端到端

📄 不只留下一段波形：让每一次远程录音都能自证清白 英文题目：Beyond .WAV: Design and Software Verification of VocalCap, a Traceable Browser-Based Audio Capture System for Vocal Biomarker Research 一句话：远程自导录音只剩最终文件无法定位故障，VocalCap 用同一数据流的双产物加版本化规范与字节级溯源把采集变成可验收契约，受控边界与 39 例试点审计证实了拓扑感知等机制有效，代价是三份留存与仅限软件契约的验证范围。 标签：#语音质量评估 | #端到端 | #模型评估 评分：6.1/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 👥 作者与机构 Augusto Camargo：Institute of Mathematics and Statistics, University of São Paulo, São Paulo, Brazil 💬 毒舌点评 把浏览器采集从单个 WAV 文件扩展为带字节完整性和变换溯源的可验收会话，工程闭环完整。短板是全部验证仍停留在软件契约层面，没有声学一致性、可用性和临床意义的任何外部证据，离嗓音生物标志物研究真正可用的采集验证还有距离。 ...

📄 把方向藏进声强里：二十四个心形话筒如何撑住低频到高频 英文题目：Broadband Acoustic Intensity Direction Estimation with Tight-Frame Cardioid Arrays 一句话：论文用消声室实测脉冲响应验证对置心形对做和差声强加紧框架平均的宽带测向链路，最强证据是多方向短间距组合在中弱干扰下全频段保持小角度跟踪误差，代价是单话筒顺序合成与相干叠加基准尚未检验真实多通道失配与混响。 标签：#声源定位 | #端到端 | #空间音频 | #多通道 | #鲁棒性 评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Akira Omoto：Faculty of Design, Kyushu University, Fukuoka 815-8540, Japan 💬 毒舌点评 用对置心形话筒和差测声强、再靠紧框架平均扛到 20 kHz 的思路扎实，对做声强探头的人有直接参考价值。但全篇是单话筒转 26 个位置拼出来的阵列，多通道幅相失配与同步这个真痛点完全没碰，所谓多干扰也只是把实测脉冲响应转角度再相干叠加，并不是真实反射声场，2.5 度这种数字的外推力要打折扣。 📌 核心摘要 宽带声强测向长期受限于压差式探头有限差分近似的高频上限，本文用实测脉冲响应验证基于心形指向性的心形-心形配对（cardioid-cardioid，C-C）方法能否实现 50 Hz 到 20 kHz 的稳定指向。核心机制是对每个对置心形对做和差以估计声压与质点振速分量，再经希尔伯特变换构造解析信号并时域积分求径向有功声强，最后按紧框架（tight frame）方向向量加权求和重构三维正交强度并估计方位与俯仰。实验在消声室用单只 DPA 2012 心形话筒配合全景云台顺序测量 26 通道脉冲响应，声源为 2.5 m 前方 Genelec 8331，48 kHz 采样、5.5 s 扫频激励，由同一批数据合成 6 话筒正交阵 TF6 与 24 话筒多方位阵 TF24，对比对置间距 \(d=20\) mm 与 \(100\) mm。主结果是 TF24 加 \(d=20\) mm 在总干扰信号能量比 \(L_{J/S}=-20\) dB 与 \(-30\) dB 时全频段中值跟踪误差保持在 2.5 度以内，在 \(L_{J/S}=-10\) dB 时 5 kHz 以下在 5 度以内、高频约 7.5 度。该工作给出了可直接参考的阵形与处理链条，主要局限是顺序单话筒合成未评估多话筒个体差异与同步误差，且多波到达为旋转重标定加相干叠加的标准化基准而非真实反射复现。 ...

