论文解读

Leveraging Whisper Embeddings For Audio-Based Lyrics Matching

音乐信息检索 | 7.0/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4853 字 阅读 →
论文解读

MMEB-V3: Measuring the Performance Gaps of Omni-Modality Embedding Models

基准测试 | 7.5/10

 · 更新于 2026-10-15 · 约 9 分钟 · 4488 字 阅读 →
论文解读

MusiCRS: Benchmarking Audio-Centric Conversational Recommendation

音乐推荐 | 7.5/10

 · 更新于 2026-10-15 · 约 9 分钟 · 4258 字 阅读 →
论文解读

Scalable Evaluation for Audio Identification Via Synthetic Latent Fingerprint Generation

音频检索 | 7.0/10

 · 更新于 2026-10-15 · 约 8 分钟 · 3896 字 阅读 →
论文解读

Separate this, and all of these Things Around It: Music Source Separation Via Hyperellipsoidal Queries

音乐分离 | 7.0/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4838 字 阅读 →
论文解读

Shared Representation Learning for Reference-Guided Targeted Sound Detection

音频事件检测 | 8.5/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4764 字 阅读 →
论文解读

SLAP: Scalable Language-Audio Pretraining with Variable-Duration Audio and Multi-Objective Training

音频检索 | 8.0/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4546 字 阅读 →
论文解读

WavLink: Compact Audio–Text Embeddings with a Global Whisper Token

音频检索 | 8.0/10

 · 更新于 2026-10-15 · 约 10 分钟 · 4681 字 阅读 →
论文解读

Robust Audio-Text Retrieval via Cross-Modal Attention and Hybrid Loss

音频检索 | 7.5/10

 · 更新于 2026-10-15 · 约 9 分钟 · 4499 字 阅读 →
论文解读

ATIR: Towards Audio-Text Interleaved Contextual Retrieval

这篇论文旨在解决现有音频-文本检索方法无法处理查询和文档中音频与文本交错出现(如多轮对话、混合输入)的局限性。为此,作者定义了音频-文本交错上下文检索(ATIR)任务,并构建了一个包含约8.8万对样本的大规模基准。为解决直接应用多模态大语言模型(MLLM)时音频token冗余导致的效率和精度问题,论

 · 更新于 2026-10-15 · 约 9 分钟 · 4361 字 阅读 →
论文解读

Omni-Embed-Audio: Leveraging Multimodal LLMs for Robust Audio-Text Retrieval

这篇论文旨在解决当前音频-文本检索模型在**真实、多样化用户查询**下性能下降的问题。作者指出,现有基准测试(如AudioCaps, Clotho)依赖描述性标题式查询,与真实世界中简短、多变的搜索行为(如问题、命令、关键词、排除性查询)存在巨大差距。为此,论文提出了两大核心贡献:1) **Omni

 · 更新于 2026-10-15 · 约 9 分钟 · 4160 字 阅读 →