音频理解

ICML 2026 语音/音频论文详细分析 共分析 137 篇 ICML 2026 论文 🎯 任务分类 点击任务标签查看该方向所有论文： 音视频理解（18篇） 音视频生成（10篇） 音频分类（9篇） 音频理解（8篇） 音乐生成（8篇） 语音合成（8篇） 音视频问答（8篇） 语音识别（5篇） 语音伪造检测（4篇） 语音交互（4篇） 语音增强（4篇） 语音编码（4篇） 多模态模型（3篇） 音频伪造检测（3篇） 音频分离（2篇） 空间音频（2篇） 音频编码（2篇） 音频修复（2篇） 语音属性识别（2篇） 音频生成（2篇） ⚡ 会议概览 📥 ICML 2026 接收 6341 篇论文 → 🔍 关键词 + LLM 筛选 137 篇音频/语音/音乐相关 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音视频理解 18篇 ██████████████████ #音视频生成 10篇 ██████████ #音频分类 9篇 █████████ #音频理解 8篇 ████████ #音乐生成 8篇 ████████ #语音合成 8篇 ████████ #音视频问答 8篇 ████████ #语音识别 5篇 █████ #语音伪造检测 4篇 ████ #语音交互 4篇 ████ #语音增强 4篇 ████ #语音编码 4篇 ████ #多模态模型 3篇 ███ #音频伪造检测 3篇 ███ #音频分离 2篇 ██ 📊 论文评分排行榜（137 篇，按分数降序） 排名 论文 评分 分档 主任务 🥇 TimeChat-Captioner: Scripting Multi-Scene Videos with T 9.4分 前10% #音视频理解 🥈 Joint Enhancement and Classification using Coupled Diff 9.3分 前10% #语音识别 🥉 Learning Tight Rejection Boundaries without Negatives f 9.3分 前10% #语音伪造检测 4. AVTrack: Audio-Visual Tracking in Human-centric Complex 9.3分 前10% #音视频理解 5. A Semantically Consistent Dataset for Data-Efficient Qu 9.2分 前10% #音频分离 6. SAM Audio: Segment Anything in Audio 9.2分 前10% #音频分离 7. MECAT: A Multi-Experts Constructed Benchmark for Fine-G 9.1分 前10% #音频理解 8. $\tau$-Voice: Benchmarking Full-Duplex Voice Agents on 9.1分 前10% #语音交互 9. PhaseCoder: Microphone Geometry-Agnostic Spatial Audio 8.7分 前25% #空间音频 10. BAT: Better Audio Transformer Guided by Convex Gated Pr 8.6分 前25% #音频分类 11. SPEAR: A Unified SSL Framework for Learning Speech and 8.4分 前25% #音频理解 12. Dual-View Predictive Diffusion: Lightweight Speech Enha 8.4分 前25% #语音增强 13. Unlocking Cross-Modal Biosignal Synthesis: A Temporally 8.3分 前25% - 14. CoLA: Cross-Modal Low-rank Adaptation for Multimodal Do 8.3分 前25% #音视频理解 15. Speech-Audio Compositional Attacks on Multimodal LLMs a 8.3分 前25% #音频理解 16. MoST: Mixing Speech and Text with Modality-Aware Mixtur 8.2分 前25% - 17. IVQ: Structured and Lightweight Vector Quantization via 8.2分 前25% #音频编码 18. Spherical Procrustes Alignment for Reliable Medical Aud 8.2分 前25% #音频分类 19. Attend to Anything: Foundation Model for Unified Human 8.2分 前25% #音视频理解 20. VocSim A Training-free Benchmark for Zero-shot Content 8.2分 前25% #音频检索 21. JAEGER: Joint 3D Audio-Visual Grounding and Reasoning i 8.1分 前25% #声源定位 22. LALM-as-a-Judge: Benchmarking Large Audio-Language Mode 8.1分 前25% #语音交互 23. Pianist Transformer: Towards Expressive Piano Performan 8.1分 前25% #音乐生成 24. Simultaneous Speech-to-Speech Translation Without Align 8.0分 前25% #语音翻译 25. PHALAR: Phasors for Learned Musical Audio Representatio 8.0分 前25% #音乐生成 26. Optimality of FSQ Tokens for Continuous Diffusion for C 8.0分 前25% #语音合成 27. SonicMaster: Towards Controllable All-in-One Music Rest 8.0分 前25% #音频修复 28. Do Audio LLMs Listen or Read? Analyzing and Mitigating 8.0分 前25% #语音属性识别 29. Multiple Choice Learning of Low-Rank Adapters