会议总览
iwslt-2026 论文深度解读
共收录 38 篇 iwslt-2026 会议论文的 Reader 深度解读
课程学习
论文解读
从跳变的数值解到连续的 learned 逆映射：二次差频谱合成如何变得可演奏
该文把求载波复音以产生目标二次差频谱的问题转成学习失真函数连续近似逆，用齐次结构加课程式训练换来可实时插值的合成器，代价是重建误差略高于随机牛顿迭代。
论文解读
总体学好了不等于每种攻击都学好：高影响攻击的主导与课程缓解
该文在 ASVspoof 2019 上用省略敏感性与熵损失诊断出 A1 与 A4 等高影响攻击，再用先学低影响后适配高影响的重放课程把跨数据集总体 EER 明显压低，代价是两阶段训练与四项正则的额外复杂度。
论文解读
先听片段再分流：用文本可答性把死记训练和听觉强化分开
针对多轮多语言对话选择题中文本先验掩盖听觉依赖的问题，该工作用事件级切分加语义与声学双分支合成 359825 题，再把文本可答的弱题用于监督微调、必须听音频的强题用于 GSPO 强化学习，以 90.92% 的终测准确率为证据，代价是依赖大模型判断与多阶段验证流水线。
论文解读
把结构化语音与非结构化音效装进同一指令接口：UniSonate 的对齐与课程设计
UniSonate 用指令与内容双流加动态音效令牌统一语音音乐音效生成，在语音可懂度和音乐连贯性上报告最优值，而音效保真度仍落后于专用模型并受短时长与推理开销限制。
论文解读
无标签也要会切歌：UniVocal 用语义推断驱动说唱切换
UniVocal 把同一话语内说话与唱歌自动切换定义为 SCS 合成，用 CosyVoice 2 加两阶段课程学习与精细 cent 音高规划实现语义驱动切换，在 SCSBench-Mixed 上报告 0.871 客观与 0.810 主观切换 F1，代价是歌声数据电流音与真实纯隐式场景泛化仍受限。
论文解读
直接学对话会失语：用课程学习与说话轮次嵌入让流匹配学会双人对话
针对双人自发对话需要同时保证可懂度与正确分声道轮转的问题，ZipVoice-Dialog 在单人流匹配基础上引入单人预训练到对话微调的课程与说话轮次嵌入，最强证据是 6.8k 小时 OpenDialog 与对比基线上的可懂度和轮转精度提升，代价是仍集中于双人单声道且表达力受小模型限制。
论文解读
CineDub: Scaling End-to-End Video Dubbing to Multi-Speaker Dialogues with Coherent Sound Effects
音视频语音合成 | 7.3/10
论文解读
AudioMap: Cloze-and-Choice Reinforcement Learning for Time-Aware Dense Audio Captioning
音频字幕生成 | 7.9/10
论文解读
Breaking the Curse of Multilinguality in Many-to-Many Speech-to-Text Translation via a Resource-Aware Mixture of Speech Encoders
语音翻译 | 8.2/10
论文解读
Visual Representation Matters: Exploiting Temporal Differences in Video-to-Audio Generation
音视频生成 | 6.8/10
论文解读
SwanTale: Unified Multi-Speaker Speech and Audio Generation for Instruct and Zero-Shot Tasks
音频生成 | 7.1/10
论文解读
Efficient Chain-of-Modality Reasoning via Progressive Compression for Spoken Language Models
语音交互 | 7.6/10
论文解读
Audio-Visual Flamingo: Open Audio-Visual Intelligence for Long and Complex Videos
音视频理解 | 6.0/10
论文解读
ITGPT: A Transformer Based Architecture for the Generation of Dance Dance Revolution and In the Groove Charts
音乐生成 | 6.5/10
论文解读
Technical Report for MERL's Real-TSE Challenge Submission
语音分离 | 6.6/10
论文解读
QuaSR: Quality-Aware Sample Reweighting for Pacific Indigenous Speech Recognition
语音识别 | 6/10
论文解读
Tone-Conditioned Curriculum Learning for Low-Resource Bantu Speech Recognition
语音识别 | 7.3/10
论文解读
Position-Aware Target Speaker Extraction for Long-Form Multi-Party Conversations: A Diarization-Free Framework for ASR
语音识别 | 8.5/10
论文解读
Learning from Annotation Uncertainty: Entropy-Aware Curriculum for Speech Emotion Recognition
语音情感识别 | 7.4/10