📄 打开黑盒之前，先学会搭一间混响小屋 英文题目：Opening mind by opening architecture: analysis strategies 一句话：这篇教学报告以 1962 年 Schroeder 混响为标本，用 Faust 先搭原型再移植到 Csound 并配脉冲响应检验链，唯一的实证只是一张反馈延迟线衰减图，代价是缺参数、缺对比与缺听感验证。 标签：#音频生成 | #端到端 | #开源工具 | #可解释性 评分：4.5/10 | 创新 0.5/2 | 技术严谨 0.8/1.5 | 实验充分 0.2/1.5 | 清晰度 0.6/1 | 影响力 0.3/1.5 | 开源 1/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5 👥 作者与机构 Francesco Vitucci：Conservatorio “N. Piccinni” - Bari Giuseppe Silvi：Conservatorio “N. Piccinni” - Bari Daniele Giuseppe Annese：Conservatorio “N. Piccinni” - Bari Francesco Scagliola：Conservatorio “N. Piccinni” - Bari Anthony Di Furia：Conservatorio “N. Piccinni” - Bari 💬 毒舌点评 把 1962 年 Schroeder 混响用 Faust 再抄一遍到 Csound 还能包装成开放架构宣言，教学诚意可嘉，研究增量约等于课程作业。全文无一个可核对的声学数字、无基线、无听感评估，却大谈黑盒批判与创意未来，投顶会只会被以证据不足秒拒。 ...

📄 同一停靠点听见两种世界：ARFT 把超声与射频钉在同一坐标上 英文题目：ARFT: A Synchronized Multimodal RF-Acoustic Dataset for Positioning in Distributed Environments 一句话：ARFT 针对室内分布式定位缺乏同步多模态真值数据的难题，用共架漫游车与逐周期编排把 91 路超声波形和 42 阵元射频快照绑定到同一位姿，并以 0.110 m 二维声学基线证明数据可用，代价是单房间静态采集且射频定位仍缺定量验证。 标签：#声源定位 | #端到端 | #数据集 | #基准测试 评分：6.4/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 👥 作者与机构 Daan Delabie：机构信息未在 arXiv HTML 中可靠披露 Jarne Van Mulders：机构信息未在 arXiv HTML 中可靠披露 Bert Pyck：机构信息未在 arXiv HTML 中可靠披露 Gustav Nilsson Gisleskog：机构信息未在 arXiv HTML 中可靠披露 Gilles Callebaut：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 三模态逐周期绑定加42阵元近满快照确实补上了室内分布式定位缺失的同步融合底座，声学最小二乘基线也让数据开箱可验。遗憾是射频端仍停留在指纹可视化而无定位精度，动态跟踪与跨房间泛化缺席让联合定位愿景只兑现了一半。 ...

📄 耳塞在震动什么：骨导语音的低频直线与单轴传感器的容差 英文题目：Sensing Bone-Conducted Speech with Earbuds 一句话：这项工作用两款耳塞的同步测量标定佩戴者语音诱发的机壳振动，证明高功率集中在 400 Hz 以下且沿耳道口内外直线振动，使有利安装的单轴传感器仅损失 0.7 至 1.5 dB，而高频与机型差异仍需多轴与更低本底来覆盖。 标签：#语音增强 | #端到端 | #鲁棒性 | #工业应用 评分：6.3/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Christoph Weyer：Institute of Communication Systems (IKS), RWTH Aachen University, Aachen, Germany Peter Jax：Institute of Communication Systems (IKS), RWTH Aachen University, Aachen, Germany 💬 毒舌点评 把耳塞壳体振动这个长期凭经验用的模态做了频域加空间的联合标定，并给出单轴替代三轴的定量衰减依据，工程指向清晰。短板是17人中14男3女且多为欧洲背景、仅两款耳塞、无下游增强或检测验证，高频结论受三轴器件本底限制，向通用形态与真实噪声外推仍单薄。 ...

