端到端

📄 Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings 标签：#语音识别 #大语言模型 #端到端 #医疗音频 7.5/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.5/10 | 前25% | 文档类型：应用研究 | 评分置信度：中 | #语音识别 | #大语言模型 | #端到端 #医疗音频 | arxiv 👥 作者与机构 第一作者：Mingfang Zhang（机构未说明） 通讯作者：未说明 作者列表：Mingfang Zhang、Jarod Lévy、Cedric Rommel、Jérémy Rapin、Corentin Bel、Julie Bonnaire、Daniel Nieto、Pierre Bourdillon、Svetlana Pinet、Stéphane d’Ascoli、Thomas Moreau、Jean-Rémi King（机构信息未在当前正文中完整说明） ...

📄 FM Synthesizer Audio-Parameter Shared Embeddings 标签：#音频生成 #多模态模型 #端到端 #游戏音频 7.3/10 | 创新 1.5/2 | 严谨 1.1/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.9/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ✅ 7.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频生成 | #多模态模型 | #端到端 #游戏音频 | arxiv 👥 作者与机构 第一作者：David Braun（机构未说明） 通讯作者：未说明 作者列表：David Braun、Adam Finkelstein（机构信息未在当前正文中完整说明） 💡 毒舌点评 把 FM 合成器的音频与参数嵌入对齐是个聪明的任务设计，但 DX7 恰恰是最「友好」的验证对象：六个算子同构，天然适合共享权重，结论难以外推到含滤波器、包络等异构模块的真实合成器。每个预设只在 C4、力度 85 单点渲染，键盘跟踪与速度响应完全未观察。更麻烦的是 DX7 存在算子置换对称性——参数不同但声音相同——而检索评测为每条查询指定唯一正确预设，这类歧义如何处理论文语焉不详。 ...

📄 Low-Power, Neuromorphic, Acoustic Anomaly Detection for Persistent Machine Monitoring 标签：#音频分类 #端到端 #工业应用 #高效推理 7.3/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.3/10 | 前50% | 文档类型：应用研究 | 评分置信度：中 | #音频分类 | #端到端 | #工业应用 #高效推理 | arxiv 👥 作者与机构 第一作者：Steven C. Nesbit（机构未说明） 通讯作者：未说明 作者列表：Steven C. Nesbit、Victor M. Vergara、Michael A. Felix、Evan T. Kain、Luis R. García Carrillo、Gerd J. Kunde、Andrew T. Sornborger（机构信息未在当前正文中完整说明） ...

📄 Mitigating Spectral Bias in Neural Operators for Underwater Transmission Loss Prediction 标签：#音频理解 #端到端 #高效推理 #工业应用 7.3/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频理解 | #端到端 | #高效推理 #工业应用 | arxiv 👥 作者与机构 第一作者：Yifan Sun（机构未说明） 通讯作者：未说明 作者列表：Yifan Sun、Shikai Fang、Chao Zhang、Lei Cheng、Jianlong Li、Peter Gerstoft（机构信息未在当前正文中完整说明） 💡 毒舌点评 两阶段神经运营商的水声传输损失恢复在固定设定内做得干净，但泛化声明需要打折：真值全部来自同一南海数据集、固定 200Hz 频率与固定网格区域，跨频率、跨季节、跨海底参数的表现一概未知。对照实验也只有 FNO 与 Hankel-FNO 加不加精修两种组合，缺少 U-Net 等直接竞争者和端到端联合训练的参照，两阶段设计的各部分贡献因此难以量化。第二阶段精修器不再接收原始声速与地形输入的设计选择也未做消融。 ...

📄 StocksTalk: A Voice-Enabled Conversational Agent for Structured Query Generation over Web Data 标签：#语音交互 #大语言模型 #端到端 #模型评估 6.7/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.7/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #语音交互 | #大语言模型 | #端到端 #模型评估 | arxiv 👥 作者与机构 第一作者：Akshat Parmar（机构未说明） 通讯作者：未说明 作者列表：Akshat Parmar、Vikranth Udandarao、Abhay Shakya、Tanmay Hire、Avinash Anand、Rajiv Ratn Shah、Daniel Wang Zhengkui（机构信息未在当前正文中完整说明） ...

