论文解读
声音没变意思却绕过拒绝：AJailBench 用语义守恒的信号扰动测大音频语言模型
针对大音频语言模型越狱评测只做文本转语音的问题，该工作先建 1495 条 10 类音频基线集，再用语义一致约束加贝叶斯优化组合时域频域混合扰动生成更强攻击，并在 7 个模型上报告攻击成功率等五项指标显示微小保义扰动仍显著降低安全性，同时以严格拒绝换可用性为代价。
音频理解
子标签
下方只统计已核验方向的论文记录，按已核身份去重，身份待核时按页面保留。“直接”只含明确标注该方向的论文；“含子树”同时包含下级方向。点击名称进入论文库继续筛选；数量与上方按标签名称收录的页面数不同。
论文解读
从认出任务到学出规则：AudioICL-Bench 把音频上下文学习拆成感知与操作两轴
该文用每幕重采样的九任务诊断音频任务学习，显示最强模型在非语音模式绑定上可学、但在时长测量与多规则组合上崩溃，而代价是人工构造任务与小样本精确匹配评估的生态距离。
论文解读
转写之外还要听见什么：用统一音频模式补上感知的短板
论文把自动语音识别为中心的监督视为感知弱的原因，用转写、副语言、非语言事件三部分的结构化统一音频模式组织监督，在保持推理的同时把 MMSU 感知从 44.8% 提升到 55.7%，代价是需要多阶段对齐与合成标注的质量控制。
论文解读
不只看文字：用时间轴重新定义音频章节切分
论文把音频章节切分从句子序列搬到时间轴上，对比文本加声学特征、纯音频 AudioSeg 与多模态大模型，报告 AudioSeg 在 YTSeg 上显著领先而停顿是最有效的手工特征，同时揭示长音频与多说话人下的衰减与评估不可比问题。
论文解读
从碎片到谱系：印度语言 NLP 资源为何要按任务重组
该综述把印度语言 NLP 按六大组十七个细粒度任务重组，用 200 余数据集、50 余评测和 100 余模型工具的覆盖来暴露语言与任务的不均衡，并以可核对的资源清单支撑后续复用。
论文解读
板混响能从声音倒推出物理参数吗：一次只用合成数据的参数估计挑战
该挑战用阻尼 Kirchhoff-Love 板仿真器生成全部脉冲响应，要求从波形倒推 6 个物理量或数千个模态三元组，结果是任务 A 可用大样本网络或大量正演搜索做到机器精度而任务 B 连模态增益都难以逐个恢复且频域复评会改变排名。
论文解读
声音太杂，一个投影器学不过来：用稀疏专家拆开梯度冲突
针对语音、音乐、环境声混在一起导致共享适配器梯度互相打架的问题，论文用稀疏混合专家适配器把音频令牌分流到不同专家，在总参数约 94.4M、激活约 70.8M 的受控预算下把 MMSU 音频准确率从 35.03% 提升到 38.19%、OBQA 从 50.10% 提升到 53.85%、MMAU 从 59.79% 提升到 61.50%，代价是需要负载均衡约束来维 …
论文解读
极点不动、留数会动：用三视图与饱和分裂收割密集平板模态
针对非归一化位移脉冲响应中数千个重叠平板模态难以逐个分辨的问题，该工作用匹配追踪锚定加原始与一阶二阶差分三视图子带自回归极点收割、饱和频带递归分裂与饱和指示补数，最后做全局岭最小二乘增益回填，其代价是相距不足 1 Hz 的邻近模态增益仍无法分离。
论文解读
不做频谱，直接读波形：用 CNN-GRU 从板混响脉冲响应反推六个可辨识物理参数
针对 DAFx 参数估计挑战 Task A 从未归一化位移脉冲响应恢复板混响物理参数的问题，论文用三层一维卷积加双向 GRU 的时域回归器直接预测六个可辨识参数，在 150 例开发测试集上以参数归一化均方误差 0.0499 优于粒子群优化基线的 0.0618，并把单条推理时间从 36.46 秒降到 1.10 秒，代价是面密度一项略差且最优检查点早在第 5 轮 …
