论文解读
合成错一个词就够了：用 ASR 交叉注意力的清晰度与单调性做词级奖励
针对自回归 TTS 整句打分太粗、难以定位个别错词的问题，论文用冻结 Whisper 交叉注意力算出注意力纯度与对齐单调性两个词级奖励，再做组内相对策略优化，在 CoSyVoice 上把域内 WER 从 5.25 降到 3.21、域外从 8.92 降到 4.54，代价是需要额外采样与 ASR 打分开销且未报告延迟。
零样本
论文解读
整段对话只换一句话：冻结检测器如何给出伪造时间戳
论文把多说话人对话中的手术式伪造注入形式化为时序定位问题，用冻结二分类器加滑窗与迟滞解码器实现零样本定位，在 180 段构造对话上以强骨干达到时序交并比 0.90 左右，但边界位移约 3.5 秒且短时域外生成器注入仍接近全漏检。
论文解读
冷启动可用与少样本高精度的分野：域不变韵律与自监督表示的跨域语音钓鱼检测对比
在从场景化演员录音训练、真实诈骗电话测试的跨域条件下，论文对比域不变的 4 维韵律特征与冻结的 HuBERT/wav2vec2.0 表示，显示 4 维韵律在零样本达 69.5% F1 可直接部署，而 HuBERT 在 5 样本时达 94.2% F1 但需真实样本与 GPU。
论文解读
一句里换一种口音：用帧级掩码把全局引导切开
语音合成 | 8.2/10
论文解读
主观分数能当奖励吗？当感知预测器遇上可懂度硬约束
语音合成 | 7.6/10
论文解读
克隆与匿名本是一体两面：把 27k 小时的 TTS 直接当成隐私滤镜
语音转换 | 8.0/10
论文解读
Array-Agnostic Ambisonics Encoding via Diffusion Posterior Sampling
空间音频 | 7.5/10
论文解读
AnyTalk: Speech Animation for Arbitrary Characters Leveraging a Video Generation Model
音视频语音合成 | 6.7/10
论文解读
Prototype-Rectified Iterative Self-supervised Manifold Denoising under Severe Acoustic Shift
音频分类 | 7.2/10
论文解读
SingDance: Compositional Zero-Shot Singing-and-Dancing Video Generation with Role-Aware Audio Conditioning
音视频生成 | 6.8/10
论文解读
Unadapted Multilingual ASR on a Garrusi Kurdish Evaluation Set: A Common-Reference Staged Normalization Analysis
语音识别 | 5.6/10
论文解读
Ambisonics Encoding of Room Impulse Responses using a Device-Agnostic Diffusion Mode
音频生成 | 6.3/10
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
论文解读
DonorRank: Donor Language Selection for Low-Resource Cross-Lingual Speech Recognition
语音识别 | 6.6/10
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
论文解读
CtrlSpeech: Coarse-to-Fine Control for Expressive Speech Synthesis
语音合成 | 6.4/10
论文解读
CuteTTS: Efficient and High-Quality Speech Synthesis via Autoregressive Modeling of Continuous Latents
语音合成 | 7.0/10
论文解读
Dramarrator: Object-Based Audio Editing for Audio Drama Production from Books
音频生成 | 7.0/10
论文解读
SCoPE: Training-Free Audio-Visual Event Perception via Sparse Cross-Modal Prior Exchange
音视频理解 | 7.1/10
论文解读
Steering dense music retrieval with open-vocabulary concept discovery
音乐检索 | 7.7/10