论文解读
词级定位而非句级知道：WESR 把笑声哭声放回词的位置
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%。
音频事件检测
论文解读
只给视频级标签，如何把可靠时刻的语义铺满整条时间线
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。
论文解读
先发现结构再贴标签：用无监督组织对抗 soundscape 的域偏移与复音
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。
论文解读
在急救现场做第一视角助手：EgoEMS 为何先解决多模态同步与关键步骤标注
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。
论文解读
在帧之间听见时间：TimeAudio 如何把时刻、时长与语义对齐
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。
论文解读
从文本标签到波形边界：NVV-Locator 如何把非言语发声钉在时间轴上
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。
论文解读
先听见，再分清：两级级联如何把稀有虎鲸从海噪里捞出来
音频分类 | 6.7/10
论文解读
别只看频谱长什么样：用 19 维力学视角重写环境声音的描述方式
音频分类 | 5.7/10
论文解读
会听不会定时：当大音频模型在 20 分钟里找不到那 2.7 秒
音频理解 | 6.9/10
论文解读
在只有 204 个婴儿的世界里，为什么 97.9% 的准确率不值得庆祝
音频分类 | 8.1/10
论文解读
给声音装上刻度：TEMPO 如何让大音频语言模型学会报时
音频事件检测 | 7.1/10
论文解读
在茶树里听见白蚁：当 81.5% 的准确率比 98% 更诚实
音频分类 | 5.1/10
论文解读
咳嗽不是噪声：让对话智能体在轮次间听见呼吸
音频事件检测 | 6.4/10
论文解读
不估路径，先认出声音：跨终端啸叫为何要改用对象门控
回声消除 | 4.9/10
论文解读
Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study
音频事件检测 | 8.8/10
论文解读
Simulation-to-Real First-Break Segmentation for Efficient Inversion in Musculoskeletal Ultrasound Tomography
音频事件检测 | 9.8/10
论文解读
Spiking Neural Networks for Energy-Efficient Object Detection in Forward-Looking Sonar Imagery
音频事件检测 | 8.5/10
论文解读
Evidence of Absence: Cross-Modal Abductive Risk Perception to Sustain World Models When Vision Fails
音频事件检测 | 6.6/10
论文解读
Acoustic UAV Detection in Battlefield Scenarios: Handling Noise, Domain Shift, and Weak Labels
音频事件检测 | 6.7/10
论文解读
Robust Multi-Tier Infant-Centered Audio Understanding with Whisper via Structured Speaker Conditioning
音频事件检测 | 6.0/10