CNN | 语音/音乐/音频论文速递

Cumsum-Composable Phase Transport for Low-Cost Streaming Keyword Spotting

📄 Cumsum-Composable Phase Transport for Low-Cost Streaming Keyword Spotting 标签：#语音唤醒 #CNN #流式处理 #参数高效微调 #音频理解 5.9/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 0.7/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 📝 5.9/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #语音唤醒 | #CNN | #流式处理 #参数高效微调 | arxiv 👥 作者与机构第一作者：Mahesh Godavarti（A Carrot, Inc）通讯作者：Mahesh Godavarti（A Carrot, Inc）作者列表：Mahesh Godavarti（A Carrot, Inc） 💡 毒舌点评本文将相位传输与累积和巧妙结合，为关键词检测提供了一个理论上精确的流式推理方案，其“精确批处理/流式等价性”的洞察有一定价值。然而，论文的实验支撑力严重不足：仅在一个非常简单、规模小的基准（Speech Commands v2）上进行了单次运行测试，缺乏与主流、更强基线（如DS-CNN、Conformer）的对比，其声称的“竞争力”建立在薄弱的对比之上。此外，作者自己也承认“所有结果均为单次运行”，这使得结论的统计可靠性存疑。一个完全不开源的系统性论文，其对社区的实际影响力几乎为零。 ...

Ultra-Compact CNN Architectures for Tropical Bird Audio Detection on Microcontrollers

📄 Ultra-Compact CNN Architectures for Tropical Bird Audio Detection on Microcontrollers 标签：#音频事件检测 #CNN #高效推理 #模型压缩 #基准测试 9.3/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 9.3/10 | 前10% | 文档类型：系统技术报告 | 评分置信度：高 | #音频事件检测 | #CNN | #高效推理 #模型压缩 | arxiv 👥 作者与机构第一作者：Muhammad Mun’im Ahmad Zabidi（马来西亚马来亚大学计算机科学与信息技术学院；马来西亚理工大学电气工程学院）通讯作者：Mohd Yamani Idna Idris（马来西亚马来亚大学计算机科学与信息技术学院）作者列表：Muhammad Mun’im Ahmad Zabidi（马来西亚马来亚大学计算机科学与信息技术学院；马来西亚理工大学电气工程学院）、Mohd Yamani Idna Idris（马来西亚马来亚大学计算机科学与信息技术学院）、Norisma Idris（马来西亚马来亚大学计算机科学与信息技术学院） 💡 毒舌点评论文呈现了一个教科书般的嵌入式AI工程闭环，从热带场景数据集构建、受硬件约束的架构设计、严谨的四阶段系统消融，到INT8量化、微控制器实测和投影的部署经济性评估，链条完整且务实，对实践者极具参考价值。然而，其核心学术创新性有限，主要是对已有轻量化CNN技术（如GAP、可分离卷积、焦点损失）在特定极端约束（nmels=16）下的组合与筛选，并通过消融研究得出了诸如“深度可分离卷积在此尺度下失效”等有价值的反直觉洞察。论文的强项在于工程和系统，而非提出新的算法范式。 ...