for Langu 8.0分 前25% #多模态模型 30. Bridging the Stability-Expressivity Gap: Synthetic Data 8.0分 前25% #语音合成 31. FutureOmni: Evaluating Future Forecasting from Omni-Mod 8.0分 前25% #音视频问答 32. Acoustic Interference: A New Paradigm Weaponizing Acous 8.0分 前25% #音频理解 33. ReGen: Hierarchical Multi-Prompt Representation Generat 8.0分 前25% #语音编码 34. DiscoForcing: A Unified Framework for Real-Time Audio-D 8.0分 前25% #音乐生成 35. DreamID-Omni: Unified Framework for Controllable Human- 8.0分 前25% #音视频生成 36. AgentSteerTTS: A Multi-Agent Closed-Loop Framework for 7.9分 前25% #语音合成 37. STAR-VAE: Structured Topology-Aware Regularization for 7.9分 前25% #音频生成 38. HyperPotter: Spell the Charm of High-Order Interactions 7.9分 前25% #音频伪造检测 39. T2AV-Compass: Towards Unified Evaluation for Text-to-Au 7.9分 前25% #音视频生成 40. Decoupling The “What” and “Where” With Polar Coordinate 7.8分 前25% #音乐生成 41. V-LynX: Token Interface Alignment for Video+X LLMs 7.8分 前25% #音视频问答 42. Ariadne’s Thread of LipSync: Unraveling Forgeries via I 7.8分 前25% #音视频理解 43. SONAR: Spectral‑Contrastive Audio Residuals for General 7.8分 前25% #语音伪造检测 44. TMD-Bench: A Multi-Level Evaluation Paradigm for Music– 7.7分 前25% #音视频生成 45. AudioMosaic: Contrastive Masked Audio Representation Le 7.7分 前25% #音频分类 46. BFCL Audio: An Audio Function Calling Evaluation for La 7.7分 前25% #语音交互 47. SALSA-V: Shortcut-Augmented Long-form Synchronized Audi 7.6分 前25% #音视频生成 48. BEAT: Tokenizing and Generating Symbolic Music by Unifo 7.6分 前25% #音乐生成 49. From Inpainting to Editing: Unlocking Robust Mask-Free 7.6分 前25% #扩散模型 50. Hearing Without Noticing? Attention-Aware Stealthy Blac 7.6分 前25% #语音识别 51. AVGen-Bench: A Task-Driven Benchmark for Multi-Granular 7.6分 前25% #音视频生成 52. Alethia: a Foundational Encoder for Voice Deepfakes 7.6分 前25% #语音伪造检测 53. AG-REPA: Causal Layer Selection for Representation Alig 7.6分 前25% #语音合成 54. AVI-Bench: Toward Human-like Audio-Visual Intelligence 7.6分 前25% #音视频理解 55. Two-dimensional quantization for geometry-aware audio c 7.6分 前25% #语音编码 56. Abstraction Induces the Brain Alignment of Language and 7.5分 前25% #语音编码 57. Self-Guidance: Enhancing Neural Codecs via Decoder Mani 7.5分 前25% #语音编码 58. OmniVideo-R1: Reinforcing Audio-visual Reasoning with Q 7.5分 前25% #音视频问答 59. Listening Through the Noise: Cauchy-Driven Diffusion Br 7.4分 前50% #音频修复 60. MoshiRAG: Asynchronous Knowledge Retrieval for Full-Dup 7.4分 前50% - 61. Omni-Perception Policy Optimization for Multimodal Emot 7.4分 前50% #音视频理解 62. video-SALMONN S: Memory-Enhanced Streaming Audio-Visual 7.3分 前50% #音视频问答 63. Group Cognition Learning: Making Everything Better Thro 7.3分 前50% #音视频理解 64. REST: Diffusion-based Real-time End-to-end Streaming Ta 7.3分 前50% #音视频生成 65. PhoStream: Benchmarking Real-World Streaming for Omnimo 7.3分 前50% #音视频问答 66. ProactiveLLM: Learning Active Interaction