高效推理

📄 Alignment Drift in Single-Model Speculative Decoding for ASR: Mechanism, Correction, and Cost 标签：#语音识别 #自回归模型 #高效推理 #多语言 7.3/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 ✅ 7.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #自回归模型 | #高效推理 #多语言 | arxiv 👥 作者与机构 第一作者：Xinyu Wang（机构未说明；论文给出邮箱 xinyu@boson.ai） 通讯作者：未说明 作者列表：Xinyu Wang、Huapeng Zhou、Ziyu Zhao、Silin Meng、Ke Bai、Dongming Shen、Xiao-Wen Chang、Alex Smola（机构均未明确标注） 💡 毒舌点评 这篇文章的真正贡献不是“投机解码能加速 ASR”，而是把 ASR 单模型投机解码的失败定位到了浅层草稿在无 target 干预期间丢失音频位置。它用 restart/continuation 分解、固定宽度窗口干预、验证注意力读出和 AnchorDraft 训练目标形成了一套机制证据链。短板是证据链部分依赖离线强制对齐 oracle，运行时修正在 clean 上净收益不显著，训练修正数据量小，且没有可访问代码、权重或 demo；因此方法价值大于直接可复现价值。 ...

📄 Edge Phoneme Recognition for Children’s Speech through Age-Aware Training 标签：#语音识别 #多任务学习 #低资源 #高效推理 #教育 6.3/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1/1.5 ✅ 6.3/10 | 前50% | 文档类型：模型报告 | 评分置信度：中 | #语音识别 | #多任务学习 | #低资源 #高效推理 | arxiv 👥 作者与机构 第一作者：Matthew Arboleda（Occidental College） 通讯作者：未说明 作者列表： Matthew Arboleda（Occidental College） Ryan Arboleda（Occidental College） Sophie Haak（Occidental College） Sam Hjelmeset（Occidental College） Andrew Franck（Occidental College） Bingrui Yang（Occidental College） Jose Bustamante Ortiz（Occidental College） Yuanrong Shen（Occidental College） Joel Walsh（Occidental College） 💡 毒舌点评 用小模型加年龄辅助头在儿童音素识别上取得了可观的 CER 收益，并且落地成手机端离线 App，是一个有实际价值的工程洞察；但论文实验深度明显不足，既没有给出盲测集上的精确 CER，也没有边缘设备的时延、内存和功耗实测，“年龄不变表征"的解释基本还是猜想。并且年龄头带来的收益只在 WavLM Base+ 上验证过，8–11 岁年龄段上 age-aware 模型反而明显差于 Large RNN-T，说明所谓的"年龄不变"可能只是在不同年龄段之间做了取舍。若能补上 WavLM Large 上的年龄头消融和真实手机端指标，会比现在更有说服力。 ...

📄 BAMU: Bitstream-Aware Marginal-Utility Allocation for Frozen Pretrained Neural Speech Codecs 标签：#语音编码 #CNN #端到端 #高效推理 7.1/10 | 创新 1.3/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音编码 | #CNN | #端到端 #高效推理 | arxiv 👥 作者与机构 第一作者：Mingyu Zhao（未说明） 通讯作者：未说明 作者列表：Mingyu Zhao（未说明）、Zijian Lin（未说明）、Yutang Feng（未说明）、Jiatao Chen（未说明）、Fan Wang（未说明）、Jiehui Luo（未说明）、Yuhao Ding（未说明）、Jinchao Zhang（未说明）、Zhiyong Wu（未说明） 说明：论文文本未提供作者所属机构信息。 💡 毒舌点评 BAMU 最值得肯定的是把“真实序列化容器字节数”而非名义平均码率作为分配约束，并给出了可解码位流的完整闭环；这在神经语音编码的工程落地中是有价值的问题意识。但它本质上仍是“帧级 marginal-utility 预测 + 预算分配”的组合，且没有与 VRVQ 或其他自适应分配方法直接对比，导致“优于固定深度”这一结论的说服力打了折扣。DAC 最低码率退化被如实报告，但作者没能提出有效补救，只归因于 latent-MSE 效用目标的局限。 ...

📄 Deferred Audio Pruning with Local Audio-Visual Dynamics for Omni-LLMs 标签：#模型剪枝 #多模态模型 #高效推理 #模型压缩 8.4/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8.4/10 | 前25% | 文档类型：方法研究 | 评分置信度：中 | #模型剪枝 | #多模态模型 | #高效推理 #模型压缩 | arxiv 👥 作者与机构 第一作者：Kyeongyoon Lee（标注机构1，论文未提供机构名称） 通讯作者：未说明 作者列表：Kyeongyoon Lee（机构1）、Hongyeob Kim（机构1）、Youngeun Kim（机构2）、Sungeun Hong（机构1） 说明：所有机构仅以编号形式出现，论文原文未给出机构名称。 💡 毒舌点评 把“何时压缩”和“压缩哪个模态”拆开处理是本文最值得肯定的洞察：音频保留到查询条件化之后再用 query attention 剪枝，确实比所有 pre-LLM 统一压缩更合理。短板也很明显：所有对比都限定在 training-free 方法，缺少与可学习压缩/蒸馏方案的对照；“code will be released upon acceptance”意味着当前无法直接核验实现细节。此外，全部实验只在 Qwen2.5-Omni 单一骨干上进行，跨架构泛化尚未验证。 ...