语音/音乐/音频论文速递 2026-07-23

语音/音乐/音频论文速递 2026-07-23 共分析 21 篇论文 ⚡ 今日概览 📥 抓取 21 篇 → 🔬 深度分析完成 🏷️ 热门方向方向数量分布 #音频理解 5篇 █████ #语音交互 2篇 ██ #语音唤醒 2篇 ██ #音乐生成 2篇 ██ #音频事件检测 2篇 ██ #Transformer 1篇 █ #大语言模型 1篇 █ #语音合成 1篇 █ 📊 论文评分排行榜（21 篇，按分数降序）排名论文总分分档文档类型主任务 🥇 Ultra-Compact CNN Architectures for Tropical Bird Audio 9.3分前10% 系统技术报告 #音频事件检测 🥈 Multimodal Speaker Verification as a Threat to Speaker 9.2分前10% 方法研究 #说话人验证 🥉 A Diagnostic Evaluation Framework for AI-Generated Cove 8.0分前25% 数据集与基准 #音频质量评估 4. RIME: Enabling Large-Scale Agentic Post-Production 7.6分前25% 数据集与基准 #大语言模型 5. Efficient Chain-of-Modality Reasoning via Progressive C 7.6分前25% 方法研究 #语音交互 6. Learning the Arabic Dialect Continuum as a Continuous S 7.5分前25% 方法研究 #Transformer 7. Layer-Wise Decision Fusion for Fake Audio Detection Usi 7.5分前25% 方法研究 #音频理解 8. SimulS2ST-Omni: Data-Efficient Streaming Speech-to-Spee 7.3分前50% 系统技术报告 #语音翻译 9. Scalable Keyword Spotting via Modular Network Expansion 7.1分前50% 方法研究 #语音唤醒 10. StellarTTS: Sparse Temporal Embedding for Low-Latency a 7.0分前50% 系统技术报告 #语音合成 11. OmniReasoner: Thinking with Long Audio-Video via Native 6.9分前50% 方法研究 #音视频理解 12. RPPNet: Perceptually-Grouped Rhythm-Pitch Primitives fo 6.9分前50% 方法研究 #音乐生成 13. Audio-Zero: Label-Free Self-Evolution for Fine-Grained 6.8分前50% 方法研究 #音频理解 14. Pushing the Frontier of Full-Song Generation: Hierarchi 6.8分前50% 系统技术报告 #音乐生成 15. CAPS: A Cascaded Reconstruction Model to Power Saving i 6.6分前50% 系统技术报告 #语音增强 16. Validating the Single Item Kawaii Measure 6.4分前50% 方法研究 #音频理解 17. Cross-Subject Semantic Decoding with Shared-Space Align 6.3分前50% 方法研究 #语音交互 18. Improved Monitoring of Honey bee Colony Strength via Au 6.3分前50% 应用研究 #音频事件检测 19. The Giant Hippocampus: From Structural Monoculture to a 6.0分前50% 理论研究 #音频理解 20. Cumsum-Composable Phase Transport for Low-Cost Streamin 5.9分前50% 系统技术报告 #语音唤醒 21. Black-Box Optimization for Identifying and Inverting Au 4.0分后50% 方法研究 #音频理解 📋 论文列表 🥇 Ultra-Compact CNN Architectures for Tropical Bird Audio Detection on Microcontrollers 9.3/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 ...

Comparing Spectrogram Front-Ends for Abnormal Heart-Sound Detection with a Convolutional Neural Network

📄 Comparing Spectrogram Front-Ends for Abnormal Heart-Sound Detection with a Convolutional Neural Network 标签：#音频分类 #CNN #医疗音频 #可解释性 #音频理解 5.7/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.6/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 📝 5.7/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #音频分类 | #CNN | #医疗音频 #可解释性 | arxiv 👥 作者与机构第一作者：Abhinav Pala（圣克拉拉大学）通讯作者：未说明作者列表：Abhinav Pala（圣克拉拉大学）、Dhanush Pala（独立研究员） 💡 毒舌点评实验设计在控制变量（固定CNN、优化器、种子）方面是严谨的，Grad-CAM分析也增强了结论的可解释性。但论文存在严重问题：写作中充斥着大量拼写和语法错误（如“abonral”、“teh”、“arceitecture”、“teh”），这在正式投稿中是无法接受的。核心结论“多分辨率是最可靠前端”在仅测试两种简单CNN架构、且性能差异微小（~0.006 MAcc）的情况下得出，缺乏统计显著性检验的支撑，有过度解读之嫌。与PhysioNet 2016挑战赛冠军的对比缺乏公平的测试集划分依据。完全未开源代码、模型或数据，严重阻碍可复现性。 ...