📄 Impulse Response Estimation via Laguerre-Fourier Expansion 标签：#音频理解 #端到端 #理论分析 #鲁棒性 6.8/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 0.9/1.5 ✅ 6.8/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音频理解 | #端到端 | #理论分析 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Tamás Dózsa（总署名机构为 UniDistance Suisse / TU Berlin，个人具体所属机构未明确标注；CRediT 贡献包括概念化、方法论、软件、形式化分析、调查、初稿撰写与可视化） 通讯作者：未说明 作者列表：Tamás Dózsa、Art J. R. Pelling、Matthias Voigt（均未单独标注个人机构，总署名机构为 UniDistance Suisse / TU Berlin） 贡献分工：Art J. R. Pelling 参与概念化、方法论、软件、验证、调查、数据管理、初稿撰写与可视化；Matthias Voigt 负责审校、监督与经费获取 💡 毒舌点评 本文把 Laguerre-Fourier 基嵌入 ETFE 的循环卷积框架，给出了在谱零点/带限激励下仍可辨识 IR 的优雅方案，定理推导与单 FFT 快速算法有一定理论价值。但实验仅覆盖两个仿真离散 LTI 系统，既没有噪声鲁棒性、正则化/子空间/向量拟合等基线或真实声学测量，也避开了高效变体在采样点仍接近零点时的病态问题。更值得注意的是，实验 2 中 \(\Gamma\) 的条件数仍高达 \(4.5\times10^3\) 以上，这与论文宣称的 “well-conditioned” 存在明显张力。全文缺乏对 Laguerre 参数 \(a\) 的系统选择机制，手动调参痕迹明显，离实际声学系统辨识还有显著距离。 ...

📄 A Dataset and Benchmark for Optical Music Recognition of String Quartet Scores 标签：#端到端 #Transformer #基准测试 8.5/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 🔥 8.5/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #端到端 | #Transformer | #基准测试 | arxiv 👥 作者与机构 Dongmin Kim（韩国西江大学 Music & Arts Learning (MALer) Lab） Brian Liu（独立研究者） Jose J. Valero-Mas（西班牙阿利坎特大学模式识别与人工智能小组） Dasaem Jeong（韩国西江大学 MALer Lab；联系邮箱 dasaemj@sogang.ac.kr；论文未明确标注“通讯作者”，按署名与联系邮箱推断） 💡 毒舌点评 首个多声部 OMR 基准的开创性毋庸置疑，视觉对齐 + 三编码转换 + 测试集互斥四折协议的工程链条相当完整，3.6%/5.9% 的基线让这个任务从“不可能”变成了“可挑战”。但人工校对没有第二人校验、四折标准差偏大、LMXE 由作者自己的转换管线生成并取得全面优势，使得“编码选择 > 架构选择”这个 headline 结论的公信力打了折扣。 ...

📄 DIY e-HandPan: A new DIY Low-Cost Handpan Interface based on Arduino and ESP32 Microcontrollers 标签：#音频交互 #端到端 #实时处理 #开源工具 #教育 7.2/10 | 创新 1/2 | 严谨 1.1/1.5 | 实验 0.7/1.5 | 清晰 0.6/1 | 影响 0.7/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ✅ 7.2/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：中 | #音频交互 | #端到端 | #实时处理 #开源工具 | arxiv 👥 作者与机构 第一作者：Benoît Collin（IBISC, University of Évry Paris-Saclay） 通讯作者：论文未明确标注通讯作者，仅提供联系邮箱 dominique.fourer@univ-evry.fr 作者列表： Benoît Collin（IBISC, University of Évry Paris-Saclay） Dominique Fourer（IBISC, University of Évry Paris-Saclay） Eric Genotelle（IBISC, University of Évry Paris-Saclay） 💡 毒舌点评 作为开源硬件系统报告，工程文档完整度相当扎实：用约 80 美元做出了带力度感知、双色 LED 教学引导和双 MCU 版本的电子手碟，对音乐教育与 Maker 社区有实际价值。但论文几乎没有对端到端演奏延迟、误触发率、长期可靠性和学习效果做量化评估，与 Panduino、Lumen、Neotone 等已有系统只停留在属性表对比，摘要中“表现力可比原声手碟”的说法没有任何对比数据支撑，离顶会“证据支撑结论”的标准还差得远。此外，Arduino 版本是否支持 LED 教学在正文中自相矛盾（2.3/4.2/5.1 描述与 3.1 矛盾），需要认真修正。 ...

