有TTS方法在建模语音生成的时域动态（从粗略时序到精细声学细节的渐进过程）方面存在不足。**使用的方法**是将语音生成分解为多个时间分辨率递增的阶段，在每个阶段使
论文解读
Latent Fourier Transform
这篇论文旨在解决现有音乐生成模型难以对**任意时间尺度**上的音乐模式进行精确控制的问题。作者提出了**潜在傅里叶变换（LatentFT）** 框架，其核心是将离散傅里叶变换应用于由扩散自编码器编码得到的**潜在向量序列**，从而得到“潜在频谱”。通过在训练过程中对潜在频谱进行随机频率掩码，迫使解码
论文解读
Elucidating the SNR-t Bias of Diffusion Probabilistic Models
这篇论文的核心贡献是识别并系统分析了扩散概率模型（DPMs）中一个基础性问题——信噪比-时间步（SNR-t）偏差。该偏差指推理时去噪样本的实际SNR与其所分配时间步t所理论对应的SNR不匹配，这种错位源于训练时的严格耦合在推理时被累积误差打破。作者通过详实的实验（滑动窗口测试、前向与反向过程对比）揭
论文解读
ClariCodec: Optimising Neural Speech Codes for 200bps Communication using Reinforcement Learning
这篇论文旨在解决卫星、水下等极端带宽受限场景下（如200bps）语音通信清晰度严重下降的问题。传统编解码器以波形重建为目标，在超低比特率下会将宝贵的比特分配给不必要的声学细节，而非核心语义信息。为此，
论文解读
Dual-Axis Generative Reward Model Toward Semantic and Turn-taking Robustness in Interactive Spoken Dialogue Models
本文旨在解决全双工语音对话模型（SDMs）实现类人交互的核心挑战。现有自动化评估指标流于表面（如统计行为或预测时机准确率），无法为强化学习提供可靠的奖励信号，而人工评估成本高昂且难以扩展。为此，作者提
论文解读
UniPASE: A Generative Model for Universal Speech Enhancement with High Fidelity and Low Hallucinations
这篇论文旨在解决通用语音增强（USE）中生成模型面临的“高感知质量”与“低内容幻觉”难以兼得的核心矛盾。作者提出了UniPASE框架，它扩展了其先前的低幻觉PASE模型，以处理包括噪声、混响、丢包、风