预训练

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

该文以同一 Transformer 比较六种从纯音符到全量表达的切分方式，最强证据是渲染音频的 FAD 均值中音符加速度加踏板为 1.76、全量为 1.97，均优于纯音符基线的 3.10，而节拍标注平均未带来增益且代价是类别间波动大。

针对按乐器算跨曲相似时仅用曲内三元组会学到重复线索的问题，该工作在预训练中按 1:1 混入曲内相似与三种信号处理相似度构造跨曲三元组，再用少量 ABX 偏好微调，并在 Slakh 四种乐器上用感知一致率验证，最强的 LocalTS+FPs 组合在 Clean 与 Cascade 下都提升了乐器平均分，但不同乐器最优线索不同且分离误差会改变行为。

针对听诊设备、听诊位置和病人特征带来的系统性偏移，该研究用门控残差、FiLM、TAFiLM 和 SoftFiLM 四种元数据调制机制改造音频频谱 Transformer，在 ICBHI 上 SoftFiLM 取得 4 类 64.11% 和 2 类 72.40%，代价是全层调制与全量微调及额外掩码正则。

针对对比掩码自编码中随机可见块污染全局表示的问题，TG-DP 把重建与对比拆成两条掩码不同的前向路径并用全量教师做蒸馏与引导掩码，在 AudioSet 检索上把 R@1 从 35.2% 提升到 37.4% 和从 27.9% 提升到 37.1%，代价是每轮预训练时间从 730 s 增加到 1045 s 且推理前需丢弃教师分支。

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

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。

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。

该文以 WavLM 为骨干研究说话人日志，报告加权多层目标、10k 小时数据规模、Large 容量与 Conformer 切块调优带来可复现的 DER 下降，但 100k 小时与剪枝收益趋平且标注噪声限制可测改进。

针对同一说话人说多种语言时模型易依赖说话人特征走捷径的问题，该文采用在 VoxLingua107 上预训练的 ECAPA-TDNN 做编码器并比较 AAM-Softmax 与 RAM-Softmax，在 Tidy-X 上报告识别任务 85.95% 宏准确率与验证任务 16.39% 等错误率，最强证据来自与官方基线的同协议对照，代价是未充分优化未见语种验证与未 …

音乐转录 | 7.4/10

语音识别 | 4.7/10

音视频理解 | 9.4/10

音频事件检测 | 8.8/10

音频理解 | 8.8/10

音频理解 | 8.0/10

说话人验证 | 5.6/10

预训练 | 5.8/10