论文解读
Voting-Based Pitch Estimation with Temporal and Frequential Alignment and Correlation Aware Selection
语音识别 | 8.0/10
鲁棒性
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。
- 对抗鲁棒性 直接 58 篇 · 含子树 58 篇
论文解读
Wave-Trainer-Fit: Neural Vocoder With Trainable Prior And Fixed-Point Iteration Towards High-Quality Speech Generation From SSL Features
语音合成 | 7.0/10
论文解读
When Silence Matters: The Impact of Irrelevant Audio on Text Reasoning in Large Audio-Language Models
模型评估 | 7.0/10
论文解读
When Voice Matters: A Controlled Study of Audio LLM Behavior in Clinical Decision-Making
模型评估 | 7.0/10
论文解读
RAS: a Reliability Oriented Metric for Automatic Speech Recognition
语音识别 | 7.5/10
论文解读
Robust Audio-Text Retrieval via Cross-Modal Attention and Hybrid Loss
音频检索 | 7.5/10
论文解读
Advancing automatic speech recognition using feature fusion with self-supervised learning features: A case study on Fearless Steps Apollo corpus
语音识别 | 7.0/10
论文解读
"This Wasn't Made for Me": Recentering User Experience and Emotional Impact in the Evaluation of ASR Bias
语音识别 | 7.0/10
论文解读
Do LLM Decoders Listen Fairly? Benchmarking How Language Model Priors Shape Bias in Speech Recognition
语音识别 | 7.5/10
论文解读
Before the Mic: Physical-Layer Voiceprint Anonymization with Acoustic Metamaterials
这篇论文针对在公共场景（如会议、演讲）中，不可信录音设备可能导致声纹泄露且事后无法补救的问题，提出了EchoMask——首个基于声学超材料的物理层实时声纹匿名化系统。其核心方法是在声音到达麦克风前，通过精心设计的被动声学结构对特定低频段（300-700Hz）进行选择性干扰，该频段对说话人识别至关重要
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
FastTurn: Unifying Acoustic and Streaming Semantic Cues for Low-Latency and Robust Turn Detection
这篇论文针对全双工语音对话系统中需要低延迟、高精度判断用户是否结束发言（轮次检测）的难题，提出了FastTurn统一框架。其核心方法是将流式CTC解码提供的快速部分语义信息，与Conformer编码器提取的声学特征，通过适配器输入给大语言模型（LLM）进行推理，并最终融合声学与语义特征进行轮次预测。
论文解读
Omni-Embed-Audio: Leveraging Multimodal LLMs for Robust Audio-Text Retrieval
这篇论文旨在解决当前音频-文本检索模型在**真实、多样化用户查询**下性能下降的问题。作者指出，现有基准测试（如AudioCaps, Clotho）依赖描述性标题式查询，与真实世界中简短、多变的搜索行为（如问题、命令、关键词、排除性查询）存在巨大差距。为此，论文提出了两大核心贡献：1) **Omni
论文解读
Still Between Us? Evaluating and Improving Voice Assistant Robustness to Third-Party Interruptions
本文旨在解决语音语言模型（SLMs）在真实场景中无法有效区分主要用户与第三方插入语音（Third-Party Interruption, TPI）的问题，这会导致上下文理解失败。为此，作者首先创建了 **TPI-Train**，一个包含8.8万个样本的训练数据集，其核心设计是“说话人感知的难负例”，
论文解读
VoxSafeBench: Not Just What Is Said, but Who, How, and Where
这篇论文旨在解决当前语音语言模型（SLM）社会对齐评估不全面、不深入的问题。现有基准要么只关注基础音频理解，要么孤立地研究单一风险，无法区分模型是因“不懂”还是因“没用对地方”而失败。为此，作者提出了**VoxSafeBench**，这是首个联合评估SLM在**安全、公平、隐私**三大社会对齐维度上