📄 DuplexWorld: Can voice agents help you get through the day? 标签：#语音交互 #端到端 #基准测试 #模型评估 #大语言模型 8.5/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 🔥 8.5/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #语音交互 | #端到端 | #基准测试 #模型评估 | arxiv 👥 作者与机构 第一作者：Aryan Vijay Bhosale（Centific Global Solutions Inc.；University of Maryland，标注为在 Centific 实习期间完成工作） 通讯作者：未说明（论文未明确标注通讯作者；Abhishek Mukherji 与 Dinesh Manocha 被标注为 † 共同指导） 合作者标注：Aryan Vijay Bhosale、Harshit Rajgarhia、Akhil Pothanapalli 为 ∗ 平等贡献 作者列表： Aryan Vijay Bhosale（Centific Global Solutions Inc.；University of Maryland） Harshit Rajgarhia（Centific Global Solutions Inc.） Akhil Pothanapalli（Centific Global Solutions Inc.） Asif Shaik（Centific Global Solutions Inc.） Abhishek Mukherji（Centific Global Solutions Inc.） Dinesh Manocha（University of Maryland） 💡 毒舌点评 把导航世界装进语音智能体评测、并在同一 harness 下用 12 个指标横扫六个世界，这套基准的设计纪律和工程完成度在同类工作中罕见地高，“探索越多到达越少"的反转结论尤其有洞察力。但全部被测系统都是闭源商业 API、judge 指标未经本语料上的人类评分校验、模拟用户比真人耐心得多，三者叠加让任何"真实部署能力"的外推都底气不足；更讽刺的是，作者自己承认 GS 可以被"不作为"通过，且 Pathfinding 中从不行动的 Nova 2 Sonic 在选择性上几乎满分，说明指标体系的对抗性设计还差最后一公里。 ...

📄 Monophonic Audio Synthesizer Using FPGAs 标签：#音频生成 #端到端 #实时处理 4.2/10 | 创新 0.8/2 | 严谨 0.5/1.5 | 实验 0.4/1.5 | 清晰 0.7/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 📝 4.2/10 | 后50% | 文档类型：系统技术报告 | 评分置信度：高 | #音频生成 | #端到端 | #实时处理 | arxiv 👥 作者与机构 第一作者：Michael Smith（Department of Electrical and Computer Engineering, University of Colorado Colorado Springs） 作者列表：Michael Smith、D.G. Perera，均署名 University of Colorado Colorado Springs 通讯作者：未说明 💡 毒舌点评 这篇报告最值得肯定的是它把失败的细节交代得比较清楚：UART 通信为何没调通、ADSR 和两个低通滤波器为何被移除、SMA 电压域问题如何影响输出，都有具体排查过程。但作为一篇 16 页的论文，最终真正能跑通的系统只是一个按键触发、音高固定为 A440、无包络、无滤波的方波输出；MIDI 控制链路从未工作，也没有任何量化指标支撑“合成器”这一核心声明。更糟的是，参考文献中混入大量与本文无直接关系的课题组自引，进一步削弱了报告的可信度。整体更像一份高年级 FPGA 课程项目报告，而不是 NeurIPS/ICML/ICLR 级别的可验证研究贡献。 ...