for Streaming 7.2分 前50% #语音识别 67. Stream RAG: Instant and Accurate Spoken Dialogue System 7.2分 前50% #流式处理 68. Probing Cross-modal Information Hubs in Audio-Visual LL 7.2分 前50% #音视频理解 69. Efficient Multi-modal Dataset Distillation via Analytic 7.2分 前50% #对比学习 70. Self-Supervised Flow Matching for Scalable Multi-Modal 7.2分 前50% #音视频生成 71. CoCoEmo: Composable and Controllable Human-Like Emotion 7.1分 前50% #语音合成 72. Scaling Transformers for End-to-End Discrete Audio Toke 7.1分 前50% #音频编码 73. Query-Based Asymmetric Modeling with Decoupled Input–Ou 7.1分 前50% #语音增强 74. OmniSIFT: Modality-Asymmetric Token Compression for Eff 7.1分 前50% #音视频问答 75. Sparse Autoencoders for Interpretable Emotion Control i 7.0分 前50% #语音合成 76. The Silent Thought: Modeling Internal Cognition in Full 7.0分 前50% #知识蒸馏 77. Hidden in Plain Tokens: Simply Robust, Gradient-Free Wa 7.0分 前50% #音频水印 78. Efficient Distributed MLLM Training with Cornstarch 7.0分 前50% #音视频理解 79. Reasoning LLM Improves Speaker Recognition in Long-form 7.0分 前50% - 80. Real-World Unsupervised Models Generalize to Predict Br 6.9分 前50% #模型评估 81. From Talking to Singing: A New Challenge for Audio-Visu 6.9分 前50% #音视频理解 82. OmniShow: Unifying Multimodal Conditions for Human-Obje 6.9分 前50% #音视频生成 83. E-VAds: An E-commerce Short Videos Understanding Benchm 6.9分 前50% #音视频问答 84. STARCaster: Spatio-Temporal AutoRegressive Video Diffus 6.8分 前50% #音视频生成 85. Zero-Shot Rankability: Revealing Latent Ordinal Structu 6.8分 前50% #音视频理解 86. An Exterior Method for Nonnegative Matrix Factorization 6.8分 前50% #音频分类 87. FoeGlass: Simple In-Context Learning Is Enough for Red 6.8分 前50% #语音伪造检测 88. Native Active Perception as Reasoning for Omni-Modal Un 6.8分 前50% #音视频理解 89. Unlocking Speech–Text Compositional Powers: Instruction 6.7分 前50% #语音交互 90. UltraLIF: Fully Differentiable Spiking Neural Networks 6.7分 前50% #音频分类 91. Towards Streaming Synchronized Spatial Audio Generation 6.6分 前50% #音视频生成 92. TextME: Bridging Unseen Modalities Through Text Descrip 6.6分 前50% - 93. Evaluating and Rewarding LALMs for Expressive Role-Play 6.6分 前50% #语音合成 94. PADS-TAL: Padding-Annealed Diffusion Sampling in Text-A 6.6分 前50% #音乐生成 95. ADEPT: RL-Aligned Agentic Decoding of Emotion via Evide 6.5分 前50% #语音情感识别 96. Universal Algorithm-Implicit Learning 6.5分 前50% #音频分类 97. SARSteer: Safeguarding Large Audio Language Models via 6.5分 前50% - 98. MetaPerch: Learning from metadata for bioacoustics foun 6.5分 前50% #音频分类 99. Polyphonia: Zero-Shot Timbre Transfer in Polyphonic Mus 6.5分 前50% #音乐生成 100. CMI-RewardBench: Evaluating Music Reward Models with Co 6.4分 前50% #音乐生成 101. Multimodal Fact-Level Attribution for Verifiable Reason 6.4分 前50% #音频理解 102. MedMosaic: A Challenging Large Scale Benchmark of Diver 6.4分 前50% #音频理解 103. INFER: Learning Implicit Neural Frequency Response Fiel 6.4分 前50% #空间音频 