📄 单塔为何还能赢双塔：BiMTokenizer 用双向状态与固定格点重做 1.1 kbps 的语义-声学平衡 英文题目：BiMTokenizer: Preserving Semantic-Acoustic Balance in Low-Bitrate Speech Tokenization via Bidirectional State-Space Modeling 一句话：在 1.1 kbps 低码率下语义与声学互相挤压的矛盾中，BiMTokenizer 用双向 Mamba 时序建模与固定 Leech 格点量化重做单塔瓶颈，在 LibriSpeech 上以 PESQ-NB 3.56 与 WER 2.44% 超越同码率双塔基线，代价是离线双向依赖与 196560 大词表带来的自回归预测负担。 标签：#语音编码 | #端到端 | #语音合成 | #语音质量评估 | #知识蒸馏 评分：8.3/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 ...

📄 想练好一句难开口的话，机器得先学会怎么“演人”：Conversation Coach 的延迟与演技取舍 英文题目：Conversation Coach: A Voice-enabled AI System that Helps Practice Difficult Workplace Conversations 一句话：为让管理者在真实开口前完成高保真语音演练，Conversation Coach 在同一批合成场景下对比端到端与级联两种语音架构，用 3 倍时延与 8 倍成本优势换来对人格一致性的显著让步，并在 4 万名管理者的半年部署中验证了面向困难对话的选择性使用。 标签：#语音交互 | #端到端 | #语音合成 | #大语言模型 评分：6.3/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 👥 作者与机构 Fanyou Wu：机构信息未在 arXiv HTML 中可靠披露 Suraj Maharjan：机构信息未在 arXiv HTML 中可靠披露 Ainur Yessenalina：机构信息未在 arXiv HTML 中可靠披露 Dennis Xu Chen：机构信息未在 arXiv HTML 中可靠披露 Rahul Srivastava：机构信息未在 arXiv HTML 中可靠披露 Srinivasan H. Sengamedu：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把端到端语音到语音与级联流水线的取舍放在真实的4万人规模部署中验证，并给出可复用的时延、成本与角色一致性量化对比。短板是核心评估依赖148个合成场景与大语言模型作为评委，且未开源任何代码、模型或数据，导致外部几乎无法复现或检验其声称的人格一致性优势。 ...

📄 把响度与形状拆开：用归一化解耦让板混响参数在病态地形中收敛 英文题目：Accurate Plate Reverb Parameter Estimation Using Two-Stage Evolutionary Search 一句话：从单条板混响脉冲响应反演 6 个物理参数时，论文用峰值归一化的 CMA-ES 形状搜索加未归一化的 μ 三等分搜索两阶段解耦，并在 50 条合成 IR 上以无压缩单分辨率 L1-STFT 损失实现 10^-14 量级 NMSE，代价是单样本最坏数百秒的黑盒评估与对边界拾音点的系统性失效。 标签：#音乐理解 #端到端 #模型评估 评分：6.3/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Byunghoo Park：机构信息未在 arXiv HTML 中可靠披露 Jayeon Yi：机构信息未在 arXiv HTML 中可靠披露 Takyoung Kim：机构信息未在 arXiv HTML 中可靠披露 Minje Kim：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 把板混响物理反演这个病态多峰黑盒问题用归一化解耦的两阶段演化搜索拆得干净，并用逐项消融实锤无界对数压缩是收敛崩塌的元凶，诊断比方法本身更值钱。短板是全程只在两组各 50 条合成脉冲响应上自证，无真实录音、无噪声与模型失配测试、无多次种子统计，且单样本最多 400 重启与 30000 次仿真评估的最坏耗时超 600 秒，离实时与大规模部署相去甚远。 ...

