论文解读
东南亚语音评测为何难做：长音频定位与低资源提示的双重缺口
针对 11 种东南亚语言语音理解评测缺失问题，论文构建 97,194 样本与 597 小时音频的 9 任务基准并统一双语提示与归一化，最强证据是时间定位与情感识别全面偏低且缅甸语等低资源提示落后英文可达 41 个百分点，代价是长音频覆盖过度与拒答等边界行为仍需专门处理。
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
证据分散且多解：用分角色辩论与淘汰赛留下更站得住的关系判断
针对从双人对话推断熟人与陌生人及具体熟人关系的问题，论文提出免训练的多角色辩论与竞争裁决流程，在同一过滤测试集上比较零样本与辩论基线，结构化交互在文本与音文结合上取得宏 F1 领先，但纯音频提升不稳定且多次调用带来更高推理成本。
论文解读
墙体遮挡下的分布式声学叙事：用拓扑图与几何提示补全多房间声场景
针对多房间中墙体遮挡导致单点麦克风观测碎片化的问题，论文用分布式麦克风的拓扑感知图融合与几何约束的冻结大语言模型推理将声学证据补全为物理一致的叙事，并在受控仿真中以三元组与空间一致性等指标验证其相对集中式基线的优势与代价。
论文解读
把海豚叫声当连续向量做渐进式对齐：高斯核替代离散打分的多序列比对
针对海豚发声时长伸缩与连续频谱难以直接比较的问题，论文将 ClustalW 的离散替换得分改为高斯核平均相似度并配合微调 Whisper 的 128 维嵌入做渐进式多序列比对，在成体攻击与幼体游戏攻击两类精细策展数据上以间隙结构与列方差等指标验证了对齐能恢复同步化爆脉冲等时序母题，但代价是领域适配与早停阈值仍需人工校准且过度拉伸会稀释时间分辨率。
论文解读
口吃与成人插话并存时，音频语言模型为何流畅却不忠实
论文在 22 名口吃儿童的 44 段朗读与访谈音频上用儿童专属摘要与三类蕴含判断对比端到端音频语言模型与 Whisper 与 Granite 转录后接文本大模型的级联基线，发现端到端能生成流畅且纯净的摘要但忠实度偏低且蕴含判断普遍偏向肯定类，口吃密度升高与成人干扰会进一步拉低保真度与矛盾类准确率。
论文解读
听错了才是听懂了？当大音频模型遇上人类幻听
音频理解 | 6.4/10
论文解读
会听不会定时：当大音频模型在 20 分钟里找不到那 2.7 秒
音频理解 | 6.9/10
论文解读
只记得你说了什么，却忘了你怎么说的：长程副语言记忆的缺口
语音情感识别 | 7.1/10
论文解读
长字幕为什么总在最后两层才说谎：用问答把数据、训练和推理锁在一起
音频字幕生成 | 6.8/10
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
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