音频分类

📄 先听见，再分清：两级级联如何把稀有虎鲸从海噪里捞出来 英文题目：Efficient Passive Acoustic Monitoring of Killer Whales Using a Two-Stage Detection and Ecotype Classification Cascade 一句话：针对连续水听器背景压倒信号与部署域偏移，论文用两级 ResNet-18 级联分离检测与生态型判别，在 DCLDE 上将七分类宏平均 F1 做到 0.933 并把稀有 OKW 从 0.842 拉到 0.930，再经主动学习把 Puget Sound 检测 F1 从 0.405 恢复到 0.755，代价是约 5% 漏检无法挽回且连续流召回仍未验证。 标签：#音频分类 | #CNN | #音频事件检测 | #领域适应 评分：6.7/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5 ...

📄 关掉麦克风不行，擦掉人声才行：助老监听的隐私防火墙 英文题目：Removing Speech, Keeping Activities: A Privacy Firewall for Acoustic Sensing in Assisted Living 一句话：针对居家助老声音监测不敢录下谈话的落地难题，论文把语音剥离做成传感器后端防火墙，用全合成训练的 U 型谱映射 suppress 可检出语音并尽量保住活动识别，在轻干扰下恢复接近无语音基线，但重语音与真实强干扰下的不可懂性仍未被证明。 标签：#音频分类 | #迁移学习 | #语音活动检测 | #医疗音频 评分：5.9/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Pavlos Nicolaou：KIOS Research and Innovation Center of Excellence, University of Cyprus, Panepistimiou 1, Aglantzia, Nicosia, 2109, Cyprus Christos Efstratiou：School of Computing, University of Kent, Canterbury, CT2 7NZ, Kent, United Kingdom 💬 毒舌点评 把语音去除做成助老传感前端防火墙并坚持全合成训练，问题来自真实护理院部署痛点，链路完整值得肯定。但隐私证据几乎只靠语音活动检测（Voice Activity Detection / VAD）清零，且评估分支经过有损梅尔逆变换加Griffin-Lim重合成，所谓0%更多是检测器失明而非语音不可懂，强语音与多说话人家庭仍是外推。 ...

📄 越干净，越脆弱：当语音增强抹掉了阿尔茨海默病的线索 英文题目：Cleaner Speech, Weaker Generalization: Revisiting Pitt-Derived Benchmarks for Alzheimer’s Disease Detection 一句话：论文以 Pitt 语料家族为对照场，证明去噪与策展虽能抬高同域分数，却因分布偏移削弱跨域鲁棒性，即使训练与测试同增强或引入大音频语言模型也难以挽回。 标签：#音频分类 | #自监督学习 | #基准测试 | #鲁棒性 评分：7.0/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5 👥 作者与机构 Luqi Sun：Center for Language and Speech Processing (CLSP), Johns Hopkins University Shreeram Suresh Chandra：机构信息未在 arXiv HTML 中可靠披露 Lin Zhang：机构信息未在 arXiv HTML 中可靠披露 You-Jin Li：Research Center for Information Technology Innovation, Academia Sinica Brian MacWhinney：University of Michigan, Ann Arbor Yu Tsao：Research Center for Information Technology Innovation, Academia Sinica Emily Mower Provost：Carnegie Mellon University Berrak Sisman：Center for Language and Speech Processing (CLSP), Johns Hopkins University 💬 毒舌点评 贡献在于把 Pitt 家族“越干净越好”的集体无意识拽到台前，用同域/跨域与匹配/失配增强的四重对照证明去噪带来的分布偏移代价，对长期把 ADReSS 当即插即用基准的社区是一记必要的警钟。缺陷也同样直白：全部跨域结论压在仅 56 例的 English Lu Corpus 这一根独苗上，原始 Pitt/Pitt/ADReSS/ADReSSo 的增强管线均未公开却用 5 种现代增强器做代理归因，对“干净为何更差”仅靠 DNSMOS 的 BAK 抬升与单例 Mel 谱图定性描述，未能量化停顿、迟疑、词汇贫乏等病理标志究竟被何种伪影抹平。 ...