📄 用最轻的耳蜗换最高的精度：HLP 脉冲编码为何在干净数据上赢、在嘈杂数据上输 英文题目：Conjoint Audio-to-Spikes Encoding and Processing for Efficient Neuromorphic Speech Recognition 一句话：论文用仅靠阈值调控脉冲密度的可编程 Butterworth 滤波器组与 IF 神经元构成非可学习 HLP 编码器，配合 100 步累积器与前馈 SNN 联合优化，在 Heidelberg Digits 上以 13 通道 100k 参数达到 99.77% 超越同类流水线，却在多说话人 GSC 上暴露对异构噪声鲁棒性不足的代价，并以 Zynq-7000 定点化 LLP 实现验证在线可行性。 标签：#语音识别 #端到端 #音频分类 #高效推理 评分：6.8/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.3/1.5 👥 作者与机构 Valentin M. Meunier：机构信息未在 arXiv HTML 中可靠披露 Amélie Gruel：机构信息未在 arXiv HTML 中可靠披露 Pierre Lewden：机构信息未在 arXiv HTML 中可靠披露 Adrien F. Vincent：机构信息未在 arXiv HTML 中可靠披露 Sylvain Saïghi：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把高层可编程滤波器组与积分发放神经元绑定的轻量编码器做到了可在 FPGA 上端到端跑通，并在受控的 Heidelberg Digits 上以极简前馈脉冲网络刷出超高精度，工程闭环完整。短板是复杂多说话人场景下泛化明显掉队，NTIMIT 仅 63.98% 且 GSC 远落后于 Lauscher 与 Speech2Spikes 的同类流水线，却未给出每通道阈值或更强时序建模等实质补救验证，效率指标也停留在脉冲计数层面。 ...

📄 韵律能猜出多少句法？把停顿与时长放进互信息的秤上称重 英文题目：Using Prosody to Predict Syntactic Structure 一句话：把韵律与句法的纠缠定义为互信息并用交叉熵上界在 34 万句英语朗读与自发对话上称重，证明时长与停顿可降低句法不确定性最高 10.2% 且主要标记边界，但已知词序列后增量信息因预训练不对称的估计偏差而近乎冗余。 标签：#Transformer #端到端 #模型评估 评分：7.6/10 | 创新 1.5/2 | 技术严谨 1.1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5 👥 作者与机构 Junghyun Min：Georgetown University Alex Warstadt：UC San Diego Tamar I. Regev：MIT Tiago Pimentel：机构信息未在 arXiv HTML 中可靠披露 Ethan Gotlieb Wilcox：Georgetown University 💬 毒舌点评 亮点在于把韵律与句法的纠缠首次形式化为可计算的互信息，并用多模态 T5 在 34 万句规模上给出量化证据，框架的结构无关性与特征模块化值得肯定。短板是仅用时长与停顿两个最粗糙的韵律特征且仅在英语上验证，却对文本与韵律编码器不对称预训练导致的负条件互信息估计轻描淡写，结论的外推力被严重削弱。 📌 核心摘要 论文旨在量化韵律究竟携带多少句法信息，以检验直接指称、间接指称等理论对句法-韵律接口的竞争性预测。方法核心是将句法信息含量定义为韵律随机变量 \(P\) 与句法随机变量 \(S\) 的互信息 \(I(P;S)\) 及其文本条件版本 \(I(P;S|W)\)，并通过编码器-解码器语言模型的交叉熵上界来估计句法熵 \(H(S)\) 与条件熵。相较于以往依赖个案或简化统计假设的研究，该框架具有结构无关、上下文敏感与特征模块化三个新特性，可分离不同韵律通道与句法成分的贡献。实验在 298k 句自发对话 CANDOR 与 44k 句朗读 LibriTTS 上显示，时长与停顿单独可降低句法不确定性最高达 10.2%，且主要编码边界而非短语标签，在自发语音中占比更高。该结果为间接指称理论与韵律引导习得提供了大规模实证支持，同时表明在已知词序列时韵律的增量句法信息接近冗余且因估计偏差呈现负值。局限在于仅考察英语的两个韵律维度、依赖 Stanza 银色句法分析、韵律编码器与文本编码器预训练不平衡导致的估计偏差以及未约束输出词表造成的概率泄露。 ...