📄 TimeRoute: Time-Aware Modality Routing and Diffusion for Multi-Modal Recommendation 标签：#扩散模型 #端到端 #模型评估 6.5/10 | 创新 1.4/2 | 严谨 1.1/1.5 | 实验 1.1/1.5 | 清晰 0.6/1 | 影响 0.4/1.5 | 开源 1/1.5 | 复现 0.1/0.5 | 工程 0.8/1.5 ✅ 6.5/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #扩散模型 | #端到端 | #模型评估 | arxiv 👥 作者与机构 第一作者：Pengyu Zhang（University of Amsterdam, Amsterdam, The Netherlands） 通讯作者：未说明 作者列表：Pengyu Zhang（University of Amsterdam）、Yangqin Jiang（University of Hong Kong）、Klim Zaporojets（Aarhus University）、Congfeng Cao（University of Amsterdam）、Paul Groth（University of Amsterdam） 💡 毒舌点评 这篇工作的核心卖点是“模态时间尺度不匹配”——不同模态的相关性随时间以不同速率漂移，同一用户在不同时间上下文需要不同的模态融合比例。这个观察有真实场景支撑，且把时间信号同时注入模态级路由和扩散图重构，形成双层互补机制，比简单给DiffMM加时间特征更有想法。实验证据链在推荐论文中算比较完整：10种子配对t检验、时间输入vs噪声输入对照、用户分层路由分析、组件消融和噪声鲁棒性都做了。但短板也明显：时间切分实验只对比DiffMM一个基线，无法支撑“对时间分布漂移特别稳健”的强结论；关键超参数、权重取值和更多配置被放到匿名仓库和附录，正文复现信息不独立；此外本文核心是电商/短视频多模态推荐，与语音、音乐、音频方向读者的直接相关性有限。 ...

📄 Training Set Synthesis for Bioacoustic Denoising: A Case Study With Mice 标签：#语音增强 #端到端 #模型评估 8.0/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8.0/10 | 前25% | 文档类型：应用研究 | 评分置信度：中 | #语音增强 | #端到端 | #模型评估 | arxiv 👥 作者与机构 作者列表（按论文原文顺序）：Reyhaneh Abbasi、Peter Balazs、Vincent Lostanlen、Clara Hollomey、Dustin J. Penn、Sarah M. Zala、Nicki Holighaus。 机构信息： Reyhaneh Abbasi：奥地利科学院（ÖAW）声学研究所（Acoustics Research Institute）；维也纳大学维也纳认知、行为与神经科学博士学院（Vienna Doctoral School of Cognition, Behavior, and Neuroscience）。 Peter Balazs：奥地利科学院声学研究所；奥地利林茨跨学科转型大学（IT:U）。 Vincent Lostanlen：法国南特大学/南特中央理工/CNRS/LS2N UMR 6004。 Clara Hollomey：奥地利圣珀尔滕应用科学大学创意媒体技术研究所（Institute for Creative Media Technologies）。 Dustin J. Penn、Sarah M. Zala：维也纳兽医大学康拉德·洛伦兹动物行为学研究所（Konrad Lorenz Institute of Ethology）。 Nicki Holighaus：奥地利科学院声学研究所。 通讯作者：Reyhaneh Abbasi（reyhaneh.abbasi@oeaw.ac.at）。 💡 毒舌点评 用脊线自己合成干净目标，再让同一个脊线跟踪器来打分，这套“自产自销”的闭环在工程上确实漂亮——绕开了生物声学最缺的干净标注，还把脊线位置塞进 loss 里一鱼两吃。但 SI-SDR 的漂亮数字更像是系统内部的自洽证明：训练目标、测试参考和评价指标全部来源于同一套合成管线，离真实野外噪声到底有多远没有说清。再加上分类实验里 BootSnap 自带降噪没被拆除，增益归因也留了一笔糊涂账。方法对调性发声有效，但离“通用生物声学降噪”还有一层窗户纸。 ...

