音频理解

该研究用 UniARC 框架在语音、声音、音乐三域对照连续特征与离散口令，发现语义约束而非离散与否决定理解性能，增大语言基座不能补偿前端信息损失，而离散表示收敛更快但高保真重建类编码器在语义任务上明显落后。

针对音频编码器在分类与理解任务上各有所长的问题，论文以 Whisper 保语音语义、Dasheng 补声学信息，用逐帧 softmax 门控残差融合加 STFT 支路做稳定骨干，对比隐式 LoRA 适配与显式残差解耦两种注入方式，最强证据是隐式在 Track-A 总体达 0.712 而显式在更多子任务登顶，代价是部分语音任务仍不如单编码器或基线。

针对多房间墙体遮挡导致单点听不清的问题，该研究用分布式麦克风加拓扑图融合提取时空特征，再用语义三元组加冻结大语言模型补全符合房型连通性的叙述，在受控仿真中完整框架三元组 F1 达到 0.87 且空间一致性达到 88.2%，代价是全过程仅在仿真中验证且依赖已知几何。

论文用混合访谈音频考查音频语言模型能否只总结儿童语义并保留口吃特征，最强证据是端到端模型在蕴含判断上偏向肯定类而级联基线用准确转写可恢复矛盾检测，代价是重度不流畅与成人干扰下忠实度明显下降。

针对音频预填充随主干增大而变贵与音频微调损伤文本能力的问题，论文用与主干同层数的窄卷积注入器直接生成层相关键值缓存，在冻结 Qwen3-0.6B 下以音频预填充激活参数从 1108M 降至 552M 为代价逼近微调基线，并用噪声旋转位置编码与键值尺度匹配解决长句泛化。

UG-Bench 针对大音频语言模型理解与生成割裂评价的问题，用解耦的四能力框架统一测 11 个开源大音频语言模型和 5 个专用语音生成模型，最强证据是 Qwen2-Audio 以 78.18 分居首而生成能力仍落后于专用合成模型，代价是中文标注样本不计入排名且生成只比平均意见分。

USAD 2.0 针对语音、通用音频与音乐教师失配问题，采用领域感知加权蒸馏先融合三个自监督专家，再用有监督专家做第二阶段对齐并以降帧率加深度扩展到 1036M 参数，在 HEAR、MARBLE 与 XARES-LLM 上取得可比或更优的可复述结果，代价是仍需依赖教师与领域标签且大模型推理成本上升。

该研究以 141 例哮喘受试者的后胸四部位常态呼吸音为输入，用短时傅里叶变换分频带计算呼气与吸气谱功率之比并取受试者中位数，再与肺量计 FEV1/FVC 做 Spearman 相关，最强证据是 100-200 Hz 和 200-400 Hz 在左下与左上部位呈现随年龄性别偏移的中等相关，而代价是相关系数仅 0.2-0.4 且多为组内趋势，不能替代肺量计。

针对推理大模型链式思考会暴露文本替代输入导致自生成目标不自然的问题，论文用同一冻结推理模型做两阶段自复述并冻结主干只训练音频适配与融合，在 6M 实例语料上使 4B 模型在 MMSU 推理与 MMAU 语音上达到开源最优，代价是推理时双路 50 Hz 特征与较长的思考重写开销。

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。