语音/音乐/音频论文速递 2026-07-22

语音/音乐/音频论文速递 2026-07-22 共分析 20 篇论文 ⚡ 今日概览 📥 抓取 20 篇 → 🔬 深度分析完成 🏷️ 热门方向方向数量分布 #语音识别 5篇 █████ #语音合成 3篇 ███ #音频分类 2篇 ██ #基准测试 1篇 █ #语音交互 1篇 █ #语音分离 1篇 █ #语音增强 1篇 █ #语音情感识别 1篇 █ 📊 论文评分排行榜（20 篇，按分数降序）排名论文总分分档文档类型主任务 🥇 Content is What Remains: Invariant Speech Tokenization 9.2分前10% 方法研究 #语音编码 🥈 Fusion Embedding: A Unified Embedding Space for Text, I 8.6分前25% 系统技术报告 #音频检索 🥉 End-to-End Markov State Sequence Learning for Auditory 8.3分前25% 方法研究 #语音交互 4. Staged Depth-Pruning Distillation of a Flow-Matching Te 7.9分前25% 系统技术报告 #语音合成 5. Constrained CTC Decoding for Efficient Diacritic Restor 7.7分前25% 方法研究 #语音识别 6. Fretiq: Browser-Native Electric Guitar String Classific 7.5分前25% 系统技术报告 #音频分类 7. MeetingToM: Evaluating Multimodal LLMs on Theory-of-Min 7.2分前50% 数据集与基准 #基准测试 8. Transcription Policy as a Latent Variable: Activating C 7.1分前50% 方法研究 #语音识别 9. Benchmarking Human and Automatic Speech Recognition of 7.0分前50% 系统技术报告 #语音识别 10. A Situational Speech Synthesizer for Yoruba: System Des 6.7分前50% 系统技术报告 #语音合成 11. From a Multilingual Streaming ASR Backbone to Kenyan-La 6.5分前50% 系统技术报告 #语音识别 12. Towards Array-Invariant Speech Enhancement via Geometry 6.3分前50% 方法研究 #语音增强 13. Comparing Spectrogram Front-Ends for Abnormal Heart-Sou 5.7分前50% 方法研究 #音频分类 14. EmoEUS: Uncertainty Supervision for Multimodal Emotion 5.6分前50% 方法研究 #语音情感识别 15. Summary of DCASE 2026 Task 5: Audio-Dependent Question 5.4分后50% 数据集与基准 #音频理解 16. Towards a reproducible cross-venue method for quantifyi 5.4分后50% 方法研究 #音频质量评估 17. CS-ETS: Chaos-Inspired Samba-Based EMG-To-Speech Synthe 5.3分后50% 方法研究 #语音合成 18. Addressing Limited Data in Auditory Attention Decoding 5.1分后50% 应用研究 #语音分离 19. What the Waveform Knows: Transparent-first Speech and A 4.8分后50% 系统技术报告 #语音识别 20. Teleportation Game: Quantum Teleportation in Multi-Agen 4.4分后50% 系统技术报告 #音乐生成 📋 论文列表 🥇 Content is What Remains: Invariant Speech Tokenization from Parallel Utterances 9.2/10 | 创新 1.5/2 | 严谨 1.5/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ...

