音频事件检测

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

针对片段级描述数据量大但无时间信息与帧级短语标注稀少难同训的问题，FineLAP 用全局与细粒度解耦音频适配器加片段与帧双流 Sigmoid 损失同训，在 AudioCaps 检索 R@1 取得 45.7 与 62.5 并在四组声音事件检测上领先，代价是固定 10 秒输入与合成数据分布偏差仍待验证。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

针对现代语音整体质量高但损伤只出现在局部而难定位难分类的问题，该工作用部分混合生成帧级伪标签并加帧级监督对比损失训练双头帧级模型，在域内与域外混合数据上把嵌入检测做到交集面积 0.91 左右，代价是多重并发损伤下类型纯度下降且干净帧取舍需在检测稳定与聚类纯度间权衡。

针对非言语事件只知有无、不知在词何处的问题，论文以 21 类离散与连续事件的词级转写为目标，用位置感知的评测解耦词错与事件错，并以 1700+ 小时弱标注训练得到强基线，在保持词错误率基本稳定的代价下把宏平均 F1 做到 38.0%。

针对只有视频级标签的稠密音视事件定位，CLASP 用双模态预测一致性找出显著锚点再向全时序传播语义，在 UnAV-100 与 ActivityNet1.3 上取得弱监督最优，但与全监督约 50% 平均精度仍有明显差距且更依赖锚点超参数。

针对被动声学监测中标注稀缺与域偏移问题，论文提出先做无监督结构发现再做定向验证的路线，用 MFCC 加 UMAP-HDBSCAN 组织大规模 soundscape 并以 LEAVES 做簇级标签传播，报告两站点约 98% 的四类区分准确率与最高 7.12 倍的标注加速，但 79-90% 的簇标签一致性与未解决的复音分离仍是主要代价与边界。

EgoEMS 针对院前急救中多成员协同与强流程性难以建模的问题，用 233 次模拟试验同步采集第一视角视频、音频、手表惯性与按压真值并标注 67 类关键步骤，基准显示监督变换器在分类达 62.3% 而零样本大模型仍明显落后，代价是模拟与真实出警之间仍有分布差距。

针对大音频语言模型时间定位不准、长音频难以端到端理解的问题，TimeAudio 用时间标记加绝对时间编码加分段令牌合并，并在 FTAR 时间任务数据上微调，在密集描述、定位与时间线摘要上报告了定位精度的提升，但密集描述的文本多样性仍有代价与边界。

针对转录标签缺少声学起止时间的问题，该研究用统一 26 类分类体系加四阶段自动时间戳管线构造大规模监督，并用非自回归槽填充模型联合预测词边界与事件边界，在 NVV-TimeBench 上报告 Micro F1 71.0% 与 Macro mMAE 59.6 ms，但短促低能量类别仍明显更难。

音频分类 | 6.7/10

音频分类 | 5.7/10

音频理解 | 6.9/10

音频分类 | 8.1/10

音频事件检测 | 7.1/10

音频分类 | 5.1/10

音频事件检测 | 6.4/10

回声消除 | 4.9/10

音频事件检测 | 8.8/10

音频事件检测 | 9.8/10