论文解读
SONAR: Self-Distilled Continual Pre-Training for Domain Adaptive Audio Representation
音频事件检测 | 7.0/10
领域适应
论文解读
SSVD-O: Parameter-Efficient Fine-Tuning with Structured SVD for Speech Recognition
语音识别 | 7.0/10
论文解读
Structure-Aware Diffusion Schrödinger Bridge
数据集对齐 | 7.7/10
论文解读
Synthetic Data Domain Adaptation for ASR via LLM-Based Text and Phonetic Respelling Augmentation
语音识别 | 8.0/10
论文解读
Teaching the Teachers: Boosting Unsupervised Domain Adaptation In Speech Recognition By Ensemble Update
语音识别 | 7.0/10
论文解读
Test Time Adaptation for Speech Emotion Recognition
语音情感识别 | 7.0/10
论文解读
The Impact of Audio Watermarking on Audio Anti-Spoofing Countermeasures
音频深度伪造检测 | 8.5/10
论文解读
The Synergistic Role of Audio and Large Video-Language Model in Source-Free Video Domain Adaptation
领域适应 | 7.0/10
论文解读
Towards Fair ASR for Second Language Speakers using Fairness Prompted Finetuning
语音识别 | 6.5/10
论文解读
Variational Low-Rank Adaptation for Personalized Impaired Speech Recognition
语音识别 | 7.5/10
论文解读
Vioptt: Violin Technique-Aware Transcription from Synthetic Data Augmentation
音乐信息检索 | 6.5/10
论文解读
When Children Talk and Machines Listen: Toward an Interpretable Speech-Based Screener for Dutch Developmental Language Disorder
语音生物标志物 | 7.0/10
论文解读
Whisper: Courtside Edition - Enhancing ASR Performance through LLM-Driven Context Generation
语音识别 | 6.5/10
论文解读
Prosody as Supervision: Bridging the Non-Verbal--Verbal for Multilingual Speech Emotion Recognition
语音情感识别 | 8.0/10
论文解读
Enhancing ASR Performance in the Medical Domain for Dravidian Languages
这篇论文旨在解决达罗毗荼语言（Telugu和Kannada）在医疗领域自动语音识别（ASR）中面临的标注数据稀缺和语言形态复杂两大挑战。其核心方法是提出一个“置信度感知训练框架”，该框架通过一个混合置信度评分机制（结合静态的感知、声学相似性、WER分数和动态的模型熵），对混合了真实与合成语音的训练数
论文解读
Enhancing Speaker Verification with Whispered Speech via Post-Processing
1. **问题**：耳语语音因缺乏声带振动，其声学特征与正常语音差异显著，导致现有的说话人验证系统性能严重下降。这在用户为保护隐私而低语、或因疾病无法正常发声等实际场景中构成挑战。 2. **方法核心**：在预训练的说话人验证骨干网络（ReDimNet-B6）之上，添加一个轻量级的编码器-解码器结构
论文解读
Tadabur: A Large-Scale Quran Audio Dataset
1. **问题**：现有的古兰经语音数据集在规模、诵读者多样性、音频质量和标注深度上存在严重不足，限制了古兰经ASR、诵读者识别等任务的研究进展。 2. **方法核心**：提出Tadabur数据集及其构建流水线。流水线核心是“古兰经经文对齐模块”（AAM），它结合WhisperX进行初步转录，再利用
论文解读
Tadabur: A Large-Scale Quran Audio Dataset
本文旨在解决古兰经语音研究领域缺乏大规模、多样化、细粒度标注数据集的问题。为此，作者提出了**Tadabur**数据集及其自动化构建流水线。该流水线首先从公共平台收集音频，并利用大语言模型（Gemini）从非结构化文本中提取标准化元数据（如章节、朗诵者）。核心步骤是**Ayah Alignment
论文解读
Prosody as Supervision: Bridging the Non-Verbal--Verbal for Multilingual Speech Emotion Recognition
这篇论文旨在解决低资源多语言语音情感识别（SER）中标注数据稀缺的核心瓶颈。作者提出了一个颠覆性的范式：**将SER重新定义为无监督的“非言语到言语”迁移问题**。其核心假设是，非言语发声（如笑、哭）中蕴含的韵律情感线索比言语更纯粹、更跨语言，因此可以作为更好的监督源。为此，作者设计了**NOVA-
论文解读
Contextual Biasing for ASR in Speech LLM with Common Word Cues and Bias Word Position Prediction
这篇论文旨在解决语音大模型（SLLM）在识别训练数据中稀有或未见的“偏置词”时性能不佳的问题。传统方法依赖于为偏置词提供精确的音素序列（通过G2P系统生成），但这对用户有专业要求且工具兼容性差。为此，