论文解读

把拉格从玄学拉回有限状态:当重建变成约束 MAP 的精确动态规划

音乐理解 | 6.8/10

 · 更新于 2026-10-15 · 约 21 分钟 · 10255 字 阅读 →
论文解读

从一次性生成到先诊断再重做:LoopTTS 如何让语音大模型当韵律医生

语音合成 | 7.0/10

 · 更新于 2026-10-15 · 约 26 分钟 · 12606 字 阅读 →
论文解读

别等整句说完:把数字人的手势变成一条受因果约束的数据流

音视频交互 | 6.9/10

 · 更新于 2026-10-15 · 约 9 分钟 · 4260 字 阅读 →
论文解读

X2Streaming-TTS: Causal Token-Level Text-to-Speech from Streaming Text with Speech-State Inheritance

语音合成 | 7.9/10

 · 更新于 2026-10-15 · 约 9 分钟 · 4444 字 阅读 →
论文解读

Architecture and Affordances of PLAUD: Performative Latents and Unsupervised DDSP

音乐生成 | 5.0/10

 · 更新于 2026-10-15 · 约 14 分钟 · 6931 字 阅读 →
论文解读

Omni-LiveAvatar: Minute-Level Real-Time Streaming Joint Audio-Visual Avatar Generation

音视频生成 | 7.7/10

 · 更新于 2026-10-15 · 约 14 分钟 · 6701 字 阅读 →
论文解读

Alignment Drift in Single-Model Speculative Decoding for ASR: Mechanism, Correction, and Cost

语音识别 | 7.3/10

 · 更新于 2026-10-15 · 约 14 分钟 · 6965 字 阅读 →
论文解读

VoxAudio: Vocalized Audio Synthesis via Multi-Reward Autoregressive Flow Matching

音频生成 | 8.2/10

 · 更新于 2026-10-15 · 约 14 分钟 · 6649 字 阅读 →
论文解读

Confucius4-TTS: Transcript-Free Cross-Lingual Zero-Shot TTS with a Learnable Speaker Encoder

语音合成 | 7.7/10

 · 更新于 2026-10-15 · 约 12 分钟 · 5681 字 阅读 →
论文解读

Phoenix TTS: High-Fidelity Synthesis and Voice Conversion via Flow-Matching-Driven Speech Tokenization

语音合成 | 6.5/10

 · 更新于 2026-10-15 · 约 14 分钟 · 6892 字 阅读 →
论文解读

A Unifying Perspective on Audio Generative Modeling: Latent Representations and Modeling Strategies

音频生成 | 6.5/10

 · 更新于 2026-10-15 · 约 18 分钟 · 8964 字 阅读 →
论文解读

CtrlSpeech: Coarse-to-Fine Control for Expressive Speech Synthesis

语音合成 | 6.4/10

 · 更新于 2026-10-15 · 约 15 分钟 · 7332 字 阅读 →
论文解读

CuteTTS: Efficient and High-Quality Speech Synthesis via Autoregressive Modeling of Continuous Latents

语音合成 | 7.0/10

 · 更新于 2026-10-15 · 约 21 分钟 · 10289 字 阅读 →
论文解读

MusicLayout: Explicit Structural Planning for Controllable Text-to-Music Generation

音乐生成 | 6.3/10

 · 更新于 2026-10-15 · 约 24 分钟 · 11885 字 阅读 →
论文解读

MI-MIDI: Mechanistic Interpretability of Text-to-MIDI Generation Models via Probing, Lenses and Steering

音乐生成 | 7.1/10

 · 更新于 2026-10-15 · 约 13 分钟 · 6408 字 阅读 →
论文解读

SemBridge: Semantic Token Anchoring for Continuous-Latent Autoregressive Speech Generation

语音合成 | 7.0/10

 · 更新于 2026-10-15 · 约 16 分钟 · 7896 字 阅读 →
论文解读

Diff-Symbo: Text-Controlled Long-Duration Symbolic Music Generation Using Autoregressive Latent Diffusion Model

音乐生成 | 6.5/10

 · 更新于 2026-10-15 · 约 13 分钟 · 6469 字 阅读 →
论文解读

Calliphony: A Calligraphy-Driven Interface for Real-Time Generative Music Performance

音乐生成 | 5.0/10

 · 更新于 2026-10-15 · 约 13 分钟 · 6487 字 阅读 →
论文解读

CLASVS: Continuous-Latent Autoregression for Melody-Preserving Lyric Editing in Singing Voice Synthesis

自回归模型 | 7.1/10

 · 更新于 2026-10-15 · 约 14 分钟 · 6968 字 阅读 →
论文解读

dots.tts.edit: Precisely Controlled Speech Editing with a Continuous Autoregressive Model

语音编辑 | 7.4/10

 · 更新于 2026-10-15 · 约 16 分钟 · 7954 字 阅读 →