音频理解

📄 Agogic: Performance-Timed Music Tokens for LLM-Native Text-to-Symbolic-Music Generation 标签：#音频理解 #Transformer #模型评估 7.9/10 | 创新 1.5/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ✅ 7.9/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频理解 | #Transformer | #模型评估 | arxiv 👥 作者与机构 作者列表：Junhao Chen、Mingjin Chen、Jingjia Mao、Lin Chen、Saining Zhang、Minglin Chen、Ruocheng Wu、Liaoyuan Fan、Wenyi Li、Mingju Gao、Henghaofan Zhang、Zhihao Li、Hao Zhao、Yufei Wang、Ruqi Huang。 通讯作者：Yufei Wang、Ruqi Huang。 机构信息：论文原文未披露机构名称。 ...

📄 AudioScape-TTA: A Structured Soundscape Benchmark for Fine-Grained Text-to-Audio Evaluation 标签：#音频生成 #多模态模型 #大语言模型 #音频理解 #Transformer 6.8/10 | 创新 1.5/2 | 严谨 0.8/1.5 | 实验 1.1/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1.2/1.5 ✅ 6.8/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #音频生成 | #多模态模型 | #大语言模型 #音频理解 | arxiv 👥 作者与机构 作者列表（按原文署名顺序）：Jinting Wang、Yuguang Yang、Shengyu Li、Yan Rong、Shan Yang、Xiaoda Yang、Li Liu。 第一作者：Jinting Wang（机构编号 1，机构名称原文未给出）。 通讯作者：原文未标注。 机构编号：1、2、3 对应不同单位，但具体机构名称在可见原文中未说明。 💡 毒舌点评 该工作把“结构化声景表示 + 复杂度感知分层 + rubric 细粒度验证”组合成一个可操作的 TTA 评测协议，方向正确且工程化程度较好，弥补了纯 CLAP 相似度无法定位语义失败的缺陷。但当前作为 benchmark 论文却通篇不提自有代码、数据集、评测脚本或发布计划，核心产物完全不可获取。更严重的是，语音内容指标 SCCA@0.60 只做顺序无关的词/字覆盖率剪枝匹配，不惩罚语序错误和额外转录内容，且多数通用模型在此维度得分为零，区分度和解释力都有限。 ...

📄 C^2MOE: Consistency and Complementarity-guided Mixture of Experts for Incomplete Multimodal Emotion Learning 标签：#音视频理解 #多模态模型 #音频理解 #Transformer #模型评估 4.1/10 | 创新 1.2/2 | 严谨 0.3/1.5 | 实验 0.8/1.5 | 清晰 0.4/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.5/1.5 📝 4.1/10 | 后50% | 文档类型：方法研究 | 评分置信度：中 | #音视频理解 | #多模态模型 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：Yuntao Shou（Central South University of Forestry and Technology；邮箱后缀为 xjtu.edu.cn，与署名机构不一致，原文未解释） 通讯作者：未说明 作者列表：Yuntao Shou（Central South University of Forestry and Technology）、Tao Meng（Central South University of Forestry and Technology）、Wei Ai（Central South University of Forestry and Technology）、Keqin Li（State University of New York, New Paltz, USA；另附“Xi’an, China”但机构名未说明） 💡 毒舌点评 把一致性拆给一个专家、互补性拆给另一个专家的MoE思路是有嚼头的，且实验覆盖了特定缺失与随机缺失两种设置，工作量值得肯定。但核心信息论目标是自相矛盾的：一致性专家在最小化条件熵的同时又在最大化边缘熵，这在理论上并不自洽；互补预测采用最大化重构误差，实际会鼓励输出偏离真实分布。加上公式编号大面积重复、表2中多个基线数值在不同缺失率下完全相同、关键训练细节与图结构定义缺失，当前版本只能算一份不成熟的工作稿。 ...