104. Characterizing the Predictive Impact of Modalities with 6.4分 前50% - 105. PCRNet: Phase-aware Complex Refinement Network for EEG- 6.4分 前50% #实时处理 106. OmniFit: Bridging Modalities via Layer-Adaptive Token C 6.3分 前50% #音视频理解 107. EchoingPixels: Aliasing-Resistant Joint Token Reduction 6.3分 前50% #音视频理解 108. Quaternion Self-Attention with Shared Scores 6.3分 前50% #语音增强 109. LightAVSeg: Lightweight Audio-Visual Segmentation 6.3分 前50% #模型压缩 110. SURF: Separation via Unsupervised Remixing Flow 6.2分 前50% #语音分离 111. Neural-Inspired Modeling of Auditory Selection and Comp 6.2分 前50% #音视频语音分离 112. AuTAgent: A Reinforcement Learning Framework for Tool-A 6.2分 前50% #音频理解 113. Multimodal Latent Language Modeling with Next-Token Dif 6.1分 前50% #语音合成 114. FakeWorld 1.0: An Omni-modal Benchmark for Fake Media a 6.1分 前50% #可解释性 115. ConsMSA: Semantic Distribution Consistency Learning for 6.1分 前50% #多模态模型 116. MusicDET: Zero-Shot AI-Generated Music Detection 6.1分 前50% #音频伪造检测 117. Convex Low-resource Accent-Robust Language Detection in 6.0分 前50% #语音识别 118. NeuroCLUS: A Foundation Model with Functional Clusterin 6.0分 前50% #语音识别 119. Sparse Tokens Suffice: Jailbreaking Audio Language Mode 5.9分 前50% #模型剪枝 120. Scaling Behavior in Model Fine-tuning for Audio DeepFak 5.9分 前50% #音频伪造检测 121. Bioacoustic Geolocation: Species Sounds as Geographic S 5.8分 前50% #音频理解 122. AudioChat: Unified Audio Storytelling, Editing, and Und 5.8分 前50% #音频生成 123. Omni-Diffusion: Unified Multimodal Understanding and Ge 5.8分 前50% - 124. Robust Signal Enhancement via Fractional Detail Views a 5.7分 前50% #语音增强 125. Multimodal Fusion via Self-Consistent Task-Gradient Fie 5.5分 前50% #鲁棒性 126. NAACA: Training-Free NeuroAuditory Attentive Cognitive 5.5分 前50% #音频事件检测 127. Language Model Augmented Semi-Supervised Statistical In 5.4分 后50% #语音属性识别 128. MER-DG: Modality-Entropy Regularization for Multimodal 5.4分 后50% #音视频理解 129. Towards Understanding Modality Interaction in Multimoda 5.3分 后50% #音视频理解 130. Stable Spectral Copula Alignment for Robust Multimodal 5.2分 后50% #鲁棒性 131. Multimodal Meta-Verifier with Explicit Structured Recal 5.2分 后50% #多模态模型 132. WaveSSM: Multiscale State-Space Models for Non-stationa 4.8分 后50% #音频分类 133. Efficient, Property-Aligned Fan-Out Retrieval via RL-Co 4.7分 后50% #音乐检索 134. VIBE: Disentangling Social Dynamics via Kinematics-Info 4.6分 后50% - 135. UniFLoW: Universal Multi-Modal Federated LoRA Fine-Tuni 4.4分 后50% #音视频问答 136. Rethinking Attention in Spiking Transformers: Overcomin 3.6分 后50% #音频分类 137. PRIM：Cooperative Dynamic Token Compression for Efficien 3.6分 后50% #音视频理解 📋 论文列表 🥇 TimeChat-Captioner: Scripting Multi-Scene Videos with Time-Aware and Structural Audio-Visual Captions 🔥 9.4/10 | 前10% | #音视频理解 | 创新 1.7/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 影响 0.9/1.5 | 开源 1.5/1.5 ...