📄 BAMU: Bitstream-Aware Marginal-Utility Allocation for Frozen Pretrained Neural Speech Codecs 标签：#语音编码 #CNN #端到端 #高效推理 7.1/10 | 创新 1.3/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音编码 | #CNN | #端到端 #高效推理 | arxiv 👥 作者与机构 第一作者：Mingyu Zhao（未说明） 通讯作者：未说明 作者列表：Mingyu Zhao（未说明）、Zijian Lin（未说明）、Yutang Feng（未说明）、Jiatao Chen（未说明）、Fan Wang（未说明）、Jiehui Luo（未说明）、Yuhao Ding（未说明）、Jinchao Zhang（未说明）、Zhiyong Wu（未说明） 说明：论文文本未提供作者所属机构信息。 💡 毒舌点评 BAMU 最值得肯定的是把“真实序列化容器字节数”而非名义平均码率作为分配约束，并给出了可解码位流的完整闭环；这在神经语音编码的工程落地中是有价值的问题意识。但它本质上仍是“帧级 marginal-utility 预测 + 预算分配”的组合，且没有与 VRVQ 或其他自适应分配方法直接对比，导致“优于固定深度”这一结论的说服力打了折扣。DAC 最低码率退化被如实报告，但作者没能提出有效补救，只归因于 latent-MSE 效用目标的局限。 ...

📄 Investigating Multimodal Informativity under Different Partner Visibility Conditions in Video-Mediated Dialogue 标签：#多模态模型 #端到端 #模型评估 5.9/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 📝 5.9/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #多模态模型 | #端到端 | #模型评估 | arxiv 👥 作者与机构 共同第一作者：Esam Ghaleb（Max Planck Institute for Psycholinguistics）、Hugh Mee Wong（Utrecht University）。论文脚注标注"Equal contribution"，因此按共同第一作者处理。 通讯作者：Esam Ghaleb（Max Planck Institute for Psycholinguistics，邮箱 esam.ghaleb@mpi.nl）。 作者列表：Esam Ghaleb（Max Planck Institute for Psycholinguistics）、Hugh Mee Wong（Utrecht University）、Kristina Kobrock（Osnabrück University）。 💡 毒舌点评 “这篇工作把’手势是否真的在对话中指称信息’从口号变成可计算的模型问题，并且用’语音不确定时手势增益最大’这一发现给出了有洞察的答案。但整个结论被封闭的Fribble指称游戏、标注的手势区间以及完全缺失的代码/模型发布所限制，开放性和可复现性明显拖了后腿。” ...

📄 ReLMCodec: Designing Predictable Speech Tokens from Pre-Quantization Phoneme Structure 标签：#语音编码 #端到端 #自监督学习 #知识蒸馏 7.7/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ✅ 7.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #语音编码 | #端到端 | #自监督学习 #知识蒸馏 | arxiv 👥 作者与机构 Zixiang Wan：北京大学深圳研究生院（北大-腾讯合作研究，第一作者，完成腾讯实习期间工作） Xusheng Yang：北京大学深圳研究生院 Zheng Wang：腾讯 Peiji Yang：腾讯（通讯作者） 机构：北京大学深圳研究生院、腾讯 通讯作者：Peiji Yang（peijiyang@tencent.com） 论文脚注说明“本工作完成于腾讯实习期间”，对应作者标注 *。 💡 毒舌点评 这篇论文最聪明的地方是先把“音素结构清晰度”与“token 可预测性”之间的正相关做成一个受控诊断，再顺势把结论变成方法：既然音素结构有利于预测、但不利于重建，那就用冻结 SSL 特征当锚点、用浅层残差补声学、再用训练-only 教师损失精炼量化表示。整个“preserve–control–refine”链条在逻辑上是自洽的，消融也做得相当完整，650/800 bps 下的重建与下游 TTS 提升也确实可见。但论文的软肋同样明显：核心论点是“相关性”而非因果；基线对比使用 released checkpoint 对自训练 checkpoint，公平性存疑；音素分析只覆盖 50 Hz 英文 LibriSpeech，无噪声、无多说话人、无多语言验证；教师选择只比较了 W2v-BERT 2.0 和 WavLM-Large 两个 SSL 模型；代码和权重还只是“录用后发布”的承诺。更微妙的是，标题和摘要强调的 P-ACC 提升（5.12→9.65）来自 P-VQ 代理量化器，而原生 N-ACC 只有 8.72%，且基线原生 N-ACC 未报告，因此“frontier improvement”在严格意义上有一部分是代理指标上的提升。这仍然是一篇方法动机清晰、实验扎实的强工作，但离“可复现、可部署、可外推”还有距离。 ...