📄 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 英文题目：MADS: A Multiview Acoustic Descriptor Set Beyond Standard Spectral Summaries 一句话：MADS 把波形当作阻尼振荡与能量传递过程，用 19 维多视角描述子在经典分类器上以一半维度超越 38 维谱摘要基线，并在 ESC 与 MSoS 上取得 81.00%、52.78% 与 67.48% 的峰值准确率，代价是物理代理仍为启发式且未与深度前端对比。 标签：#音频分类 | #集成学习 | #音频事件检测 | #可解释性 评分：5.7/10 | 创新 1.3/2 | 技术严谨 0.9/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5 👥 作者与机构 Utsab Ghosh：ABV-Indian Institute of Information Technology and Management, Gwalior, India Roshni Chakraborty：ABV-Indian Institute of Information Technology and Management, Gwalior, India 💬 毒舌点评 亮点在于把19维物理启发的多视角声学描述子集（Multi-view Acoustic Descriptor Set, MADS）做得紧凑可解释，在经典机器学习流水线上以一半维度压过38维传统基线；短板是所有物理量（有效质量、动能、PDE残差）均为启发式代理且缺乏消融与深度前端对比，所谓物理性更多是命名包装而非可验证的动力学建模。 ...

📄 没有配对报告时，如何让呼吸声自己找到临床语义？ 英文题目：Zero-Shot Respiratory Sound Classification through LLM-Augmented Audio-Text Alignment 一句话：REACH 用 GPT-4 把离散元数据蒸馏为结构化报告来锚定冻结的 MedSigLIP 文本空间，并以 Sigmoid 对比损失加掩码重建与第 10 远负采样对齐呼吸音编码器，在 9 任务上实现 61.3% 零样本 AUC 的同时把线性探测推至 71.6%，代价是细粒度分级仍近随机且依赖合成文本的措辞稳定性。 标签：#音频分类 | #对比学习 | #自监督学习 | #多模态模型 评分：7.8/10 | 创新 1.5/2 | 技术严谨 1.3/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5 👥 作者与机构 Mustafa Talha İlerisoy：机构信息未在 arXiv HTML 中可靠披露 Hung Manh Pham：机构信息未在 arXiv HTML 中可靠披露 Mathias Funk：机构信息未在 arXiv HTML 中可靠披露 Mykola Pechenizkiy：机构信息未在 arXiv HTML 中可靠披露 Aaqib Saeed：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 用冻结的 MedSigLIP 文本空间作锚点、以 GPT-4 把离散元数据蒸馏为 2-3 行标准化报告来填补呼吸音音频-报告配对真空，并用 SigLIP 损失加掩码重建正则与 FAISS 第 10 远负采样来防止对齐崩塌，思路干净且在 9 任务上把零样本从通用模型的 51% 拉到 61% 可用区间。短板是所谓零样本高度依赖合成报告的措辞与 prompt 模板，相似度采样与温度等关键超参不透明，且 T3 Covid 咳嗽 51.3% 与 T9 五级 COPD 分级 52.1% 仍近随机，平均数掩盖了细粒度任务的失效，宣称的通用临床零样本能力被高估。 ...

