音频交互

针对多步多模态手机操作中相关信息随步骤漂移且错误会累积的问题，FocusGUI 用冻结主干加轻量残差适配器做每步证据重排，在四个主干上把平均动作类型准确率从 31.0% 提升到 64.2%，代价是增加约 1.15M-1.45M 可训练参数且只在 OmniGUI 手机数据上验证。

共分析 34 篇语音/AI 论文

论文把多路 UWB 音频的按时完整交付建模为有限交换机会上的预约与在线调度问题，给出区间需求的可行性判定和乐观剪枝规则，并在突发丢失下八流时把准时完整率从 45.441% 提升到 59.399%，代价是最差流几乎被饿死。

共分析 57 篇语音/AI 论文

Sonic-AMG 针对双耳音频流加世界系声源位置输入，用 what 与 where 分离表征加因果 Transformer 与流头逐段生成动作，并以排练训练和空间反馈缓解历史与空间条件失配，在 SAM 上取得最优 FID 与 R-precision 且保持实时流式生成，但结论限于 SAM 划分与已知声源位置条件。

共分析 146 篇语音/AI 论文

Smorph 用共享的结构信号锚定时间组织、再用插值权重混合音色端点，在三类渐变任务上以更保守的目标偏移为代价换来更稳的节奏与音高保持，并通过预计算音色网格实现可演奏的实时控制。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

问题是深度学习语音表示多而散、难以与 Praat 式交互分析衔接，方法是用 Python 后端加网页前端统一连续、离散与变长表示并做可切换距离与对齐的单句分析与双句比较，代价是本研究不报告定量精度对比且强制对齐依赖额外服务。

论文把连续音频监护形式化为四态打断或静默决策，用两个特殊词嵌入解码，在 ESC-50 上报告 99.6% 中断 F1 与 100.0% 去重召回，在未训练的 Epic-Sounds 上保持 96.7% 起始召回，代价是嘈杂域静默召回仅 10.1% 与平均 3.5 秒流式延迟。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

论文以 1978-1979 年为 Lydia Kavina 制作的最后一台 Terpsitone 为对象，用实测建模的三维体、范德波尔振荡器差拍的声音引擎和头手质心映射的交互链做可演奏的虚拟现实孪生，历史考证显示至少四代形态而音量映射始终多变，当前原型已能走通动作到声音但精度与稳定性仍待验证。

该系统把沙面深度变化与沙盘小物件检测分别做成连续特征与离散切换令牌，再用多对多映射送入混合声音引擎，探索性使用显示无需乐理即可建立因果，但代价是细粒度手势易被淹没且单顶视相机存在遮挡中断。

BIKES 把电动货运自行车做成可移动联网乐器，用集中式到网状网络、分布式音频与工业设计迭代解决户外移动演奏与教学问题，最强证据是四车系统的公共骑行与装置验证，代价是第二阶段外观模型尚无发声功能且系统依赖现场网络与人工运维。

该文用弦两端载荷单元反推弓弦压力、用固定磁场感生弦速直方图分离粘弦速度来实时估计弓速，并把两路参数接到弓—质量摩擦模型验证可演奏性，代价是必须贴近支点与磁体运弓且力估计存在位置相关偏差。

CALM 研究如何把双侧身体运动、费力和协调直接转成声音密度与空间行为，证据是手套速率与双侧阈值控制的 abrasive 静止层与和声运动层的对抗结构，代价是放弃快速即兴与精确可移植性。

该文以四个舞蹈配置研究如何把预分析音频语料分布到舞者周围的虚拟体中并用动作做最近邻提取，最具体的证据是共享大体量与手部小体量在单元数与速度上的对照，代价是正式成片采用离线合成因而缺少实时演奏反馈。

该研究把木薯淀粉生物塑料做成不规则触摸面，用 8 电极电场层析扰动加支持向量机分类代替图像重建，在圆形样品与 55 厘米半球壳上验证了中等分辨率触摸词表的一小时稳定与 48 小时漂移代价，最终为一个月展期的低分辨率声音装置选择了保守映射。