📄 不用再把 PDM 翻译成 PCM：让状态空间模型直接听懂单比特麦克风 英文题目：Multirate State Space Models for End-to-End Processing of Pulse Density Modulated Speech Signals 一句话：针对常开设备上单比特脉冲密度调制麦克风必须先滤波抽取才能喂给神经网络的代价，论文用连续时间状态空间模型做编码器把 16 kHz 脉冲编码调制的训练直接泛化到 128 kHz 至 2 MHz 的脉冲密度调制测试，并在 2 MHz 下以 FouT 编码取得 3.24 的 PESQ 超过 3.07 的 PCM 基线，代价是全部 PDM 均为仿真且缺乏真实硬件与专用 PDM 基线对比。 标签：#语音增强 #端到端 #模型评估 评分：7.5/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0.5/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 ...

📄 把拾音器从琴上焊死的位置里解放出来：64 路沿弦采样如何把音色选择推迟到混音台 英文题目：PolyMap: A 64-Channel Polyphonic Guitar Pickup System 一句话：PolyMap 用 8 弦×8 点的 64 路有源微型拾音器在琴体内完成同步数字化与 MADI 单线传输，把拾音位置从演奏时刻的固定选择变为后期可连续插值的参数，实测端到端延迟 5.4 ms 与商用声卡相当，代价是噪声仍以拾音器与供电耦合为主且验证仅限单把定制琴。 标签：#音乐源分离 #端到端 #空间音频 #多通道 #开源工具 评分：7.7/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.3/1.5 👥 作者与机构 David Wieland：机构信息未在 arXiv HTML 中可靠披露 Jonas Roth：机构信息未在 arXiv HTML 中可靠披露 Christoph Studer：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把 8 弦 × 8 拾音点 的 64 通道全链路做通并真正装进琴体、用多通道音频数字接口（Multichannel Audio Digital Interface, MADI）单线数字化输出，工程完成度在吉他硬件领域相当罕见。短板是全文更像硕士毕业系统演示报告而非科研论文，缺乏与六声道拾音器（hexaphonic pickup）等基线的受控听感或信号质量对比，也没有消融或统计检验来支撑音色可塑性等核心主张。 ...

📄 把嘴边的电极收回指尖：按需贴合如何让无声语音既可用又不打扰隐私 英文题目：Soft Active Electromyography Interface for Machine Learning-Enabled Silent Speech Recognition 一句话：面对无声语音需要在无声条件下稳定传意却难以兼顾可穿戴与隐私的难题，该工作选择把采集权交还给用户，用指尖按需接触配合液态金属可拉伸互连与 MFCC 加轻量 DNN，在 30 词受试者内取得 97.2% 的分类准确并跑通无人机闭环，代价是小样本闭集与个体化训练的边界尚未打开。 标签：#语音识别 #端到端 #语音交互 #低资源 评分：5.9/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5 👥 作者与机构 Yuta Kurotaki：机构信息未在 arXiv HTML 中可靠披露 Shusuke Yamakoshi：机构信息未在 arXiv HTML 中可靠披露 Reitaro Yoshida：机构信息未在 arXiv HTML 中可靠披露 Yutaka Isoda：机构信息未在 arXiv HTML 中可靠披露 Tamami Takano：机构信息未在 arXiv HTML 中可靠披露 Yuji Isano：机构信息未在 arXiv HTML 中可靠披露 Yusuke Miyake：机构信息未在 arXiv HTML 中可靠披露 Kentaro Kuribayashi：机构信息未在 arXiv HTML 中可靠披露 Hiroki Ota：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把液态金属（Liquid Metal，LM）互连与弹性体（Ecoflex）封装做成了可按需贴合口周的指尖式主动肌电（active Electromyography，active EMG）采集形态，用物理隔离解决了连续贴脸方案的隐私与社交接受度痛点并配合梅尔频率倒谱系数（Mel-frequency Cepstral Coefficients，MFCC）+ 深度神经网络（Deep Neural Network，DNN）跑通了实时无人机控制。短板是仅3名受试者、30个孤立词、受试者内划分的小样本闭集分类难以支撑泛化与抗干扰声明，且关键复现材料仍停留在“计划公开”阶段。 ...