📄 用最轻的耳蜗换最高的精度：HLP 脉冲编码为何在干净数据上赢、在嘈杂数据上输 英文题目：Conjoint Audio-to-Spikes Encoding and Processing for Efficient Neuromorphic Speech Recognition 一句话：论文用仅靠阈值调控脉冲密度的可编程 Butterworth 滤波器组与 IF 神经元构成非可学习 HLP 编码器，配合 100 步累积器与前馈 SNN 联合优化，在 Heidelberg Digits 上以 13 通道 100k 参数达到 99.77% 超越同类流水线，却在多说话人 GSC 上暴露对异构噪声鲁棒性不足的代价，并以 Zynq-7000 定点化 LLP 实现验证在线可行性。 标签：#语音识别 #端到端 #音频分类 #高效推理 评分：6.8/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.3/1.5 👥 作者与机构 Valentin M. Meunier：机构信息未在 arXiv HTML 中可靠披露 Amélie Gruel：机构信息未在 arXiv HTML 中可靠披露 Pierre Lewden：机构信息未在 arXiv HTML 中可靠披露 Adrien F. Vincent：机构信息未在 arXiv HTML 中可靠披露 Sylvain Saïghi：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于把高层可编程滤波器组与积分发放神经元绑定的轻量编码器做到了可在 FPGA 上端到端跑通，并在受控的 Heidelberg Digits 上以极简前馈脉冲网络刷出超高精度，工程闭环完整。短板是复杂多说话人场景下泛化明显掉队，NTIMIT 仅 63.98% 且 GSC 远落后于 Lauscher 与 Speech2Spikes 的同类流水线，却未给出每通道阈值或更强时序建模等实质补救验证，效率指标也停留在脉冲计数层面。 ...

📄 把咳嗽声拆开：用高斯对齐让模型忘记敏感属性 英文题目：Disentangling Representation using Attributes-based Gaussian Estimation for Medical Sound Diagnosis 一句话：针对咳嗽声诊断中属性域偏移与可解释性不足，论文用属性映射嵌入将标量属性高斯化并与 VAE 隐向量对齐、再以互信息上界解耦，在 COUGHVID 过滤后的 2850 段上取得 95.5% AUC，但仅单数据集验证且 99% 召回的可信度仍待检验。 标签：#音频分类 #变分自编码器 #医疗音频 #可解释性 评分：5.5/10 | 创新 1/2 | 技术严谨 0.7/1.5 | 实验充分 0.6/1.5 | 清晰度 0.6/1 | 影响力 0.6/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5 👥 作者与机构 Ke Zhao：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 亮点在于将属性映射嵌入（Attribute Mapping Embedding，AME）与变分自编码器（Variational AutoEncoder，VAE）结合，用高斯参数化实现可计算的 Kullback-Leibler 散度（\(D_{KL}\)）对齐和互信息（Mutual Information，MI）解耦，思路直观且在小规模咳嗽数据上确实提升了召回率。短板是方法论证与实验支撑均显单薄：仅在 720 例原始音频过滤后的 COUGHVID 单数据集上验证、数学推导存在符号与不等式方向瑕疵、公平性仅靠 t-SNE 定性展示而无定量指标，99% 召回率更像过拟合或划分泄漏的信号而非泛化能力的证明。 ...

📄 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 英文题目：Self-Supervised Pretext Tasks for Infant Cry Analysis: A Controlled Comparison and a Cautionary Result on Donateacry 一句话：论文用同一 1.17M 编码器和 115 小时预算横向对比 6 种自监督预训练任务，发现重建类任务以 0.988 AUC 拿下啼哭检测，却在严格按被试划分下让所有原因分类跌至随机附近，并用同一模型复现出文献 97.9% 准确率来证明其来自划分与增强顺序的泄漏。 标签：#音频分类 #自监督学习 #音频事件检测 #对比学习 评分：8.1/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1/1.5 | 可复现 0.5/0.5 | 工程/实践 1/1.5 👥 作者与机构 Luigi Simeone：Independent researcher 💬 毒舌点评 亮点在于用同一编码器和同一预算把 6 种自监督预训练任务拉到同一起跑线，并用泄漏阶梯把 donateacry 上 90%+ 准确率的泡沫一针戳破，证据链干净到可以当审稿人教材。短板是所有结论都绑在 1.17M 参数小卷积网络和单一小型志愿者数据集上，对大规模模型和临床标签场景的外推只能靠引用他人结果背书。 ...

