音频检索

针对对比掩码自编码中随机可见块污染全局表示的问题，TG-DP 把重建与对比拆成两条掩码不同的前向路径并用全量教师做蒸馏与引导掩码，在 AudioSet 检索上把 R@1 从 35.2% 提升到 37.4% 和从 27.9% 提升到 37.1%，代价是每轮预训练时间从 730 s 增加到 1045 s 且推理前需丢弃教师分支。

针对短于两分钟与低信噪比录音中相关系数与归一化错位难以区分对齐与错位片段的问题，该工作用时域卷积编码器学习三谐波潜在表示并与原始相关分数线性融合做检索式时间戳估计，在跨电网训练与测试下把全部长度成功率从 77.63% 提升到 85.63%，短录音从 55.14% 提升到 73.14%，代价是仍依赖短时傅里叶提取与十五秒容差判定且长录音增益收窄。

该研究以约 35 分钟协奏曲为载体，用 BBC 爱乐广播档案训练 RAVE 与拼接合成乐器来驱动作曲与现场演奏，报告显示嵌入式 AI 塑造了全曲结构而非仅 moment 声音，代价是记谱、延迟与排练可信度需专门设计。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

针对音频与文本交替出现的多轮上下文检索，论文构造统一 ATIR 基准并训练带音频令牌选择器的双编码器 ATIR-Qwen-3B，报告平均 78.86% Recall@1 和 85.09% nDCG@5，最强对照下仍保留打乱交织结构即下降的反证，代价是两阶段微调与选择器阈值调节。

针对沃洛夫语音查法语文本的跨语言跨模态检索问题，论文比较晚融合与双编码器路线，最强证据是晚融合在自然口语检索与未见意图任务上保持可复述的优势，代价是依赖合成文档与较高维度推理开销。

针对长语音问答中大音频语言模型难以直接处理十几分钟以上上下文的问题，论文提出先把语音转成类文本表示再做对比检索的 CLSR，用四个数据集的召回对照和长文问答的抽取验证支撑该路线，并以联合训练三项损失与冻结文本编码器为代价。

针对片段级描述数据量大但无时间信息与帧级短语标注稀少难同训的问题，FineLAP 用全局与细粒度解耦音频适配器加片段与帧双流 Sigmoid 损失同训，在 AudioCaps 检索 R@1 取得 45.7 与 62.5 并在四组声音事件检测上领先，代价是固定 10 秒输入与合成数据分布偏差仍待验证。

该工作把任意输入音频的频谱特征映射到在 7999 个电子舞曲鼓循环上学到的 256 个离散节奏原型，再用力度解码器恢复动态并用用户原声合成，在验证集上重建汉明距离为 0.0064、力度误差相对均值基线降低 77.4%，代价是 2000 个环境声音只激活 50% 码本且弱音表现不足。

针对单向量语音嵌入把内容与说话人混在一起的问题，该工作用共享声学编码器加分轴线性投影头做因子分区嵌入，并用带符号加权余弦实现可控检索，最强证据是跨语料库语义检索在加入说话人辅助任务后从近随机恢复到上限，而代价是纯语义蒸馏会坍缩且梯度反转与降维会破坏负权重几何。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

OEA 用冻结多模态大模型加 LoRA 统一编码文本与音频，在文本到音频上与 M2D-CLAP 接近，在文本到文本与硬负例排除上明显占优，代价是更大的显存与离线音频编码开销。

针对粗粒度标注刻画不了语速情感韵律时变的问题，论文用直接听音频写细粒度描述的 FCaps 数据与分两阶段做全局加细粒度对比学习的 CLSP 模型，在检索与人评一致性上报告更强证据，代价是仅英文与大规模算力依赖。

针对自动音频描述缺少细节与上下文的问题，该工作用专家模型抽取语音、音乐、通用声音和视频线索再由大语言模型融合成纯音频描述，并用 120 万条描述与 600 万问答对证明检索与理解收益，代价是融合带来细节提升的同时幻觉风险上升且需离线专家与过滤成本。

共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读

M2M 只用英文文本训练 2 个线性层完成多语言到多模态的映射，在 XTD 上英文达到 94.9% 的 Recall@10 而 11 个语言平均为 89.5%，代价是生成保真度和超大检索库上的差距仍然存在。

论文要解决开放课程多模态教育知识图谱难自动构建的问题，用抽取-验证-整合-增强管线加跨模态对齐构造覆盖生物物理化学的 SciMKG，最强证据是概念抽取 F1 达到 0.803 并有多模态对齐的人评与自动评测支撑，代价是依赖前沿大模型推理与多轮校验的开销。

音频检索 | 7.2/10

音频检索 | 8.0/10