📄 How to Recognize New Words: A Comparison Between Context Biasing Methods and Speech LLMs 标签：#语音识别 #语音大模型 #端到端 #鲁棒性 #模型比较 6.4/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 6.4/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #语音大模型 | #端到端 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Christian Huber（原文未标注所属机构） 第二作者：Alexander Waibel（原文未标注所属机构） 通讯作者：未标注 机构信息：原文正文未给出作者机构；致谢提到 KIT Campus Transfer GmbH 与 Carnegie – AI 合作项目，但这一信息不足以确认为作者所属机构，因此按“未说明”处理。 💡 毒舌点评 论文把“专用上下文偏置 vs 语音大模型”的适用边界画得比较清楚，尤其是指出语音大模型对干扰词数量和 prompt 词序都很敏感，这对选型有直接参考价值。但它始终把词序敏感性当成一种“需要规避的问题”而不是“需要量化的对象”，没有给出任何排序扰动实验；同时不释放代码、模型、评测脚本或过滤流程，核心结论几乎无法被第三方复现。更关键的是，论文对三个语音大模型的描述部分直接引用官方宣传语，却未给出实际 prompt 模板、解码参数和过滤指令，读者很难判断结果究竟来自模型能力还是评测设置。 ...

📄 PD-GS: Phoneme-Driven 3DGS for Audio-Driven Talking Heads 标签：#音视频生成 #多模态模型 #端到端 #高效推理 #可解释性 5.6/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1/1.5 📝 5.6/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音视频生成 | #多模态模型 | #端到端 #高效推理 | arxiv 👥 作者与机构 Ao Fu（ORCID: 0009-0006-9933-9240，邮箱：220232248@seu.edu.cn）：东南大学计算机科学与工程学院；新一代人工智能技术及其跨学科应用教育部重点实验室，南京，中国。 Yi Zhou（ORCID: 0000-0003-3021-3229，邮箱：yizhou.szcn@gmail.com）：东南大学计算机科学与工程学院；新一代人工智能技术及其跨学科应用教育部重点实验室，南京，中国。 论文发表于 Proceedings of the 34th ACM International Conference on Multimedia（MM ‘26），2026年11月10–14日，巴西里约热内卢。DOI: 10.1145/3767308.3835096。 💡 毒舌点评 把音素级离散语言信息和连续音频特征用门控融合注入 3DGS 说话头，确实打中了“漏嘴”（leaky mouth）和嘴部过平滑这一真实痛点；LFM 的可视化也让融合过程有了初步可解释性。但整体仍是对 per-person 说话头框架的组件级改进，而非范式级突破：所谓音素来自离线 ASR+强制对齐，且仅 2 个受试者的消融与跨数据集实验支撑一个高达 40 音素的词汇表，证据链偏单薄；代码权重一概未公开，可复现性近于零。把“phoneme-driven”的普适性说到太满之前，至少应给出多身份、多语言、对 ASR 噪音的鲁棒性分析。 ...