📄 The SLT 2026 SmartGlasses Challenge: Benchmarking Egocentric Multi-Talker Speech Recognition and Understanding with Audio-Language Models 标签：#语音识别 #语音大模型 #音频理解 #数据集 #基准测试 7.5/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.5/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：中 | #语音识别 | #语音大模型 | #音频理解 #数据集 | arxiv 👥 作者与机构 第一作者：Dehui Gao、Zhixian Zhao、Zhennan Lin（均为西北工业大学，ASLP@NPU 实验室；论文标注三人共同贡献） 通讯作者：Lei Xie（西北工业大学，ASLP@NPU） 作者列表： Dehui Gao（西北工业大学，ASLP@NPU） Zhixian Zhao（西北工业大学，ASLP@NPU） Zhennan Lin（西北工业大学，ASLP@NPU） Yujie Liao（西北工业大学，ASLP@NPU） Yuhang Dai（西北工业大学，ASLP@NPU） Yike Zhu（西北工业大学，ASLP@NPU） Longshuai Xiao（华为） Hui Bu（AIShell） Xin Xu（AIShell） Xie Chen（上海交通大学） Shuai Wang（南京大学） Liumeng Xue（南京大学） Zhonghua Fu（西北工业大学，ASLP@NPU） Jun Du（中国科学技术大学） Eng-Siong Chng（南洋理工大学） Jun Zhou（Rokid） Lei Xie（西北工业大学，ASLP@NPU） 💡 毒舌点评 这项工作最有价值的不是又刷了一个多说话人 ASR 榜单，而是用统一的 TSA-ASR 与 SLU 评测框架暴露出“转写好不等于理解好”的问题，尤其是 acoustic 类问题显著更弱。但作为 benchmark 论文，数据规模偏小、单语种且挑战参与者有限，系统分析也更像赛后总结而非严格受控实验，导致洞见有力但可泛化性仍需冷静看待。 ...

📄 Modeling and Interpreting Correlations, Null Distributions and Significance Levels in Neural Tracking of Natural Stimuli 标签：#音频理解 #可解释性 #理论分析 8.0/10 | 创新 1.4/2 | 严谨 1/1.5 | 实验 1.1/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1/1.5 🔥 8.0/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频理解 | #可解释性 | #理论分析 | arxiv 👥 作者与机构 第一作者：Simon Geirnaert（KU Leuven；论文给出两个机构标签：ESAT/Stadius信号处理与分析数据科学中心、神经科学系ExpORL，但未逐人标注对应关系） 通讯作者：未说明 作者列表：Simon Geirnaert（KU Leuven）、Alexander Bertrand（KU Leuven）、Tom Francart（KU Leuven）、Jonas Vanthornhout（KU Leuven）。机构信息：KU Leuven, Department of Electrical Engineering (ESAT), Stadius Center for Dynamical Systems, Signal Processing and Data Analytics；KU Leuven, Department of Neurosciences, ExpORL。具体作者与机构对应关系未逐人说明。 💡 毒舌点评 这篇论文把“神经跟踪相关不能直接跨特征比较”这个社区长期心照不宣的痛点变成了可操作、可复用的统计框架。四种置换检验各自隐含零假设的辨析非常到位，Fisher变换半参数空模型实打实省了算力，配套工具箱也让方法论可以直接落地。但“misalignment最合理”更多靠概念论证而非可证伪的比较；全程只有一个数据集、一个线性反向解码器，跨模态/跨模型的推广远谈不上被证明。总体是一篇会对EEG-语音追踪社区产生实际影响的方法学工作，但够不上范式级突破。 ...

📄 From Inaudible Inputs to Model Failures: Low-Frequency Safety Risks in LALMs 标签：#音频理解 #对抗训练 #音频大模型 #鲁棒性 #模型评估 7.4/10 | 创新 1.5/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.3/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ✅ 7.4/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频理解 | #对抗训练 | #音频大模型 #鲁棒性 | arxiv 👥 作者与机构 第一作者：Yuanhe Zhang、Weiliu Wang（共同第一作者；机构信息未完整披露） 作者列表：Yuanhe Zhang、Weiliu Wang、Jie Ren、Liang Lin、Zhenhong Zhou、Haoran Gao、Kun Wang、Chen Li、Li Sun、Sen Su 通讯作者：Sen Su（论文署名信息未给出完整机构映射） 💡 毒舌点评 ILL 把“人耳听不见但模型能感知”的低频输入明确为 LALM 的安全风险，并用黑盒通用波形在六个模型上验证了可迁移的破坏效果；DRG 的条件重录防御也有工程直觉。但攻击只在数字混音中评估，没有 over-the-air 实测，DRG 仅建模两类分布且要求用户重复录音，频移、调制变化和实时交互下的鲁棒性仍未证明。 ...