📄 Equivariant Music Transformer 标签：#音乐生成 #知识蒸馏 #Transformer #音频理解 #模型评估 8.6/10 | 创新 1.4/2 | 严谨 1.5/1.5 | 实验 1.2/1.5 | 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 🔥 8.6/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音乐生成 | #知识蒸馏 | #Transformer #音频理解 | arxiv 👥 作者与机构 第一作者：Zixun Guo（论文正文未给出完整作者栏；致谢表明其为UKRI Centre for Doctoral Training in Artificial Intelligence and Music博士生，结合伦理审查单位推断为Queen Mary University of London） 通讯作者：未说明 作者列表：Zixun Guo、Simon Dixon（其中Simon Dixon依据现有元数据；所给论文正文中未出现完整作者名单，无法从文本独立确认） 💡 毒舌点评 论文最有价值的贡献是一个反直觉且可复现的实证发现：标准音乐Transformer的等变性不会随规模扩大和训练步数增加而涌现，反而持续退化。EMT用共享权重的辅助分支做自蒸馏，在分布空间直接施加等变约束，方法简单、动机清晰，且在内部消融、外部基线对比和听感测试中都给出了一致验证。问题是训练关键超参数披露不足，batch size和内部模型训练步数均缺失；外部基线在数据、架构、tokenization上与内部模型不完全可比；Top-1/Top-5等变指标又和训练时的KL散度目标高度同源，削弱了“等变正则化全面提升生成能力”这一强声明的独立性。建议作者公开完整训练配置和推理采样参数。 ...

📄 Helping Music Co-Creation Agents ‘Listen’ Well: Hierarchical Self-Supervised World Models for Understanding and Generation 标签：#音乐理解 #自监督学习 #音乐生成 #Transformer #音频理解 7.1/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐理解 | #自监督学习 | #音乐生成 #Transformer | arxiv 👥 作者与机构 第一作者：Scott H. Hawley（Belmont University, Department of Chemistry & Physics） 通讯作者：未说明 作者列表：Scott H. Hawley（Belmont University, Department of Chemistry & Physics） 💡 毒舌点评 论文把“AI 音乐制作人”这种偏产品化的愿景落成一个可验证的自监督符号音乐表征系统，有一个明确且自洽的工程约束：CPU 上也要能实时给出建议。方法上没有范式级突破，但“层级 Swin V2 + JEPA 式目标 + 软因子分解 + 像素空间流匹配”的组合在音乐领域有一定区分度，层级探针结果也基本支撑“时间尺度→表征层级”的核心隐喻。问题在生成侧：只有像素 F1、掩码区密度恢复和延迟指标，没有任何听感、音乐性或用户层面验证，也没有与任何现有音乐生成模型对比，因此“AI Rick Rubin”的生成价值只能算被演示，尚未被证明。此外，探针报告的“最佳层级”是在事后从多个层级中选出的，未做多重比较校正，证据强度偏弱。 ...

📄 InvFlowFD: Reference-Free and Background-Set-Free Perceptual Music Quality Metric with Flow Matching Inversion 标签：#音频质量评估 #流匹配 #音频理解 #Transformer #模型评估 6.4/10 | 创新 1.4/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.7/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 6.4/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频质量评估 | #流匹配 | #音频理解 #Transformer | arxiv 👥 作者与机构 第一作者：Alon Ziv（未说明） 通讯作者：未说明 作者列表：Alon Ziv（未说明）、Harel Pogoda（未说明）、Yossi Adi（未说明） 💡 毒舌点评 把无条件 Flow Matching 反演终点与标准高斯先验之间的距离当成质量探针，确实干净地甩掉了 FAD 类指标对 background set 的依赖，这个观察值得肯定。但论文只在 JASCO 一个骨干上验证，基线只直接对比 FAD，8 人 400 对 pairwise 回答就要支撑 r=0.73 级别的结论，没有置信区间、显著性检验和 rater 一致性，统计证据过于单薄。更遗憾的是 InvFlowFD 自身的代码和工程封装一概未给，StabilityFlow 的时间索引也明显不对称且未解释，否则这个评估范式的可复现性和工程价值会高很多。 ...

📄 Masked diffusion enables coherent beat tracking 标签：#音乐理解 #扩散模型 #模型集成 #多任务学习 #音频理解 6.5/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 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 ✅ 6.5/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音乐理解 | #扩散模型 | #模型集成 #多任务学习 | arxiv 👥 作者与机构 第一作者：Francesco Foscarin（未说明机构） 通讯作者：未说明 作者列表：Francesco Foscarin（未说明机构）、Filip Korzeniowski（未说明机构）、Richard Vogl（未说明机构） 💡 毒舌点评 把 masked diffusion 从语言/图像生成迁移到节拍追踪，并用“双通道独立掩码+平衡反掩码+步间峰值拾取”解决事件稀疏、类不平衡与相邻伪峰问题，方向很漂亮，GTZAN 上无 DBN 条件下全面超过 Beat This 和 Gagneré ST-BCE，也让“连贯性”从口号变成了可测结果。但公开评测几乎只有 GTZAN 一个数据集，且三个关键设计没有做独立的组件级消融；与 SOTA 的对比数值又取自原论文而非统一重测，结论的普适性和归因强度仍显不足。 ...