📄 Breaking the Curse of Multilinguality in Many-to-Many Speech-to-Text Translation via a Resource-Aware Mixture of Speech Encoders 标签：#语音翻译 #语音大模型 #端到端 #课程学习 #多语言 8.2/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 🔥 8.2/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #语音翻译 | #语音大模型 | #端到端 #课程学习 | arxiv 👥 作者与机构 第一作者：Yexing Du（机构未说明；论文标注为 1,2） 通讯作者：论文未注明通讯作者 作者列表： Yexing Du（机构未说明；标注 1,2） Kaiyuan Liu（机构未说明；标注 1,2） Youcheng Pan（机构未说明；标注 2） Bo Yang（机构未说明；标注 2） Chengpeng Fu（机构未说明；标注 1,2） Yu Wang（机构未说明；标注 2） Ming Liu（机构未说明；标注 1,2） 说明：论文只给出作者单位编号 1 和 2，没有提供单位名称，因此无法确认具体机构。 💡 毒舌点评 用“冻结高资源专家 + 可训练中低资源专家”的方式把资源分层直接做进语音编码器，思路不算复杂，但确实直击共享编码器的容量竞争问题，45 语言全方向评测的工程量也值得肯定。不过“打破多语言诅咒”这个结论仍偏强：MoSE 本质上只是按人工资源等级把模型容量切成两半，缺少参数匹配对照、显著性检验和更精细的资源分组依据，效果有多少来自路由、多少来自直接翻倍编码器参数，论文并没有彻底说清。全方向 1,980 个翻译方向的主结果表也只给出聚合分布与代表方向，逐方向失败模式仍未充分暴露。 ...

📄 Crowdsourced Multilingual Speech Intelligibility Testing 标签：#语音质量评估 #端到端 #多语言 #基准测试 #数据集 7.5/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.5/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：中 | #语音质量评估 | #端到端 | #多语言 #基准测试 | arxiv 👥 作者与机构 第一作者：Laura Lechler（所属机构未说明） 通讯作者：未说明 作者列表：Laura Lechler（未说明）、Kamil Wojcicki（未说明） 💡 毒舌点评 这篇工作把经典的 DRT 诊断押韵测试搬上众包平台，并实打实公开了五种语言的有声测试材料，弥补了多语言可懂度评测资源长期缺失的空白，工程执行力值得肯定。但实验设计整体偏“验证流程可用性”而非“建立高灵敏度评测方法”，缺少噪声条件下的系统对比和更强基线，结论的说服力仍显单薄。 📌 核心摘要 该论文提出了一种基于 DRT（诊断押韵测试）的多语言众包语音可懂度评估方法，核心贡献是公开英语、德语、西班牙语、法语和普通话五种语言的词表与 16 kHz 录音语料。方法上，作者将众包质量控制流程（预筛、听力筛查、练习轮、验证题、事后过滤）适配到可懂度测试场景，并采用文件级而非听众级计分来支持按音素/特征细粒度分析。较之以往以转写任务为主的众包可懂度测试，该方法采用封闭二选一判别任务，规避了拼写错误和记忆效应，测试时间更短、更适合大规模部署。实验一显示，西班牙语众包组在 NB PCMU 条件下比 WB 参考低 4.3 分，而内部专家组差异不显著；实验二重复测试相关系数为 0.87 与 0.86，跨人群复测无显著差异。实验三在 AMR 码本对比中复现了 ITU 实验室的下降趋势，按区别特征的相关性达到 0.86/0.94。实验四显示 PCMU 在五种语言的辅音 DRT 中普遍造成约 4-5 分的显著下降，中文声调 DRT 则无显著变化。该测试方案对语音编解码和语音增强算法的快速迭代评估具有明确实用价值，但目前仍缺少噪声提升灵敏度的系统性验证，且测试软件尚未完全开源。 ...

📄 Leveraging Beam Search Information for Confidence Estimation in E2E ASR 标签：#语音识别 #端到端 #模型评估 #鲁棒性 #音频理解 6.3/10 | 创新 1/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音识别 | #端到端 | #模型评估 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Yichen Jia（KU Leuven, Department Electrical Engineering ESAT-PSI） 通讯作者：Yichen Jia（KU Leuven, Department Electrical Engineering ESAT-PSI） 作者列表：Yichen Jia（KU Leuven, Department Electrical Engineering ESAT-PSI）、Hugo Van hamme（KU Leuven, Department Electrical Engineering ESAT-PSI, Senior Member, IEEE） 💡 毒舌点评 这篇文章用一个几百参数的浅层MLP把beam search里现有的分数和排名重新“炒”了一遍，竟然在MCE上爆杀一众复杂基线。轻量、架构无关的卖点确实讨巧，但创新深度有限，更像是一种精巧的工程特征设计，且开了一个空仓库，审稿人的好感度被打了不少折扣。 ...