📄 omni-macos: On-Device Omni-Modal Search on Apple Silicon 标签：#音频检索 #多模态模型 #高效推理 #开源工具 #模型压缩 7.2/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ✅ 7.2/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #音频检索 | #多模态模型 | #高效推理 #开源工具 | arxiv 👥 作者与机构 第一作者：Han Xiao（Jina AI by Elastic，来自论文署名行） 通讯作者：未说明（论文未明确标注通讯作者） 作者列表：Han Xiao（Jina AI by Elastic） 💡 毒舌点评 工程完成度确实高，把“隐私、持续索引、交互延迟、统一内存预算”做成一个可运行的原生 macOS 系统，并且每个机制都给了跨五台机器的测量。但论文始终没有与任何既有检索系统做端到端质量对比，检索质量只靠“与自身 bf16 扫描的一致性”来间接说明，更像一份优秀的系统报告而非完整的检索研究。作为审稿人，我愿意接收为系统展示/工程论文，但不会把它当作检索质量或 SOTA 的证据。 ...

📄 SCoPE: Training-Free Audio-Visual Event Perception via Sparse Cross-Modal Prior Exchange 标签：#音视频理解 #测试时自适应 #零样本 #高效推理 7.1/10 | 创新 1.6/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 0.9/1.5 ✅ 7.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #音视频理解 | #测试时自适应 | #零样本 #高效推理 | arxiv 👥 作者与机构 第一作者：Jaemo Jeong（KAIST） Junho Yoon（KAIST） Hyunju Kim（KAIST） Dongman Lee（KAIST，通讯作者疑似） 论文提交日期：arXiv 2608.07923v1；全部作者均来自 KAIST 💡 毒舌点评 SCoPE 把“稀疏竞争 + 跨模态代价再分配”做成了一套完全训练-free 的推理框架，在三个基准上普遍带来增益且推理仅 3.16 ms/视频，这是实打实的贡献。但它的核心对比没有做到真正公平：LLP 上对标的是 AV2A 论文里报告的旧数字，测试视频数还差 15 条（1,109 vs 1,124），不是逐视频配对；OV-AVEBench 上自己复现的 AV2A 只有 33.14 Avg，比 OV-AVEL 低近 10 个点，论文却对 AV2A 为何在换基准后崩塌没有给出解释。更值得警惕的是，ASYM（单侧证据）事件提升只有 3.6 个点，Event@evt 甚至比 AV2A 低 0.16 个点（31.04 vs 31.2），说明跨模态先验主要利好双边、长时事件，对真正难的“只闻其声/只现其影”场景帮助有限。此外代码、权重、数据一个链接都没有，关键结果无法独立验证。 ...

📄 VoxZip: Semantic-Anchored Temporal KV Cache Compression for Long-Context Audio Inference 标签：#音频理解 #模型压缩 #语音大模型 #长音频处理 #高效推理 7.7/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.7/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音频理解 | #模型压缩 | #语音大模型 #长音频处理 | arxiv 👥 作者与机构 第一作者：Wenxu Jia（浙江大学，并署名美团上海） 通讯作者：未说明 作者列表： Wenxu Jia（浙江大学；美团上海） Dongjie Fu（浙江大学） Xize Cheng（浙江大学） Fangming Feng（浙江大学） Linjun Li（美团上海） Wenshi Chen（美团上海） Yingming Li（浙江大学） Zhou Zhao（浙江大学） Tao Jin（浙江大学） 💡 毒舌点评 VoxZip 用 ASR 文本当语义锚来压缩音频 token，思路直接且有效，能在 5% KV budget 下保住 91% 以上的长音频性能，工程价值突出。但论文对衰减注意力分数在缓存裁剪后的维护方式交代不清，且“直接相加文本与音频 embedding”这种跨模态注入缺少分布分析，更多是经验有效而非原理自洽。 ...

