音频理解

该研究以 LibriVox 8854 本单人英文有声书为对象，用 129 维声学向量建模浏览率四分位与同书组内排序，发现声学信息在控制书名后仍有稳健关联，但全局伪 R 方仅 0.09 且效应量小，组合类型信息后分类准确率最高 0.35。

论文追问音频越狱成功是认不出有害意图还是认出后未触发拒绝，用逐层探测定位到后者并提出中层风险门控加后层安全适配的先检测后干预方法，在六个大音频语言模型和三类异构音频越狱上把平均不安全率从 17.9% 降到 0.4%，代价是良性过拒绝平均上升 6.3 个百分点。

针对语音语言模型偏向语言先验而忽视声学证据的问题，CAAD 用元数据锚定的伪真值同步生成教师双路径对比分布并蒸馏给单路径学生，在 Dynamic-SUPERB 上相对标准蒸馏提升约 8% 并在 MCR-BENCH 上把 Shift 降到 79.03，代价是仍需调对比权重 α 并受限于小模型自身能力。

该研究用先启动后内隐联想测验的方法检验音高与体型的象似联想是否可被暂时加强或抑制，最强证据是趋同启动显著增强一致性效应而发散启动削弱它，代价是无法分离音高与情感内容各自的启动贡献且效应受听者与发声者性别调节。

该文针对大音频语言模型的样本级成员推断提出先用多模态盲基线排除分布偏移再审计的流程，发现在分布匹配的数据上攻击降到接近随机，而残余信号只在特定人声与特定文本配对时出现，但跨数据集的高分主要由录音与切分差异带来。

针对合成器反演中合成配对训练与真实录音测试不匹配的问题，论文用参数与音频双时间轴的联合流匹配统一条件与边缘建模，并用部分加噪条件推理改善真实音频重建，代价是真实无标注音频带来的额外增益很小且评价仍依赖重建距离。

针对端到端语音大模型相对文本模型在推理与指令任务上的退化，论文提出跨模态同策略蒸馏 X-OPD，让学生在语音与文本上自己采样再由文本教师做 token 级打分，最强证据是 Qwen3-Omni-A3B 语音平均下降从 11.29% 降到 3.43% 且 MMAR 保持在 69% 以上，代价是需要严格语义一致的平行语音文本对与在线教师打分开销。

论文用典型相关分析和留一组合重构检验冻结的 Wav2Vec2、HuBERT 和 CLAP 能否把未见声源组合表示成各声源贡献之和，最强证据是 CLAP 在 FSD50K 重复保持组合上同时超过置换与标签重叠基线，但三者都存在不可忽略的重构残差。

针对音频语言模型能懂语义却听不准声学细节的问题，EvoAudio 用当前模型的弱项决定下一轮练什么、工具合成波形保证答案可验证、GRPO 训练加留出集晋级做 13 轮递归进化，最强证据是五个不同骨干平均最高且总体最高提升 6.3 点，代价是工具覆盖不到的语义文化推理提升有限且后期收益变平。

针对语音模型泛化不到环境音、频谱模型保不住语音时序的问题，JASPER 在共享 Transformer 上联合预测时域伪标签与频域块标签，原文报告 2000 小时下平均准确率 81.74% 与 XARES-LLM 两轨 0.66 和 0.50 的领先均值，但频谱权重极偏向 0.01 且推理仍只用波形输入。

MoSAT 针对空间音频加文本联合驱动人体动作的新任务，用运动 VAE 压缩加变换器流匹配分层融合条件，在 STAM 联合评测中对齐与分布质量占优，但强噪声与模态错位时仍会退化。

该文用统一指令微调框架比较连续特征与离散口令在语音声音音乐理解任务上的表现，显示语义约束与多域预训练决定效果而扩大语言模型不能弥补前端信息损失，代价是连续特征训练更慢而重建型编码保真高但理解弱。

该研究把双耳声波形直接映射为连续高采样率脑电，用约 250 小时异构数据训练一个因果编码器解码器，并在并行脑干响应、语音时间响应函数与双耳交互成分三类范式上复现了已知的形态与刺激依赖效应，但串行呈现幅值与部分响应幅度仍存在系统性偏差。

针对多编码器大音频语言模型靠直觉或穷举选编码器的问题，论文提出只用单编码器成绩算类别级与任务级相关性的 CUES 规则，在 XARES-LLM 上 Track A 选出三编码器提升 4.3% 而 Track B 主动只留双编码器提升 6.3%，代价是选择依赖开发集打分且仅在单 135M 骨干上验证。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

本文沿录制、测量与可视化三条动作重走从奥斯特电磁实验到爱迪生留声机、利萨如与柯尼希与亥姆霍兹光学装置、再到长笛与管风琴羽管键琴类比与斯特鲁伊肯单弦测听计的链条，最强证据是可用装置参数与操作步骤的原文对应，代价是它不提供可运行的定量比较实验与误差统计。

该研究用口语词云重组任务检验形容词长度与介词短语类型对法语形容词前置率的影响，最强证据是长形容词主效应系数 -2.29 且名词补语与动词补语都提升前置率，代价是韵律模式仍在分析中且样本限于双音节名词与特定音节组合。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

该研究以约 80 分钟职业普通话脱口秀 64 个笑话检验笑点前停顿时长是否系统性拉长，并用 20 个陌生笑话各合成 5 种停顿时长检验听众好笑度评分，最强证据是笑点前停顿显著长于基线约 157 毫秒而感知端五条件无显著差异，代价是结论只在保留语义的音频单线索操纵下成立。