Explainable-by-Design Audio Deepfake Detection via Wiener-Hopf Linear Prediction

📄 Explainable-by-Design Audio Deepfake Detection via Wiener-Hopf Linear Prediction 标签：#语音伪造检测 #CNN #可解释性 #鲁棒性 #音频理解 6.1/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 6.1/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音伪造检测 | #CNN | #可解释性 #鲁棒性 | arxiv 👥 作者与机构第一作者：Mattia Tamiazzo（意大利帕多瓦大学信息工程系）通讯作者：未说明（论文未明确标注）作者列表：Mattia Tamiazzo（意大利帕多瓦大学信息工程系）、Simone Milani（意大利帕多瓦大学信息工程系）、Massimo Iuliani（Amped Software）、Marco Fontani（Amped Software） 💡 毒舌点评本文试图用“可解释设计”的旗号为基于经典信号处理的检测器赋予新意，核心是将Wiener-Hopf线性预测系数堆叠成图后喂给一个极简CNN。这个思路有一定价值，至少比盲目堆参数要诚实，但其创新本质上是组合式的，将两个已知技术（线性预测、CNN）拼接起来，并冠以“可解释设计”的名号。最大的硬伤在于实验对比严重不足：作者声称性能“有竞争力”，却刻意回避与当前真正的SOTA模型（如高性能的SSL模型或集成方法）进行公平对决；在ASVspoof 2019 LA上明显弱于其自身列出的Wav2Vec2基线，在DiffSSD上微弱的优势也缺乏统计显著性检验。此外，论文完全不开源，声称的低复杂度和高性能均无法验证，这在顶会评审中是致命伤。对可解释性发现（关注静音段）的物理假设（混响）也仅仅是臆测，缺乏扎实的信号分析支撑。 ...

语音/音乐/音频论文速递 2026-07-15

语音/音乐/音频论文速递 2026-07-15 共分析 25 篇论文 ⚡ 今日概览 📥 抓取 25 篇 → 🔬 深度分析完成 🏷️ 热门方向方向数量分布 #音乐理解 3篇 ███ #声源定位 2篇 ██ #语音伪造检测 2篇 ██ #语音合成 2篇 ██ #语音增强 2篇 ██ #语音识别 2篇 ██ #说话人日志 2篇 ██ #音频事件检测 2篇 ██ 📊 论文评分排行榜（25 篇，按分数降序）排名论文总分分档文档类型主任务 🥇 ChartGenEval: Corruption-Tested Multi-Dimensional Feedb 8.8分前25% 方法研究 #音乐生成 🥈 Contrasting statistical patterns in melodic and molecul 8.7分前25% 方法研究 #音乐理解 🥉 Open-Source Intelligence and Music Information Retrieva 7.9分前25% 应用研究 #音乐理解 4. HSEmotion Team at the 11th ABAW Challenge: Multi-Task L 7.9分前25% 系统技术报告 #音视频 5. Low-Latency Neural Models for Real-Time Music Enhanceme 7.7分前25% 系统技术报告 #音乐源分离 6. Do We Really Need Multimodal Emotion Language Models La 7.4分前50% 方法研究 #语音情感识别 7. ZipL-Dialog: Memory-Efficient Long-Form Spoken Dialog S 7.3分前50% 系统技术报告 #语音合成 8. The Sound of Absence: Audio-Language Embedding Models S 7.1分前50% 系统技术报告 #音频检索 9. Real-time Generation of Listener Nodding via Prediction 6.9分前50% 方法研究 #语音交互 10. Spatial-Frequency Cued Generative Fixed-Filter Active N 6.9分前50% 方法研究 #声源定位 11. UD-ASD: A Unified Diffusion Model for Anomalous Sound D 6.6分前50% 方法研究 #音频事件检测 12. Investigating the Integration of Spatial Information in 6.6分前50% 方法研究 #说话人日志 13. Segregate, Refine, Integrate: Decomposing Multimodal Fu 6.5分前50% 方法研究 #音频事件检测 14. AutoSIFT: Automatic Style Sifting for Controllable Spee 6.5分前50% 方法研究 #语音合成 15. Listen first: Output-based multi-microphone speech enha 6.4分前50% 方法研究 #语音增强 16. Neural Morphing: Sequence-Optimized Token-Level Morphin 6.4分前50% 系统技术报告 #音频编码 17. Hybrid Continual Learning for Low-Resource Australian A 6.3分前50% 方法研究 #语音识别 18. Explainable-by-Design Audio Deepfake Detection via Wien 6.1分前50% 方法研究 #语音伪造检测 19. Traceback Translators Against Forgetting in Continual F 6.0分前50% 方法研究 #语音伪造检测 20. Automated Synthesis of Facial Mechanisms for Conversati 5.9分前50% 系统技术报告 #音频理解 21. PolarBM: Complex-valued Boltzmann Machine for Modeling 5.8分前50% 方法研究 #语音增强 22. Audio-Native Speech Recognition with a Frozen Discrete- 5.7分前50% 方法研究 #语音识别 23. What is a Musical Scale? Regularity and Convention in t 5.6分前50% 理论研究 #音乐理解 24. DOA Estimation from One-Bit Magnitude-Only Measurements 5.1分后50% 方法研究 #声源定位 25. Audio Diarization: A New Paradigm for Exploring Audio R 4.5分后50% 方法研究 #说话人日志 📋 论文列表 🥇 ChartGenEval: Corruption-Tested Multi-Dimensional Feedback for Rhythm-Game Chart Generation 8.8/10 | 创新 1.7/2 | 严谨 1.3/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 ...