📄 MERaLiON-GR: Speech Gender Recognition Model for English and SEA Languages 标签：#语音属性识别 #LoRA #多语言 #预训练 #音频理解 7.5/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ✅ 7.5/10 | 前25% | 文档类型：模型报告 | 评分置信度：中 | #语音属性识别 | #LoRA | #多语言 #预训练 | arxiv 👥 作者与机构 第一作者：未说明。论文按 MERaLiON Team 字母顺序署名，无法据此认定第一作者。 通讯作者：Qiongqiong Wang（wang_qiongqiong@a-star.edu.sg） 作者列表（论文 Section 8，字母序）：Aw Ai Ti、Chen Fang Yih Nancy、Chiu Ying Lay、Ding Yang、He Yingxu、Jiang Ridong、Liu Zhuohan、Lu Yanfeng、Ma Yi、Muhammad Huzaifah Bin Md Shahrin、Nabilah Binte Md Johan、Nattadaporn Lertcheva、Pham Minh Duc、Sailor Hardik Bhupendra、Siti Umairah Binte Mohammad Salleh、Sun Shuo、Tarun Kumar Vangani、Wang Qiongqiong、Wong Heng Meng Jeremy、Wu Jinyang、Zhang Longyin 机构：Institute of Advanced Intelligence and Computing (IAIC), A*STAR, Singapore 💡 毒舌点评 把 LoRA 微调的大 Conformer 与 ECAPA-TDNN 下游网络拼起来做性别识别，系统集成和评测覆盖度确实比一般任务报告完整，模型权重和 demo 也开放了。但方法本身没有提出新的学习范式或模型模块，缺少消融、缺少统计显著性检验、缺少模型规模与推理效率数据，训练数据和内部评测集也不开放。所谓“consistent surpasses SOTA”实际是 15 个测试集上 12 胜、1 平、2 负，只能算限定条件下的工程优势，不能被视为方法层面的突破。 ...

📄 Modality Agreement- and Conflict-Aware Prototype Hypergraph Learning for Multimodal Intent Understanding 标签：#音频理解 #图神经网络 #对比学习 #Transformer #模型评估 5.5/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 0.6/1.5 📝 5.5/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音频理解 | #图神经网络 | #对比学习 #Transformer | arxiv 👥 作者与机构 第一作者：Mohnish Raj（论文署名第一位；机构未说明） 通讯作者：Soumi Chattopadhyay（论文标注通讯作者；邮箱为 soumi@iiti.ac.in；但正文作者列表拼写为 Soumi Chattopadhayay，与通讯邮箱拼写不一致；机构未说明） 其他作者：Suraj Kumar、Chandranath Adak、Ayan Dutta（机构均未说明） 论文状态：原文标注 “This work has been submitted to a prominent venue for possible publication”，属于投稿中稿件。 💡 毒舌点评 把 agreement/conflict 从“融合的副产品”提升为“可跨样本共享的结构化交互表示”，并用原型超图实现，这个重构意图是清楚的，主实验在多数指标上也超过 HIER 等强基线。但 conflict 分支本质上只是“逐元素绝对差 + MLP + 原型精炼”，层次越高冲突建模越弱，到 trimodal 层甚至直接消失；MELD-DA 上 macro F1 反而低于 HIER，原文“所有指标均最佳”的说法站不住。更令审稿人不满的是，GitHub 链接只写着“Appendices are provided”，根本不是可运行代码，复现只能靠正文之外的附录猜谜。 ...

📄 OmniPack: Unified Token Compression for Efficient Omni-modal Large Language Models 标签：#音视频理解 #模型压缩 #音频理解 #Transformer #模型评估 7.7/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ✅ 7.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音视频理解 | #模型压缩 | #音频理解 #Transformer | arxiv 👥 作者与机构 作者列表：Wanshun Su, Yang Shi, Feihu Liu, Ziwen Yu, Yan Min, Zhuoran Zhang, Qixun Wang, Haotian Wang, Shixuan Liu, Yuanxing Zhang, Peng Wu, Chengfu Huo, Liang Ding。 标注信息：Wanshun Su 与 Yang Shi 为共同一作；Peng Wu 与 Liang Ding 为通讯作者。 机构信息：1. Northwestern Polytechnical University；2. Peking University；3. Alibaba Group；4. Tsinghua University。 开源链接：https://github.com/RowanSu/OmniPack ...