音乐

针对生成器持续演化导致判别边界失效的问题，DASM 只用真实音乐学习记忆库流形再用原始与偏差双分支判别，在 SONICS 上报告 0.13% EER、99.89% 准确率、99.98% AUC，代价是跨域到 FakeMusicCaps 时 EER 仍升至 25.59% 且需两阶段训练与 MERT 提示调优。

论文用只交换两种乐器之间一个属性的最小扰动检验文本嵌入是否保留绑定关系，发现四个对比模型在原句与交换句之间接近随机选择，大模型的较高分数主要来自无音频语言先验，对称音频集上全部回到随机水平。

音乐源修复要同时解混与逆转非线性制作效果，DTT-BSR+ 用生成式 DTT-BSR 做分布拟合再用回归式 Demucs-L 做波形重建，在 MSRBench 上把八个声部的 MMSNR 全部提升并在五个声部超过 X-LANCE，但第二步会推高部分声部的 FAD 均值项。

针对标准残差向量量化各阶段频率纠缠与并行子带解码丢失谐波上下文的问题，HARP 只改训练损失、把 9 个阶段按低到高分成 4 组并做累积解码与软子带监督，在语音音乐通用音频上同时报告了客观与 MUSHRA 增益，代价是训练期约 2-3 倍解码器前向开销。

针对 44.1 kHz 歌声伪造检测，论文用全带专家保全局加子带专家抓局部伪影，对比四种融合后在 WildSVDD 上以蒸馏再聚合达到 Test A 最低 1.58% 与 Test B 8.77%，代价是多专家训练与推理结构更复杂。

针对音频序列冗长稀释双模态融合的问题，论文用码本感知的 PoolingVQ 按局部变化强度做自适应池化，在 EMOPIA 上宏 F1 达到 0.8955、在 VGMIDI 上达到 0.6018，代价是引入码本大小与池化规则等需调参的压缩环节。

针对改歌词必须保留原旋律、节奏与总时长的问题，论文用旋律感知的时长占比预测加音频补全式流匹配解码做歌声编辑，并在六种编辑场景下以可核对的客观与主观评测显示总时长严格保留，但复杂混合编辑的可懂度仍明显下降。

针对音频推理中大模型幻觉与工具误差并存的问题，该工作用双语音大模型独立观察加 25 个分级声学工具交叉验证做音频问答，在 MMAR 上以推理质量 69.8 分居首，代价是单样本 8 到 10 分钟的流水线延迟。

MuseTimbre 冻结 Stable Audio 3 Medium 并用二值琴卷与微调 CLAP 分别控制音高与音色，在 304 对零样本复调迁移中报告音色命中 57.6% 且帧 F1 为 0.316，代价是音高保持仍低于 TokenSynth 类基线。

针对歌剧等长时叙事音乐解说易幻觉、配对数据稀缺的问题，MAC 用免训练的多尺度声学与语义证据加分层上下文约束现成指令大模型，在 MQAD 取得最好成绩并在歌剧与全曲上提升情感与艺术对齐，但语义相似度与人类稀有线索覆盖仍有代价。

针对混合音乐中乐器种类与数量未知的问题，论文用 stem 嵌入生成器逐个发现音频查询再驱动查询分离器，在正确检出的干声上达到人工查询相当的分离质量，主要代价是检出召回不完整与自编码器引入的听感瓶颈。

在只用内容与专家判断、不吃听众行为的音乐发现栈上，论文把 38.17% 否决拆为声音与语境两类并分别送入候选过滤与表征重加权，两轮 1200 次评审把否决率降到 28.83%，但两次机制同批上线因而只能做算术归因。

针对歌声合成检测中伴奏遮蔽与幅度谱丢失相位 discontinuity 的问题，OPERA-Net 以相位一致 CQT 捕捉瞬时频率异常并以 WavLM 语义门控抑制伴奏，在 CtrSVDD 混合 EER 做到 1.54% 而代价是双流结构与预训练依赖。

针对文本生成歌曲评价维度重叠与高分扎堆问题，论文按作曲流程拆出七个原子维度并组织 11717 首专家标注样本，用 MuQ backbone 训练自动打分器，在分布外集上以 utterance 与 system 两级相关和 AB 辨别力验证细粒度区分能力，代价是依赖严格筛选的专家标注与长音频推理成本。

USAD 2.0 针对语音、通用音频与音乐教师失配问题，采用领域感知加权蒸馏先融合三个自监督专家，再用有监督专家做第二阶段对齐并以降帧率加深度扩展到 1036M 参数，在 HEAR、MARBLE 与 XARES-LLM 上取得可比或更优的可复述结果，代价是仍需依赖教师与领域标签且大模型推理成本上升。

针对源乐器表情细节与目标音色冲突导致的音色模糊，AdaTT 在冻结的 Stable Audio Open 加 ControlNet 上用文本引导的帧级缩放调节 f0 与 RMS 控制，并在半自动构造的 1321 对迁移数据上微调，以 F1MIDI 0.302 的轻微代价实现 CLAP 0.490 与主观音色保真度 3.582。

针对音乐源分离缺少细粒度、大规模、高质量训练数据的问题，该工作用七类单源二分类检测器清洗多语言关键词爬取的独奏音频，最强证据是检测器七类平均准确率 97.14% 与清洗后联合训练带来平均 SDR 提升 1.16 dB，代价是阈值提高会大幅削减保留时长且类别时长仍不均衡。

针对人工耳蜗用户节奏感知弱的问题，BeatGain 在保留人声并重混打击成分的基线上加入节拍引导的时变增益，客观复杂度估计下降且节奏清晰度偏好显著提升，代价是偏离原混音略增且目前只验证 4/4 拍。

该文研究 16/24 比特全保真音频能否用自回归语言模型加算术编码做无损压缩，提出把每个样本拆成字节的 Trilobyte 使词表恒为 256，最强证据是 8 比特大幅超过 FLAC 而 16 比特平均只超 18%、24 比特落后 9%，代价是序列变长且推理远慢于 FLAC。

DiffRhythm 2 用块内并行、块间自回归的分块流匹配解决长歌曲词声对齐难题，以 5 Hz 音乐变分自编码器支撑 210 秒建模，并用随机块表示对齐与跨对偏好优化提升结构与综合偏好，最强证据是 Mulan-T 0.40 与 PER 0.13，代价是低帧率压缩限制重建上限与人声精细度仍弱于商业系统。