CoFi-Lite: Pushing the Limits of Ultra-Lightweight Speech Enhancement

📄 CoFi-Lite: Pushing the Limits of Ultra-Lightweight Speech Enhancement 标签：#语音增强 #CNN #模型压缩 #高效推理 #流式处理 7.3/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 0.8/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1.1/1.5 ✅ 7.3/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音增强 | #CNN | #模型压缩 #高效推理 | arxiv 👥 作者与机构第一作者：Leyan Yang（南京大学现代声学实验室，NJU-Horizon智能音频实验室）通讯作者：Jing Lu（南京大学现代声学实验室，NJU-Horizon智能音频实验室）作者列表：Leyan Yang（南京大学现代声学实验室，NJU-Horizon智能音频实验室）、Dahan Wang（南京大学现代声学实验室，NJU-Horizon智能音频实验室）、Xiaobin Rong（南京大学现代声学实验室，NJU-Horizon智能音频实验室）、Jiadong Zhao（南京大学现代声学实验室，NJU-Horizon智能音频实验室）、Jing Lu（南京大学现代声学实验室，NJU-Horizon智能音频实验室） 💡 毒舌点评本文在极端计算约束下将语音增强性能推向新高，展示了“螺蛳壳里做道场”的精细工程能力，其粗细粒度解耦与跨路径融合的设计思路清晰且有效。然而，方法本质上是已有模块（MB block, CRN）的精心组合与压缩，创新更多体现在架构搜索与权衡上；且仅用demo页面展示结果，未提供代码和模型，使论文的可复用性和后续影响力大打折扣。 ...

