音频生成

SimAuthor 把一次写出的仿真器当作可保留改写的对象，用标量搜索分数选改谁、用结构化差异报告指导改什么并复用机制库，在 100 次尝试内在六个心脏呼吸光电心电任务上提升分布相似度，但代价是约 3.8 倍词元开销且结论只在固定评估器和有限参考集下成立。

Smorph 用共享的结构信号锚定时间组织、再用插值权重混合音色端点，在三类渐变任务上以更保守的目标偏移为代价换来更稳的节奏与音高保持，并通过预计算音色网格实现可演奏的实时控制。

论文针对音频渐变轨迹是否在感知嵌入空间中又直又均匀的问题，提出与理想线性均匀轨迹比较的索博列夫距离，并用木材到金属的物理合成控制实验说明它能区分已有指标误判的非均匀与偏离路径情形。

针对新皮肤多事件音效补齐问题，论文用全量基础音频加已完成目标前缀与逐事件变换提示做潜在修复，在保持可运行基线对比下报告了重建误差下降与提示有效性，同时保留了对预言提示与时长先验的明确限制。

针对通用智能体能推理却做不出跨模态多产物的问题，论文用分层技能加声明式执行图与资产注册表做编排，在 UniM-90 上把两类宿主的输入支持率提到 100% 并把相对语义质量分提到 74.94 与 77.78，代价是依赖外部专家后端与显式建图验证。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

TinyAudio 针对十亿参数文本到音频系统难部署的问题，用 35M 单流 TA-DiT 加 32M 音频对齐文本编码器与 20M 解码器做流匹配生成，在 AudioCaps 上以 2.65 的 FAD 和 0.48 GB 峰值显存实现可比质量，一步版 TinyAudio-MF 则以质量下降为代价换取四核 CPU 实时生成。

针对语音语言模型多码本延迟交织与无分类器引导难以装入文本单流连续批处理的问题，该文用主辅分解加在片声学解码与条件加无条件配对同批共前向的办法，在单卡 H100 上报告最高 108×加速与保持 80% 非引导吞吐，代价是小模型先触及显存带宽墙与半精度下约 34 步后出现数值漂移。

针对长篇沉浸式音频故事中人声与角色错配和生成质量波动问题，AuDirector 用身份感知预制作加评论者主导的合成修正闭环与人工交互修订组织语音、音效和音乐，论文报告其在结构连贯、情感表达和声学保真上优于基线，但非语音多样性不足仍是代价与边界。

针对多尺度频谱损失对频率参数梯度无信息且纯频谱方法处理缺失基频困难的问题，该文用可微 CARFAC 听觉模型的稳定听觉图像提取音色归一化周期特征并结合最优传输距离做纯音音高匹配，在合成目标上改善了梯度方向准确性，但计算开销约为常规损失 30 倍且真实人声仍困难。

针对参考无关文本生成音频评价中全局 CLAP 相似度与人评相关低的问题，ELSA 用大语言模型拆分声事件加语言查询分离加 Human-CLAP 分层打分，在四个基准上把与人评的秩相关显著提高，但绝对分值系统性偏低且未显式建模时序。

FreeSonic 针对文本引导音频编辑中时间一致性与背景保留难以兼得的问题，在冻结的 TangoFlux 上用反演加去噪、文本音频注意力取掩码与分阶段解耦做局部修改，主实验报告在增加、删除、替换上取得更优的保真与语义对齐，但删除类任务仍依赖噪声注入强度等任务相关超参数。

针对多事件缺失与时序颠倒问题，该工作用音频大模型分别核验事件存在与事件顺序来构造偏好对并做直接偏好优化，在 AudioCaps 与多事件叙事基准上提升联合指令跟随准确率，同时保持可比的音频质量与分布指标。

针对合成器声音匹配中通用音频表示难优化、直接搜索需反复渲染的问题，Synth-JEPA 学习音频与参数互相预测的联合嵌入并以此为免渲染目标做两阶段搜索，域内匹配最优且听感偏好达 85.1%，代价是 53M 模型与随预算增长的测试时计算。

该文把 FAD 评价拆成召回、精确度、语义对齐与结构对齐并用对数自归一化比较六种编码器，报告显示重建类 AudioMAE 精确度最敏感而 ASR 类 Whisper 结构最敏感但对信号退化近乎看不见，代价是没有任何单一编码器能同时兼顾四轴。

针对多声混合中同一类事件多次出现时难定点修改的问题，论文在稳定音频开放模型上加入参考区间与编辑区间加源事件掩码，用在线合成三元组训练加、删、换、移、延五类编辑，区域级 0.1 秒事件分数超过 80% 但搬移目标区波形失真仍更大。

针对音频大模型在噪声与细粒度混淆下的感知幻觉，RAISE 用免训练的三阶段路由加两种外部声学证据在 MMAR 与 MMAU 上带来最高 12.4 个百分点的提升，代价是被路由到的少数困难样本需承担 20 秒以上的工具与推理耗时。

针对文本到音频生成中离线偏好优化存在分布偏移且 CLAP 奖励过粗的问题，该研究把在线分组相对策略优化改造到流匹配模型上并用大音频语言模型的问答概率做奖励，在 470M 参数和 25 步推理下把 TTA-Bench 语义对齐推到 0.737 并把产生质量推到 6.064，代价是强化阶段每步需同提示采样 24 条音频并依赖问答式奖励模型。

该文针对一阶 Ambisonics 生成评估缺乏空间灵敏度理解的问题，沿可控方位角与俯仰角轨迹检验分布型与样本型指标，报告显示定位嵌入的 F-PSELD 与声学图 MVDR-AM 响应度最高且较稳健，而强度矢量在对称多源下退化，相位与幅度类指标响应不足。

针对参量阵扬声器非线性自解调难以建模的问题，论文把任务从音频到音频改为超声到音频并用多速率 WaveNet 实现，在同一 USBAM 样机上以总谐波失真与互调失真误差为指标优于同骨干音频输入网络与二阶 Volterra 滤波器，代价是需要 192 kHz 超声输入与同步采集条件。