论文解读
听见是谁在说：用反事实声纹逼语音模型从猜文本回到听声音
说话人日志 | 7.0/10
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
1500 个音频 token 真的都需要吗？用等间隔抽样戳破 Whisper 的时域冗余
语音识别 | 7.2/10
论文解读
文字答得滴水不漏，声音却露了怯：财报电话会里的双重规避
语音情感识别 | 6.2/10
论文解读
效果是效果，声音是声音：当表征必须同时记住与忘记内容
音频检索 | 8.0/10
论文解读
泛化失效有两种：能用标注买回的，和换什么表征也买不回的
音频理解 | 8.5/10
论文解读
长音频不是更长的短音频：AudioSpan 如何逼模型证明它真的听见了
音频理解 | 8.7/10
论文解读
同样的两段声音，为何转写稳得住、问答就垮掉？
音频理解 | 6.1/10
论文解读
咳嗽不是噪声：让对话智能体在轮次间听见呼吸
音频事件检测 | 6.4/10
论文解读
Omni 不等于会选：当模型被要求用对的模态回答
音视频理解 | 7.8/10
论文解读
别把中层热图当读心术：音频 LLM 的工作空间究竟替谁完成了推理
音频理解 | 6.6/10
论文解读
Don't Just Listen, Try Planning: Graph-based Retrieval-Generation Agent for Long-form Audio Meeting Understanding
音频理解 | 7.8/10
论文解读
EXAM²: Extending Audio Understanding in Multilingual and Multimodal Analysis
音频理解 | 8.7/10
论文解读
FireRedAudio: A General-Purpose Audio Language Model with Decoupled Continuous Representations for Understanding and Generation
音频理解 | 8.7/10
论文解读
Lost in Speech: Trilingual Spoken Hallucination Detection Across Audio and Transcripts
音频理解 | 8.2/10
论文解读
SonarLLM: A Native Sonar--Optical Multimodal Large Language Model for Underwater Perception
音频理解 | 8.0/10
论文解读
Speech-to-SOAP: End-to-End Summarization of Medical Dialogues: KIT@BeTraC 2026
音频理解 | 7.7/10
论文解读
Weakly Supervised Seafloor Segmentation for Seagrass Habitat Mapping in Side-Scan Sonar Imagery
音频理解 | 8.1/10
论文解读
Better Retrieval, Worse Robustness: How Multi-hop RAG Amplifies Upstream ASR Errors
音频理解 | 9.1/10
论文解读
MetaSICL: Globalizing Auditory LLMs for Underserved Speakers and Languages via Meta Speech In-Context Learning
音频理解 | 8.0/10
论文解读
MRMAD: A Multi-Round Multi-Audio Benchmark for Evaluating Acoustic Degradation Perception in Large Audio-Language Models
音频质量评估 | 8.9/10