语音/音乐/音频论文速递 2026-07-14

语音/音乐/音频论文速递 2026-07-14 共分析 53 篇论文 ⚡ 今日概览 📥 抓取 53 篇 → 🔬 深度分析完成 🏷️ 热门方向方向数量分布 #语音识别 5篇 █████ #音乐生成 5篇 █████ #音频理解 5篇 █████ #音频生成 4篇 ████ #多模态模型 3篇 ███ #语音伪造检测 3篇 ███ #语音分离 3篇 ███ #语音质量评估 3篇 ███ 📊 论文评分排行榜（53 篇，按分数降序）排名论文总分分档文档类型主任务 🥇 Simple Features and Honest Calibration for Ambivalence 9.0分前10% 系统技术报告 #模型集成 🥈 PC-Mix: Partial-Component Audio Spoofing Detection unde 8.9分前25% 数据集与基准 #音频伪造检测 🥉 BeatEdit: Symbolic Music Generation as Explicit Editing 8.9分前25% 方法研究 #音乐生成 4. CHARM: Charge Calibration and Acoustic Rescue for LLM-b 8.8分前25% 方法研究 #提示学习 5. FdAudio: MeanFlow-Anchored Fréchet-Distance Post-Traini 8.6分前25% 方法研究 #音频生成 6. Evaluating SSL and ViViT Architectures for Cross-Corpus 8.3分前25% 系统技术报告 #语音质量评估 7. ECHOv2: Two-Level Band-Splitting Representation Learnin 8.2分前25% 方法研究 #音频事件检测 8. GigaAM Multilingual: Foundation Model for Underrepresen 8.1分前25% 系统技术报告 #语音识别 9. Evidence Subspace Projection: Measuring How Much Eviden 8.1分前25% 方法研究 #语音伪造检测 10. VoxENES 2026: Benchmarking Generalization of Speech Spo 8.1分前25% 数据集与基准 #语音伪造检测 11. WaveNet-Style Guitar Amplifier Model Pruning for Real-T 8.0分前25% 系统技术报告 #音频生成 12. TabPFN beyond Tabular Data: Calibration and Accuracy on 7.9分前25% 应用研究 #音频分类 13. ARIMA: Reconstruction-Grounded Predictive Representatio 7.7分前25% 方法研究 #自监督学习 14. Qwen-Audio-VAE Technical Report 7.7分前25% 系统技术报告 #音频编码 15. Local Multimodal Music Alignment from Global Supervisio 7.6分前25% 方法研究 #对比学习 16. MeloBottleneck: Self-Supervised Melody Skeleton Extract 7.5分前25% 方法研究 #音乐理解 17. Dance to Music Generation leveraging Pre-training with 7.5分前25% 方法研究 #音乐生成 18. GigaChat Audio: Time-aware Large Audio Language Model 7.4分前50% 系统技术报告 #音频理解 19. Difference-Driven Gating: Adaptive Feature Fusion for U 7.4分前50% 方法研究 #语音分离 20. BackgroundMellow: A Multi-Modal Cohesive Framework for 7.4分前50% 系统技术报告 #音频生成 21. Qwen-Music Technical Report 7.4分前50% 系统技术报告 #音乐生成 22. CoFi-Lite: Pushing the Limits of Ultra-Lightweight Spee 7.3分前50% 方法研究 #语音增强 23. MusicMark: A Robust Generative Watermarking Framework f 7.3分前50% 方法研究 #音频水印 24. Unified Gradient Projection: Language-Balanced Continua 7.2分前50% 方法研究 #语音识别 25. Data Augmentation for L2 English Speaking Assessment us 7.0分前50% 方法研究 #语音质量评估 26. A Production-Oriented Framework for Evaluation of SFX G 6.9分前50% 系统技术报告 #音频生成 27. Learn2Chat: Rethinking Dyadic Talking Heads via Interac 6.8分前50% 方法研究 #音视频生成 28. Tight-Frame Reconstruction for Acoustic Intensity Estim 6.8分前50% 理论研究 #声源定位 29. The SonicAGI System for the REAL-TSE Challenge 6.8分前50% 系统技术报告 #语音分离 30. Anysynth:Zero-Shot Instrument Cloning via In-Context Le 6.8分前50% 方法研究 #音乐生成 31. Where Speech Enhancement Hurts Recognition: An Inferenc 6.7分前50% 方法研究 #语音识别 32. Teaching Speech Enhancement Models to Sing: Domain Adap 6.7分前50% 方法研究 #音乐源分离 33. What You Train Is What You Get: Gender Bias, Training C 6.6分前50% 应用研究 #语音伪造检测 34. Listen to the Features: Voice Anonymization Driven by C 6.5分前50% 方法研究 #语音克隆 35. Efficiently Adapting Spoken Language Models for the Sin 6.5分前50% 系统技术报告 #语音交互 36. Which Languages Transfer Best to Warlpiri? A Similarity 6.5分前50% 应用研究 #语音识别 37. Encoder-Side Neuron Identification and Amplification fo 6.4分前50% 方法研究 #音频理解 38. Breaking the Quality–Intelligibility Trade-off in Stre 6.3分前50% 方法研究 #语音分离 39. An Objective Intelligibility Metric Evaluation on Spani 6.2分前50% 数据集与基准 #语音质量评估 40. Hearing Like Humans? Sound Symbolism and Perceptual Ali 6.1分前50% 方法研究 #多模态模型 41. Anamnesis: An Open-Source Platform for Large-Scale Back 6.1分前50% 系统技术报告 #提示学习 42. LOGOS: A Living Logic for AI Agent Teams That Evolve Wi 6.1分前50% 系统技术报告 #多模态模型 43. Verifier-Guided Twelve-Tone Composition: A Generate-Ver 6.0分前50% 系统技术报告 #音乐生成 44. MRUF: Multi-granularity Routing with Uncertainty-Aware 5.9分前50% 方法研究 #多模态模型 45. Omni-Decision: A Progressive Evidence-State Agent Syste 5.9分前50% 系统技术报告 #音频理解 46. Graph Representation of RaagBase: A Unique Dataset for 5.7分前50% 数据集与基准 #音乐理解 47. Synchronized Three-Dimensional Vocal-Tract Motion for S 5.7分前50% 系统技术报告 #语音合成 48. LightMem-Ego: Your AI Memory for Everyday Life 5.6分前50% 系统技术报告 #流式处理 49. Casting Everything to Online API Services? A Survey of 5.4分后50% 综述 #语音识别 50. A Closed-Form Noise-Sensitivity Asymmetry for Causal Br 5.3分后50% 理论研究 #音频理解 51. Semantic Sampling via Learnable Observation Front Ends 5.1分后50% 方法研究 #音频理解 52. Transcript-Free Lightweight Detection of Alzheimer’s Di 4.9分后50% 方法研究 #语音属性识别 53. Perceived Annoyance in Multi-source Electric Vehicle AV 3.5分后50% 应用研究 #音频质量评估 📋 论文列表 🥇 Simple Features and Honest Calibration for Ambivalence and Hesitancy Recognition in Video 9.0/10 | 创新 1.2/2 | 严谨 1.4/1.5 | 实验 1.5/1.5 | 清晰 0.9/1 | 影响 0.5/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 ...

