音频分类

针对纯文本审核漏掉语气、情绪与语速等副语言毒性的问题，该研究构建带毒性来源标注的 ToxiAlert-Bench 并采用双头加多阶段训练的 ToxiAlert 模型，最强证据是在自建基准上相对最强基线 Macro-F1 相对提升 21.1%、准确率相对提升 13.0%，代价是合成数据依赖 TTS 表现力与细粒度类别仍存在明显短板。

论文用线性残差化减去音素与二三音子成分后，发现英文预训练的 HuBERT 和 wav2vec 2.0 靠后层仍能在帧级别线性预测词身份，并在词发现中验证去音素表示的改善，代价是依赖对齐标签且音素去除未降到机会水平。

针对同音替换、字形拆解、缩写与中英混写等伪装使纯文本失效的问题，MMBERT 把文本、合成语音与字形图像经对齐器送入共享自注意力加混合专家结构，并用三阶段渐进训练稳定优化，在 ToxiCloakCN 上报告 F1 为 95.2，代价是依赖合成多模态输入与较重的分阶段调参。

针对听诊数据稀缺且正常与异常声音频谱特性不同，PASA 把增强选择建模为马尔可夫决策过程并用混合批量-样本策略执行，在三个基准上提升诊断分数，但个性化依赖验证集奖励与样本统计积累，计算代价高于固定增强。

针对无编程背景学生与生物声学研究者难以串起特征、降维、聚类与分类的问题，AI EcoSound Tutor 用 MFCC/OpenL3 加 PCA/t-SNE/UMAP 加 K-Means/GMM/HDBSCAN 的可配置流水线组织学习，最强证据是在蝗虫录音上 MFCC-UMAP 组合达到轮廓系数 0.9 并经频谱图与回放验证，代价是方法子集有限且仅支持 …

该研究以六类蚊种图像加 5 秒翅振音频为输入，用 SwinV2 与音频频谱变换器分别输出类别对数再做可学习加权融合，在干净集上融合准确率为 97.8 未超过单模态，而在图像与音频双侧加噪后融合仅下降 4.66 个百分点的代价是需要配对双模态输入与联合微调。

该文在两个闭集溯源任务上冻结支撑区做前瞻性单阶段编解码压力测量，显示干净 Macro-F1 超 0.97 的表示仍可单点损失超 50 点且损失随条件与表示剧烈变化，而预注册的匹配保真度比较因无共同支撑不可估计。

在从场景化演员录音训练、真实诈骗电话测试的跨域条件下，论文对比域不变的 4 维韵律特征与冻结的 HuBERT/wav2vec2.0 表示，显示 4 维韵律在零样本达 69.5% F1 可直接部署，而 HuBERT 在 5 样本时达 94.2% F1 但需真实样本与 GPU。

针对 GMAW 角焊缝中难以实时发现的五类内部缺陷，论文用 16 帧图像与梅尔声谱的 3D 时序融合加跨块注意力将多模态 F1 提升至 0.99，并以 GradCAM 与 t-SNE 定位每类缺陷的图像关键区与更优模态，代价仅增加 0.1 GFLOPs。

在 BEST-RQ、mel 与 chroma 重建和 CTC 构成的声学词汇基座上叠加音频描述对比对齐，并以配对内打乱对照与双读出冻结评测分离对应关系贡献，正确配对在三粒种子上使域均衡分类线性探针提升 4.66 点、序列感知 LLM 提升 2.59 点且每域均为正，其中线性增益的 87% 来自正确对应而非额外对比目标。

为解决全模态大模型在图文声三路互斥时把模态偏置与证据形式偏置混为一谈的问题，Tri-PvP 以 8000 样本的四条件匹配反事实与五模型对照揭示视觉主导且视听在感知与命题上不对称，并以早期线性可分与对比解码仅部分缓解且引入文本残余为代价验证偏置的表征根源。

音频分类 | 6.7/10

音频分类 | 5.9/10

音频分类 | 7.0/10

音频分类 | 5.7/10

音频分类 | 7.8/10

语音识别 | 6.8/10

音频分类 | 5.5/10

音频分类 | 8.1/10

音频分类 | 6.0/10