论文解读
不靠模态先验，把波形表征和可算特征拼起来反推薄板参数
针对从位移脉冲响应反推六个可辨识薄板参数的任务，论文用预训练 CNN14 波形分支拼接 15 维物理启发特征做回归，在官方验证集上报告总体归一化均方误差 0.00362，代价是仍依赖合成数据与固定预处理条件。
论文解读
用自然语言搭脚手架学通用音频表示：对比学得快，生成式走得远
该文以聚合 10.7M 字幕的 CaptionStew 为试验床，在冻结编码器条件下比较对比学习与字幕生成两种目标，发现在判别任务上对比更数据高效而生成式随规模追赶更快，但有监督初始化的增益随规模衰减且声音事件检测出现反向扩展。
论文解读
真实现场压垮推理：RSA-Bench 用声学生态测出音频大模型的感知-认知断层
论文用四种真实声景按 1 到 4 个干扰源叠加构造十万级评测，报告高阶推理在户外强干扰下功能性崩溃而性别感知相对稳定，且常用去噪反而加重词错误率等代价。
论文解读
从一条脉冲响应反推钢板参数：用仿真样本直接学后验分布
该研究把板混响辨识做成仿真推断问题，用多分辨率频谱摘要加神经样条流学习六维参数后验，再对每条测试脉冲响应做三轮定向仿真微调，最强可部署策略把全局误差降到 0.47×10-3，代价是每条约 2.5 h 的推理微调成本。
论文解读
听声辨位：用可定位性把众包录音筛成组合推理考题
论文把音频地理定位做成音频语言模型基准，用四步声学过滤加正负类别加权的定位性分数筛出 1444 段录音，最强闭源模型仍只在部分样本上精确定位且高度依赖语言线索。
论文解读
先猜五维再对波形：可微合成与粒子群如何把板混响参数推到近乎完全恢复
任务是从脉冲响应估计六维板物理参数，方法用共享编码器先估计五个归一化参数再解析恢复面密度，合成匹配集上的精修使两条路线波形与参数误差都下降三个数量级以上，而粒子群路线参数误差低两个数量级以上，代价是每条脉冲响应数分钟的合成与优化开销且仅在匹配合成条件下验证。
论文解读
不用指令做音频任务：用注意力头掩码锁定大音频语言模型的功能通路
针对大音频语言模型对同义指令敏感而不稳定的问题，论文用只训练注意力头开关的声学注意力头掩码替代文本指令，在 7 个单任务和 ASR 与性别识别组合任务上达到与指令相当或更好的表现，代价是每个任务需单独训练一张掩码且掩码不可跨模型复用。
论文解读
把多模态 token 推迟送入：在中间层汇合为何能省算力
论文针对多模态 token 与文本从第 0 层共同走完全部语言模型层造成的算力负担，提出仅让文本走完全程而把多模态 token 直接送入中间层的 DeepInsert，并在视觉、音频、分子模态中显示第 4 层插入可持平基线，而更深插入可用可接受回落换取推理加速。
论文解读
不用自回归也能听懂语音：DIFFA 以冻结扩散模型加双适配器做理解
DIFFA 针对语音理解仍依赖自回归解码的问题，选择冻结 Whisper-small 与 LLaDA-8B-Instruct、只训练语义与声学双适配器的两阶段路线，在 960 小时 ASR 加 127 小时合成指令数据下 MMAU 平均 49.71% 与 MMSU 平均 56.04%，代价是音系与副语言细粒度感知仍弱于语义推理。
会议总览
eacl-2026 论文深度解读
共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读
论文解读
不只听清说什么：SCENEBench 考大型音频语言模型的背景声、运动、混语与喉头发声
SCENEBench 用合成叠加与受控变换构造背景声理解、噪声定位、跨语转写和发声特征四项任务，在五款大音频语言模型上报告自由回答与选择题准确率及本地延迟，发现模型偏向前景文字而系统性漏掉背景与运动线索。