会议总览
odyssey-2026 论文深度解读
共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读
音频检索
论文解读
同骨干双模态检索：OEA 以统一编码换文本理解与排除能力
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。
论文解读
从离散标签到贴着声音写叙事：FCaps 与 CLSP 的多粒度语音风格建模
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。
论文解读
听觉不只听声：用多模态线索合成细粒度音频描述
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。
会议总览
eacl-2026 论文深度解读
共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读
论文解读
只用英文文本把多语言接入冻结多模态空间的轻量映射
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。
论文解读
从公开课到四模态知识图：SciMKG 如何抽概念又对齐图文音视频
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。
论文解读
一条声音，二十四种说法：SonicCaps 把听觉歧义变成检索的养分
音频检索 | 7.2/10
论文解读
效果是效果，声音是声音：当表征必须同时记住与忘记内容
音频检索 | 8.0/10
论文解读
不训练模型，只靠对齐：用图像把英文单词钉到印地语语音里
音频检索 | 7.3/10
论文解读
不只用文字指挥检索：当嵌入器学会看区域、听时段
音频检索 | 7.5/10
论文解读
AllMusicCaps：让专辑评论成为可检索音乐语义的补充监督
论文把专家专辑评论转为曲目级 caption，并在混合语料、编码层和目标函数的分轴比较中检验其适用范围。
论文解读
CoSTALA: Compositional Spatio-Temporal Audio-Language Alignment via Multi-Grain Hierarchical Contrastive Learning
空间音频 | 7.9/10
论文解读
Don't Just Listen, Try Planning: Graph-based Retrieval-Generation Agent for Long-form Audio Meeting Understanding
音频理解 | 7.8/10
论文解读
Better Retrieval, Worse Robustness: How Multi-hop RAG Amplifies Upstream ASR Errors
音频理解 | 9.1/10
论文解读
Finetuning Strategies for Querying Sounds by Vocal Imitation
音频检索 | 7.3/10
论文解读
INSPIRE: A Benchmark for Instruction-Aware Speech Retrieval
音频检索 | 7.9/10
论文解读
S2Dialog: Multimodal Dialogue Retrieval with Semantic and Acoustic-Style Modeling
音频检索 | 6.0/10
论文解读
omni-macos: On-Device Omni-Modal Search on Apple Silicon
音频检索 | 7.2/10
论文解读
Interpretable MEG Decoding of Perceived Speech: Cortical Sources and the Stimulus Features That Drive Retrieval
音频检索 | 7.9/10