📄 Cloud-Boosted Low-Compute Multi-Channel Speech Enhancement 标签：#语音增强 #知识蒸馏 #多通道 #实时处理 #高效推理 6.0/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 6.0/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音增强 | #知识蒸馏 | #多通道 #实时处理 | arxiv 👥 作者与机构 第一作者：Xulin Fan（University of Illinois Urbana-Champaign, USA） 通讯作者：未说明（论文未标注通讯作者） 作者列表：Xulin Fan（University of Illinois Urbana-Champaign）、Juan Azcarreta（Meta Reality Labs Research）、Ashutosh Pandey（Meta Reality Labs Research）、Jesus Alvarez（Meta Reality Labs Research）、Ke Tan（Meta Reality Labs Research）、Jacob Donley（Meta Reality Labs Research）、Ritwik Giri（Meta Reality Labs Research）、Buye Xu（Meta Reality Labs Research） 💡 毒舌点评 把服务器端 SpatialNet 的延迟增强谱、中间层特征和空间统计量一起“搬”到边缘端，确实让 TinyGRU+MCWF 在合成低 SNR 测试集上获得 3.77 dB 和 3.49 dB 的 SI-SDR 提升，而边缘端参数只增加约 1.5%、计算量只增加约 2.4%，这个端云协作 pipeline 有工程启发。但实验基本局限于同一套 Pyroomacoustics 合成 RIR 与固定延迟仿真：没有与原始 Knowledge Boosting 直接对比，没有真实设备、动态网络延迟、丢包或带宽测试，也没有统计显著性检验。更刺眼的是 PESQ 没有随 SI-SDR 同步上升，完整模型的 PESQ 甚至低于中间消融配置。目前的结论更适合表述为“仿真环境下端云协作增强的可行性验证”，而非成熟的部署级方案。 ...

📄 PD-GS: Phoneme-Driven 3DGS for Audio-Driven Talking Heads 标签：#音视频生成 #多模态模型 #端到端 #高效推理 #可解释性 5.6/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1/1.5 📝 5.6/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音视频生成 | #多模态模型 | #端到端 #高效推理 | arxiv 👥 作者与机构 Ao Fu（ORCID: 0009-0006-9933-9240，邮箱：220232248@seu.edu.cn）：东南大学计算机科学与工程学院；新一代人工智能技术及其跨学科应用教育部重点实验室，南京，中国。 Yi Zhou（ORCID: 0000-0003-3021-3229，邮箱：yizhou.szcn@gmail.com）：东南大学计算机科学与工程学院；新一代人工智能技术及其跨学科应用教育部重点实验室，南京，中国。 论文发表于 Proceedings of the 34th ACM International Conference on Multimedia（MM ‘26），2026年11月10–14日，巴西里约热内卢。DOI: 10.1145/3767308.3835096。 💡 毒舌点评 把音素级离散语言信息和连续音频特征用门控融合注入 3DGS 说话头，确实打中了“漏嘴”（leaky mouth）和嘴部过平滑这一真实痛点；LFM 的可视化也让融合过程有了初步可解释性。但整体仍是对 per-person 说话头框架的组件级改进，而非范式级突破：所谓音素来自离线 ASR+强制对齐，且仅 2 个受试者的消融与跨数据集实验支撑一个高达 40 音素的词汇表，证据链偏单薄；代码权重一概未公开，可复现性近于零。把“phoneme-driven”的普适性说到太满之前，至少应给出多身份、多语言、对 ASR 噪音的鲁棒性分析。 ...

📄 ParaASR: Multi-Token Prediction for Fast and Long-Context LLM-Based Speech Recognition 标签：#语音识别 #自回归模型 #高效推理 #长音频处理 #大语言模型 6.7/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.7/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #语音识别 | #自回归模型 | #高效推理 #长音频处理 | arxiv 👥 作者与机构 第一作者：Qingjian Lin（StepFun， 上海） 通讯作者：Fei Tian（StepFun， 上海） 作者列表：Qingjian Lin（StepFun）、Yuxin Li（未说明）、Haoyang Zhang（未说明）、Jun Chen（未说明）、Yechang Huang（未说明）、Feng Tian（未说明）、Xie Li（未说明）、Xiangyu Tony Zhang（未说明）、Daijiao Liu（未说明）、Yuxin Zhang（未说明）、Jinglan Gong（未说明）、Bo Zhao（未说明）、Fei Tian（StepFun）、Xuerui Yang（未说明）、Gang Yu（未说明）、Xiangyu Zhang（未说明）、Daxin Jiang（未说明） 💡 毒舌点评 本文将多Token预测（MTP）用于LLM-based ASR，以可验证的并行解码显著降低实时因子，且接受率高达5.0/6，展示了ASR作为确定性转录任务对前瞻性解码的高度适应性。然而，系统未开源任何代码或模型权重，所有对比限于较为有限的LLM-ASR基线和部分公开测试集，无法充分评估其对主流强基线（如Whisper large-v3）的真实优势；训练数据中的大量私有成分也让外部验证几乎不可能。此外，与常规推测解码的性能和效率对比缺失，使得其“MTP是天然加速范式”这一核心立论的证明力度不足。 ...