论文解读

MSF-SER: Enriching Acoustic Modeling with Multi-Granularity Semantics for Speech Emotion Recognition

语音情感识别 | 7.5/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5146 字 阅读 →
论文解读

Multimodal LLMs as Expert Speech Annotators: Acoustic Macro-Descriptors for Parkinson's Detection

语音生物标志物 | 6.5/10

 · 更新于 2026-10-16 · 约 9 分钟 · 4079 字 阅读 →
论文解读

Scaling Ambiguity: Augmenting Human Annotation in Speech Emotion Recognition with Audio-Language Models

语音情感识别 | 6.5/10

 · 更新于 2026-10-16 · 约 9 分钟 · 4289 字 阅读 →
论文解读

Segmentwise Pruning in Audio-Language Models

音频问答 | 7.0/10

 · 更新于 2026-10-16 · 约 9 分钟 · 4222 字 阅读 →
论文解读

SONAR: Self-Distilled Continual Pre-Training for Domain Adaptive Audio Representation

音频事件检测 | 7.0/10

 · 更新于 2026-10-16 · 约 8 分钟 · 3901 字 阅读 →
论文解读

Sparse Autoencoders Make Audio Foundation Models More Explainable

模型评估 | 6.5/10

 · 更新于 2026-10-16 · 约 9 分钟 · 4339 字 阅读 →
论文解读

Teaching Audio Models to Reason: A Unified Framework for Source- and Layer-Wise Distillation

音频问答 | 7.0/10

 · 更新于 2026-10-16 · 约 7 分钟 · 3417 字 阅读 →
论文解读

Temporal Distillation for Music Representation Learning

音乐信息检索 | 7.5/10

 · 更新于 2026-10-16 · 约 10 分钟 · 4668 字 阅读 →
论文解读

Test-Time Scaling for Auditory Cognition in Audio Language Models

音频问答 | 7.0/10

 · 更新于 2026-10-16 · 约 10 分钟 · 4888 字 阅读 →
论文解读

The Muse Benchmark: Probing Music Perception and Auditory Relational Reasoning in Audio LLMs

音乐理解 | 8.5/10

 · 更新于 2026-10-16 · 约 8 分钟 · 3655 字 阅读 →
论文解读

Walking Through Uncertainty: An Empirical Study of Uncertainty Estimation for Audio-Aware Large Language Models

音频问答 | 7.5/10

 · 更新于 2026-10-16 · 约 8 分钟 · 3527 字 阅读 →
论文解读

When Noise Lowers the Loss: Rethinking Likelihood-Based Evaluation in Music Large Language Models

音乐生成 | 7.0/10

 · 更新于 2026-10-16 · 约 10 分钟 · 4847 字 阅读 →
论文解读

When Silence Matters: The Impact of Irrelevant Audio on Text Reasoning in Large Audio-Language Models

模型评估 | 7.0/10

 · 更新于 2026-10-16 · 约 9 分钟 · 4322 字 阅读 →
论文解读

When Voice Matters: A Controlled Study of Audio LLM Behavior in Clinical Decision-Making

模型评估 | 7.0/10

 · 更新于 2026-10-16 · 约 8 分钟 · 3980 字 阅读 →
论文解读

All That Glitters Is Not Audio: Rethinking Text Priors and Audio Reliance in Audio-Language Evaluation

音频问答 | 6.5/10

 · 更新于 2026-10-16 · 约 9 分钟 · 4036 字 阅读 →
论文解读

HeadRouter: Dynamic Head-Weight Routing for Task-Adaptive Audio Token Pruning in Large Audio Language Models

音频大模型 | 8.0/10

 · 更新于 2026-10-16 · 约 11 分钟 · 5044 字 阅读 →
论文解读

Listening with Time: Precise Temporal Awareness for Long-Form Audio Understanding

音频场景理解 | 8.0/10

 · 更新于 2026-10-16 · 约 10 分钟 · 4842 字 阅读 →
论文解读

Benign Fine-Tuning Breaks Safety Alignment in Audio LLMs

这篇论文首次系统研究了良性(无害)音频数据微调对音频大模型安全对齐的破坏作用。**要解决的问题**是:用户出于提升模型性能目的进行的常规微调,是否会无意中破坏模型的安全防护?**方法**上,作者提出了一个基于嵌入空间邻近度的过滤框架,从语义、声学及混合维度,选择性地用与有害内容在表示空间上相近的良性

 · 更新于 2026-10-16 · 约 8 分钟 · 3751 字 阅读 →
论文解读

HalluAudio: A Comprehensive Benchmark for Hallucination Detection in Large Audio-Language Models

这篇论文旨在解决大型音频语言模型(LALM)中普遍存在的“幻觉”问题(即生成与音频证据不符的内容)缺乏系统性评估工具的难题。为此,作者构建并发布了**HalluAudio**,这是首个大规模、多领域(语音、环境声、音乐)、多任务(二分类、多选、属性验证、开放生成)的人工验证音频幻觉检测基准,包含超过

 · 更新于 2026-10-16 · 约 10 分钟 · 4726 字 阅读 →
论文解读

Qwen3.5-Omni Technical Report

这篇技术报告全面介绍了Qwen3.5-Omni,一个能够统一理解与生成文本、图像、音频和音视频内容的全模态大语言模型。**要解决的问题**是现有模型在实时交互、跨模态推理和自主智能体行为方面的局限性。**采用的方法**是基于“思考者-说话者”架构,引入了多项关键创新:1)思考者和说话者均采用混合注意

 · 更新于 2026-10-16 · 约 12 分钟 · 5641 字 阅读 →