音频理解

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。

论文追问手势在新乐器与机器共创中如何被数据化与操控，提出以拉美赛博格主义重嵌社会语境，并以抗议分析、 telematic 拼贴与生态工作坊三例显示情境化方法的收益，其代价是缺乏可比指标与可复用系统评估。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

EMMA 从视频、音频与图表时间序列联合反推显式参数、隐式动力学与坐标不变量，在 75 个 Delfys 视频与 rover、无人机及仿真图表上给出可仿真验证的参数，并以约 1.4 倍于基线的单轮耗时换取多参数与隐式建模能力。

论文针对双算子 FM 同时估计载波与调制频率易陷局部极小的问题，提出把频率比约束在相邻低阶有理边界之间的多起点梯度优化，在 90 组受控合成测试中把成功率提高到 96.7%，代价是每个用例要并行跑 9 个候选且真值恰在边界上仍会失败。

Murzinograph 用三维确定性卷积自编码器把频谱图窗口序列压成三维加时间的轮廓轨迹，以牺牲精细重建为代价换取人可读的可视化，并在音乐、鸟鸣、鲸歌与约 2 小时的山谷田野录音上展示跨材料的一致性与社区解读价值。

针对从单条合成脉冲响应估计薄板六参数的逆问题，论文用 PyTorch 可微模态合成器加多尺度谱损失做推理时优化，以 500 次短探测加 1500 步精修的两阶段策略应对非凸，在 8 条响应上把平均归一化均方误差降到 4.29×10-3 量级，代价是平均每条约 13.42 分钟的优化时间。

该文冻结 LAION-CLAP 音频编码器，用线性、两层 MLP 和核岭回归三种探针在五类数据上回归 RT60、LUFS、频谱质心与相对音高，最强证据是非线性探针在全部属性上可靠恢复，而线性探针仅对 RT60、LUFS 和相对音高有效，代价是频谱质心需要非线性流形且相对音高方向高度依赖领域。

WildFX 针对 DAW 托管插件链缺乏成对音频与图标签的问题，用 REAPER 加容器化批量渲染生成带路由和参数标注的多轨数据，盲图估计实验显示浅层图比深层图更易估计但节点识别仍是主要失败模式，且受限于小规模插件库和短训练预算。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读