Clean2FX: Label-conditioned modeling for clean-to-effect guitar audio transformations

📄 Clean2FX: Label-conditioned modeling for clean-to-effect guitar audio transformations 标签：#CNN #音频理解 #Transformer #模型评估 7.3/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 0.6/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 7.3/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #音频理解 | #CNN | #Transformer #模型评估 | arxiv 👥 作者与机构第一作者：Oliverio Bombicci Pontelli（未说明）通讯作者：未说明作者列表：Oliverio Bombicci Pontelli（未说明）、Iran R. Roman（未说明） 💡 毒舌点评这是一篇扎实的“系统构建与探索”型工作，作者在构建配对数据集和系统比较主流模型架构方面做得不错，Demo网站也增加了实践可信度。然而，其创新深度有限，本质上是对已有成熟架构（条件VAE、FiLM-U-Net）在特定小众任务（吉他效果转换）上的组合测试。核心结论——条件U-Net显著优于简单条件VAE——对于音频生成领域的研究者而言几乎是预料之中的，缺乏令人耳目一新的算法或理论洞察。论文的主要贡献在于提供了一个可复现的实验框架和一组有用的基线结果，但并未推动方法论的前沿。 📌 核心摘要本文旨在解决条件音频转换问题，即给定干净的电吉他音频和一个目标效果标签，生成对应的带效果音频。作者提出了Clean2FX系统，其核心方法是在一个共同的频谱变换框架下，比较两种变分自编码器（VAE、ConvVAE）和两种条件编码器-解码器U-Net架构。与以往针对单一效果或参数化模型的工作不同，本文的关键创新在于构建了一个用于多种效果比较的标签条件建模框架，并利用EGFxSet数据集中的真实硬件效果录音，通过程序化组装音符构建了配对的和弦、旋律训练数据。主要实验结果表明，U-Net模型显著优于VAE基线，在MSE和FAD指标上均取得最佳性能（如U-Net (Log) MSE平均改进70.6%，FAD平均改进31.8%）。然而，效果类型间差异显著：失真类效果改善最大，而延迟和混响等时基效果的FAD提升有限。论文的实际意义在于提供了一个可演示的系统和对几种主流架构在该任务上的初步比较，其主要局限在于比较的架构有限、影响范围局限于特定领域，以及对VAE基线实现较弱。 ...