📄 不只给一个抑郁概率：把声音拆成四条可审计的 DSM-5 线索 英文题目：Towards Interpretable Depression Detection: Linking Acoustic Features to DSM-5 Indicators 一句话：为解决抑郁语音检测黑盒化与云端隐私风险，该工作用显式规则的 Linkage Framework 把声学特征映射到 4 项可语音观测的 DSM-5 指标，并在 DAIC-WOZ 上验证出方向一致但校正后不显著的关联，代价是放弃端到端性能对比且证据仍限于小样本访谈数据。 标签：#语音情感识别 #端到端 #可解释性 #流式处理 评分：7.1/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 0.6/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5 👥 作者与机构 Jonas Länzlinger：机构信息未在 arXiv HTML 中可靠披露 Katharina O.E. Müller：机构信息未在 arXiv HTML 中可靠披露 Burkhard Stiller：机构信息未在 arXiv HTML 中可靠披露 Bruno Rodrigues：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 把黑盒抑郁概率拆成可审计的声学特征到 DSM-5 指标的显式链路，并真把全链路压到端侧跑通，是本工作的唯一卖点；代价是所谓验证仅在 64 人的 DAIC-WOZ 子集上做方向性检查且经 FDR 校正后全部不显著，合成 TESS 拼接音频的流式演示也无法替代真实家庭纵向评估，离可信临床证据至少还差一次大规模纵向研究。 ...

📄 别让检测器猜伪迹：先把原声的压缩记忆藏回去 英文题目：A Training-Free Proactive Defense Against Partial Speech Manipulation via Self-Embedding Steganography 一句话：这篇论文的可证伪判断是：若发布端提前把原声的紧凑表示嵌回波形，局部换词会在收到波形与自重建之间留下可测的结构差异；若这一差异在受控攻击外消失，方案的主动优势也随之消失。 标签：#语音伪造检测 #音频水印 #语音编码 #端到端 评分：6.5/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.2/0.5 | 工程 0.6/1.5 💬 毒舌点评 这篇文章最扎实的优点，是把主动认证拆成可读的数据流，而不是把“深伪检测”空喊成单个分类器：SNAC 生成参照，重复 LSB 留住局部破坏后的 payload，DTW 再量化参照重建与收到波形的失配。表 1 把 1 词、2 词与 5 个重合成器摆在同一 EER 口径下，因而受控协议内的优势确有可核对的证据。 但训练自由绝非免费午餐。论文没有报告 stego 音频不可感知性、编码质量、端到端时延、吞吐量或真实链路对 LSB 的影响，也没有让攻击者专门破坏 payload；短于 0.1 s 的 EER 超过 20% 更说明极稀疏替换仍是边界。因此它是固定词替换中的补位方案，应被看作尚待部署压力测试的认证概念验证。 ...

📄 One Timeline, Many Renderings: A Wolfram Language Paclet for heterogeneous musical output 标签：#音乐生成 #端到端 #开源工具 #实时处理 7.0/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 0.9/1 | 影响 1.1/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 0.9/1.5 ✅ 7.0/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #音乐生成 | #端到端 | #开源工具 #实时处理 | arxiv 👥 作者与机构 第一作者：Francesco Vitucci（Conservatorio di Musica “N. Piccinni” di Bari） 通讯作者：正文未明确标注通讯作者，仅列出 3 位作者邮箱 作者列表：Francesco Vitucci、Michele Lorusso、Francesco Scagliola（机构：正文只明确给出 Conservatorio di Musica “N. Piccinni” di Bari，其余机构栏为空） ...