📄 波形有用，不等于必须调用生成式音频模型 英文题目：Auditing Generative Audio Calls for Known-Task Audio-LLM Evaluation 一句话：论文把已知闭集任务的音频大模型评测重构为保留转录、调用本地编码器或调用生成式模型的受控决策，用匹配的无调用选择器做决定性消融，在 VocalSound 上以 12.5% 调用率取得 0.925 准确率却与 0.921 的无调用选择器无显著差异，揭示声学证据的价值与生成式调用的必要性是两回事。 标签：#音频分类 #音频大模型 #模型评估 #基准测试 评分：6.0/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5 👥 作者与机构 Mengzhe Geng：机构信息未在 arXiv HTML 中可靠披露 💬 毒舌点评 把音频大模型评测从笼统的音频优于文本准确率对比，拆解为可审计的调用决策问题，并用匹配的无调用选择器做严格对照，结论克制且对部署有现实警示。短板是核心证据高度依赖 VocalSound 单一已知闭集任务的小样本划分，外推性与统计功效均有限，且未提供代码与生成模型置信度等关键复现要素，提示词敏感性也让结论的稳定性打折。 📌 核心摘要 论文针对已知闭集任务中音频大模型评测混淆声学证据价值与生成式音频调用必要性的问题，提出生成式调用审计框架，将评测重构为在保留转录标签、使用本地编码器证据与调用生成式音频模型之间的受控决策。方法核心是构建转录优先与编码器优先的路由策略以及基于 L2 正则化逻辑回归的正确性全选择器，并以移除所有生成动作但保持相同训练与选择协议的匹配无调用选择器作为决定性消融。实验在 VocalSound 上显示转录基线仅 0.296 而有监督编码器已达 0.85 左右，全选择器以 12.5% 调用率取得 0.925 准确率，与无调用选择器的 0.921 几乎无差异，配对差异 0.004 且 95% 置信区间 [-0.025,0.033] 包含 0，经 Holm 校正后仅 Full 对 WavLM 的优势保持显著。该结果边界清晰：仅适用于已知闭集标签决策，不涉及开放对话、指令跟随或通用音频推理，且结论依赖开发集标签可用的有监督编码器对照与锁定的行划分。 ...

📄 在茶树里听见白蚁：当 81.5% 的准确率比 98% 更诚实 英文题目：Effectiveness of IoT and Deep Learning for Detection and Severity Assessment of Postelectrotermes militaris in Tea Plantations 一句话：面对斯里兰卡高海拔茶园中肉眼难辨的活木白蚁侵染，该研究用贴合树干的声学物联网采集与轻量卷积神经网络做田间筛查，在真实噪声下取得 81.5% 准确率与 0.819 的 ROC-AUC，却以 17% 的漏检率和启发式严重度公式暴露了小样本田间研究的边界。 标签：#音频分类 #CNN #音频事件检测 #工业应用 评分：5.1/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 0.6/1.5 | 清晰度 0.7/1 | 影响力 0.6/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5 👥 作者与机构 D.K.C. Senevirathna：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia A.A.E. Nanayakkara：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia H.M.C.K. Kulathunga：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia J.K.D.P. Nadula：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia R.M. Mapatuna：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia Malithi Nawarathne：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia Jaliya L. Wijayaraja：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia P.D. Senanayake：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia Samitha Vidhanaarachchi：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia Kalpani Manathunga：organization=Sri Lanka Institute of Information Technology, addressline=New Kandy Road, city=Malabe, country=Sri Lanka；organization=School of Molecular and Life Sciences, Curtin University, addressline=Kent Street, city=Bentley, state=Western Australia, country=Australia；organization=University of Kelaniya, addressline=Kandy Road, Dalugama, city=Kelaniya, country=Sri Lanka；organization=Tea Research Institute of Sri Lanka, city=Talawakelle, country=Sri Lanka；organization=Murdoch University, addressline=90 South St, Murdoch, city=Perth, state=Western Australia, country=Australia 💬 毒舌点评 亮点在于把树干贴合式声学采集、云端传输与地理信息系统（Geographic Information System, GIS）可视化串成可用现场流程，直面隐蔽性活木白蚁难以目视发现的痛点。短板是方法学仍停留在 2 层卷积的基线卷积神经网络（Convolutional Neural Network, CNN）加启发式加权严重度公式，实验仅靠 40 株茶树的单次划分支撑结论，难以让人相信其在真实种植园的泛化能力。 ...