📄 VoxZip: Semantic-Anchored Temporal KV Cache Compression for Long-Context Audio Inference 标签：#音频理解 #模型压缩 #语音大模型 #长音频处理 #高效推理 7.7/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频理解 | #模型压缩 | #语音大模型 #长音频处理 | arxiv 👥 作者与机构 第一作者：Wenxu Jia（浙江大学，并署名美团上海） 通讯作者：未说明 作者列表： Wenxu Jia（浙江大学；美团上海） Dongjie Fu（浙江大学） Xize Cheng（浙江大学） Fangming Feng（浙江大学） Linjun Li（美团上海） Wenshi Chen（美团上海） Yingming Li（浙江大学） Zhou Zhao（浙江大学） Tao Jin（浙江大学） 💡 毒舌点评 VoxZip 用 ASR 文本当语义锚来压缩音频 token，思路直接且有效，能在 5% KV budget 下保住 91% 以上的长音频性能，工程价值突出。但论文对衰减注意力分数在缓存裁剪后的维护方式交代不清，且“直接相加文本与音频 embedding”这种跨模态注入缺少分布分析，更多是经验有效而非原理自洽。 ...

📄 A Study of ASR Adaptation and Representation Dimensionality Reduction in Persian Speech Emotion Recognition Using Whisper 标签：#语音情感识别 #语音大模型 #低资源 #领域适应 #音频理解 5.7/10 | 创新 1/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 📝 5.7/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音情感识别 | #语音大模型 | #低资源 #领域适应 | arxiv 👥 作者与机构 第一作者：Ali Shendabadi（未提供机构） 通讯作者：未说明 作者列表：Ali Shendabadi（未提供机构）、Parnia Izadirad（未提供机构）、Mostafa Salehi（未提供机构） 💡 毒舌点评 用 PCA 替代可学习投影层是一个务实且低成本的做法，确实省掉约 19.66 万额外参数，并报告了约 30% 的每轮训练加速。但实验设计并不干净：PCA 降到 512 维，而 FC 投影层降到 256 维，维度与方法两个变量同时改变，导致“PCA 更优”这一结论无法严格归因于降维方法本身。再加上没有跨数据集验证、没有显著性检验、没有代码或权重，“一致性提升”和 SOTA 结论都明显偏强。 ...

📄 AffectDF: The Most Comprehensive Benchmark for Speech Deepfake Detection against Emotionally Expressive Attacks 标签：#语音伪造检测 #基准测试 #语音合成 #语音转换 #音频理解 8.4/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.3/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1/1.5 🔥 8.4/10 | 前25% | 文档类型：数据集与基准 | 评分置信度：高 | #语音伪造检测 | #基准测试 | #语音合成 #语音转换 | arxiv 👥 作者与机构 第一作者：Aurosweta Mahapatra（Johns Hopkins University） 通讯作者：Berrak Sisman（Johns Hopkins University） 作者列表：Aurosweta Mahapatra（Johns Hopkins University）、Xiutian Zhao（Johns Hopkins University）、Shreeram Suresh Chandra（Johns Hopkins University）、Zihan Zhang（Johns Hopkins University）、Zongyang Du（Johns Hopkins University）、Ismail Rasim Ulgen（Johns Hopkins University）、Kong Aik Lee（Hong Kong Polytechnic University）、Nicholas Andrews（Johns Hopkins University）、Carlos Busso（Carnegie Mellon University）、Berrak Sisman（Johns Hopkins University） 💡 毒舌点评 AffectDF 在情感伪造攻击的覆盖广度上确实做出了有分量的贡献：21种攻击、约260小时、五种情绪、同时含表演性与自发性语音，直接填补了现有情感伪造基准规模小、攻击范式单一的空白。但训练集仅有4个说话人、LALM微调只验证了Voxtral一个模型、所有EER均为点估计且无置信区间，基准的"全面性"尚未完全转化为结论的"稳健性"。更关键的是，“情感训练无法一致提升跨域鲁棒性"这一核心反直觉发现主要建立在少数模型的行为分歧之上，论文未能说明训练数据变化为何会反转表演/自发风格的难度方向。 ...