📄 REDnet: Recursive Encoder and Decoder for Speech Separation under Unknown Number of Speakers and Variable Number of Microphones 标签：#语音分离 #多通道 #端到端 #鲁棒性 8.2/10 | 创新 1.7/2 | 严谨 1.4/1.5 | 实验 1.5/1.5 | 清晰 0.9/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 1/1.5 🔥 8.2/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #语音分离 | #端到端 | #多通道 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Fulin Wu（Department of Computer Science and Engineering, Southern University of Science and Technology, Shenzhen, China） 通讯作者：正文未明确标注通讯作者 作者列表：Fulin Wu、Zhong-Qiu Wang（机构：Department of Computer Science and Engineering, Southern University of Science and Technology, Shenzhen, China） ...

📄 Speech-to-SOAP: End-to-End Summarization of Medical Dialogues: KIT@BeTraC 2026 标签：#音频理解 #语音大模型 #医疗音频 #端到端 #参数高效微调 7.7/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.7/10 | 前25% | 文档类型：系统技术报告 | 评分置信度：高 | #音频理解 | #语音大模型 | #医疗音频 #端到端 | arxiv 👥 作者与机构 第一作者：Enes Yavuz Ugan（ISL, Karlsruhe Institute of Technology） 通讯作者：正文未明确标注；仅列 Enes Yavuz Ugan 的联系邮箱 作者列表：Enes Yavuz Ugan、Fabian Retkowski、Yuka Ko、Thai-Binh Nguyen、Maike Züfle、Jan Niehues、Alexander Waibel（机构：ISL, Karlsruhe Institute of Technology；AI4LT, Karlsruhe Institute of Technology；InterACT, Carnegie Mellon University） ...

📄 Humanoid Musical Robots as Experimental Interfaces for Music-Evoked Emotion 标签：#音视频交互 #端到端 #音乐理解 #可解释性 5.9/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 0.6/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 0.9/1.5 📝 5.9/10 | 前50% | 文档类型：应用研究 | 评分置信度：中 | #音视频交互 | #端到端 | #音乐理解 #可解释性 | arxiv 👥 作者与机构 第一作者：Vincent K.M. Cheung（Sony Computer Science Laboratories，Tokyo，Japan） 通讯作者：正文未明确标注 作者列表：Vincent K.M. Cheung、Jia-Yeu Lin（机构：Sony Computer Science Laboratories，Tokyo，Japan；Waseda University，Faculty of Science and Engineering，Tokyo，Japan） ...

📄 Vibrato Matching for Modulation Control and Blending in Sound Mixtures 标签：#音频生成 #端到端 #音乐源分离 8.5/10 | 创新 1.6/2 | 严谨 1.3/1.5 | 实验 1.1/1.5 | 清晰 0.7/1 | 影响 0.8/1.5 | 开源 1.5/1.5 | 复现 0.4/0.5 | 工程 1.1/1.5 🔥 8.5/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #音频生成 | #端到端 | #音乐源分离 | arxiv 👥 作者与机构 第一作者：Jeremy Hyrkas（正文未明确机构） 通讯作者：正文未明确标注 作者列表：Jeremy Hyrkas（机构：正文未明确机构） 💡 毒舌点评 这是一项小而完整的音乐信号处理工作：从目标颤音抑制，到逐谐波 FM/AM，再到非谐波残差包络，链路清楚且源码、原始音频齐备。创作者可以直接尝试，研究者也能复核。唯一难以越过的界线是感知结论——CFT 分不开有别于听众听不出，真正的融合感仍需受控听觉实验。 📌 核心摘要 自然颤音不是单一的周期性音高摆动。演奏者同时改变各谐波的瞬时频率和幅度，气息、弓压等还会调制非谐波残差的谱包络。若只复制 1 条全局频率曲线，跨乐器迁移往往保留目标原颤音或丢失噪声成分的动态。本文提出的 vibrato matching 先压平目标颤音，再从源声音迁移完整调制模式。 ...