音频分类

论文把肯尼亚森林声音工作集里人声说话的二分类交给微调后的音频频谱 Transformer 做初步筛选，再用三份清单加连续听音核验全部机器建议，在保持人工标签权威的前提下把剩余 5026 个文件的标注工作量从约 48.9 人时降到约 28.9 人时。

论文解决用 1 秒音频判断有无无人机的问题，用手工声学描述子加 YAMNet 嵌入的双视角堆叠集成做判断，在按录音源隔离的分组协议下达到 95.29% 准确率，而随机切分会虚高 1.89 到 3.22 个百分点，融合只带来约 1.11 个百分点的小而稳的增益，单条处理约 51.0 毫秒。

本文针对听诊设备、部位和病人差异干扰呼吸音分类的问题，在音频频谱变换器中引入元数据调制，其中软分解调制在官方划分上取得四分类 64.11% 和二分类 72.40%，代价是增加不到 1% 的参数并需要完整的元数据输入。

论文把给定输入下的预测风险拆成规格不确定性、残余偶然不确定性和认知不确定性，说明只有第一项对应追问澄清的收益，并用文本、图像和音频问答证明三者在检测欠规格输入和预测错误时各有分工，但估计质量依赖澄清生成器和集成近似。

共分析 28 篇语音/AI 论文

针对盗猎监测中大面积与弱卫星定位条件下的枪声值守问题，论文用多个边缘麦克风阵列单元先触发再分类再估计阵内时延与到达角并融合定位，在约 5000 至 49000 平方米场测中取得 MCC 0.70 与数米级定位误差，但结论依赖扬声器回放与特定布站条件。

针对联合训练中强模态压制弱模态梯度的问题，论文用止梯度特征上的线性探针估计各模态表征质量并只放大弱编码器梯度，在高度不平衡的 CREMA-D 上与节流方法组合取得 71.45% 准确率，代价是约 1.6% 额外耗时和对工况条件的依赖。

针对梅尔频谱图同时需要局部时频纹理和长时跨段结构的问题，ResMamba 在 ResNet 式四阶段主干中并行使用卷积分支抓局部与选择性状态空间分支抓全局并做多尺度融合，在 GTZAN 五折平均 88.99% 且全程从零训练，代价是依赖全分辨率输入与分窗折中。

共分析 48 篇语音/AI 论文

论文针对能量型声学指数跟踪物种丰富度不可靠的问题，用 BirdNET 物种检测加地点过滤和努力量标准化构建 ABIE 指数，在稀树草原与动物园对比中以 0.93 的小时丰富度相关超越六种常用指数，但稳定性项与跨季节比较仍有限制。

该文用槽注意力把 AST 片段嵌入拆成 4 个槽并以重构为目标自监督预训练，再冻结主干只训练轻量任务头，在三声源合成场景上同时支撑分类、检测与分离，并在未见类上做零样本分离，但结论依赖合成混合与固定任务头的评测条件。

论文用全合成的舌、脉、声数据先给出 8 类证候族分布，再用 25 道结构化问题做贝叶斯追问，一次性 600 例确认中成本敏感信息增益把族准确率做到 95.5% 而细项准确率仅 42.5%，且提问数并未少于 tested 固定顺序。

论文用异质共振神经元替换脉冲储备中的积分神经元，使储备对输入频率敏感，在十个时序与事件视觉任务上提升分类精度，并以稀疏脉冲计算保持低能耗。

该文把 3 秒音频的 57 个数值声学特征先变成高低符号标签，再对多层感知机最后 32 个神经元按激活强弱分组并做概念归纳，在流派和乐器两类任务上分别确认 9 个和 10 个神经元概念，其中 7 个和 9 个通过曼惠特尼检验，但结论只在给定特征映射、阈值和验证集下成立。

论文把事件流写成每到事件做跳变、事件之间按闭式漂移的模型，证明同时无关与穿越连续都等价于跳变可交换，并用快慢两条迹加累加器的最小 TM 层实现有序对交互，在开发集上比同读出的加性状态明显更好，但正式测试与最优精度尚未报告。

论文用 ShipsEar 五秒音频比较六种分类器在树莓派 5 上的完整音频到预测流程，发现两层 CNN 准确最高而 RBF-SVM 只低 0.31 个百分点却快 4.29 倍，因而把 RBF-SVM 部署到 Zero 2 W 仍能跟上连续音频的速度。

共分析 47 篇语音/AI 论文

论文用先分 5 个粗类别再在类内细分 25 类的方法降低混淆，以 0.2004M 参数的 FTANet 在自建集粗分类达 95.45%、25 类任务从 71.32% 提升到 81.49%，代价是两阶段推理时间从 0.2170 s 增加到 1.2390 s。

AudioFM 要同时保留录音整体场景和时频细节，用互补遮挡视图的录音级对照加遮挡块潜表示判别来训练编码器，在 AudioSet 微调、冻结探测和跨数据集迁移上占优，但结论只在 16 kHz 单通道和所用划分下成立，且局部监督带来预测器与大批量训练代价。

论文解决每轮训练中没有验证标签时如何选检查点，提出用冻结嵌入空间中独立于待选头的原型与近邻伪标签加已标注集交叉熵打分，在统一标注预算下取得可部署方法中平均最优的标注曲线下面积，代价是每轮对池做一次批量前向。