📄 Beyond Residual Connections: Manifold-Constrained Hyper-Connections for Robust Speaker Representation Learning 标签：#说话人验证 #CNN #音频理解 #Transformer #模型评估 6.0/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.9/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 6.0/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #说话人验证 | #CNN | #音频理解 #Transformer | arxiv 👥 作者与机构 作者列表为 Zezhong Jin、Xiaoyu Wang、Zhe Li、Chong-Xin Gan、Zilong Huang、Man-Wai Mak、Kong Aik Lee。论文脚注列出的单位有三个：1. 香港理工大学电子及资讯工程学系（Dept. of EEE, The Hong Kong Polytechnic University）；2. 百度（Baidu Inc.）；3. 香港大学言语、语言与认知实验室（Speech, Language, and Cognition Laboratory, The University of Hong Kong, Hong Kong SAR）。论文正文未逐位标注作者与单位的对应关系；第一作者 Zezhong Jin 的邮箱 zezhong.jin@connect.polyu.hk 可确认其属于香港理工大学。通讯作者信息未披露。 ...

📄 Decolonizing Linguistic Policies in Automated Speech Recognition: A Framework for Cross-Culturally Competent Speech AI 标签：#语音识别 #Transformer #低资源 #多语言 #音频理解 7.8/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 0.6/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.8/10 | 前25% | 文档类型：理论研究 | 评分置信度：中 | #语音识别 | #Transformer | #低资源 #多语言 | arxiv 👥 作者与机构 第一作者：Jay L. Cunningham（DePaul University, School of Computing, RAISE Lab, USA；jcunni37@depaul.edu） 通讯作者：未标注 作者列表： Jay L. Cunningham（DePaul University, School of Computing, RAISE Lab, USA；jcunni37@depaul.edu） Mark Atta Mensah（York University, Electrical Engineering and Computer Science, Canada；mamensah@yorku.ca） Richard Martinez（Independent Researcher, USA；martinezrichardme@gmail.com） João Vieira da Silva Neto（DePaul University, School of Computing, RAISE Lab, USA；jvieirad@depaul.edu） Efi Dawodu（DePaul University, School of Computing, RAISE Lab, USA；edawodu@depaul.edu） 💡 毒舌点评 一篇题为“去殖民化”的论文，落地时却几乎全靠概念装置：七层模型、3M伤害分类、四支柱框架，术语琳琅满目，唯独缺少作者自己承认的那个东西——实验。通篇以“殖民语言等级”“结构暴力”为批判矛头，但给出的药方是一个“最低审计协议”式的未来待办清单；没有新架构、没有基准、没有代码，甚至连一个示范性审计都没有。用它自己的话说，这是“诊断地图”，可地图画得再细，不迈出一步也到不了任何地方。更讽刺的是，论文批评WER意识形态，却拿不出任何替代性的量化验证；批评北美机构特权，却由北美大学机构和独立研究员用英语发表。5.1分不算冤枉：批判性有余，而工程与验证几乎缺席。 ...

📄 Diff-Symbo: Text-Controlled Long-Duration Symbolic Music Generation Using Autoregressive Latent Diffusion Model 标签：#音乐生成 #扩散模型 #自回归模型 #数据集 #音频理解 6.5/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.1/0.5 | 工程 1/1.5 ✅ 6.5/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐生成 | #扩散模型 | #自回归模型 #数据集 | arxiv 👥 作者与机构 第一作者：Zhiwei Lin（未说明） 通讯作者：未说明 作者列表：Zhiwei Lin（未说明）、Jun Chen（未说明）、Boshi Tang（未说明）、Weihao Wu（未说明）、Jing Yang（未说明）、Yaolong Ju（未说明）、Fan Fan（未说明）、Zhiyong Wu（未说明） 备注：论文正文仅标出作者上标编号 1、2、3，未给出机构名称。 💡 毒舌点评 把 LDM 与自回归潜在上下文拼接结合来解决长程符号音乐生成，思路自然，且客观指标确实优于已有基线；但代码和模型权重均未公开，上下文模块没有做有/无的独立消融，长时长实验只验证到 32 小节，论文却宣称能生成“数分钟”一致音乐。这些 claim 目前主要靠 demo 和少量表格背书，审稿人无法直接复现验证。 ...