CNN

共分析 36 篇语音/AI 论文

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该研究在 VoxCeleb2 上系统改变 ResNet 的深度、宽度和残差块分布并用机器级传感器实测训练能耗与碳排放，最强证据是 ResNet-419-D 相对 ResNet-200-D 仅把平均 EER 从 3.44% 降到 3.35% 却耗电约 4 倍达 895.67 kWh，而中等规模的 ResNet-50-D 及其向中间层集中块的变体以约 50 …

针对混合音乐中扩展长笛技法难以只靠音高对齐跟谱的问题，论文把 Antescofo 的对齐机与轻量识别器 ipt~做松耦合混合切换，在 11 类技法上报告宏 F1 为 93.4%±0.1，但混合跟谱以增加延迟为代价换取跨演奏的稳定性。

该文把钢琴指法当作带生物力学约束的序列标注问题，用卷积网络提局部键盘模式、双向长短期记忆网络建前后依赖并加注意力与前向规划，在钢琴指法数据集上报告通用匹配率约 82.6%、最高匹配率约 92.1%，代价是去掉物理约束后通用匹配率掉 11.4 个点且复调大跨度仍需人工把关。

该文把朗伯德检测做成由干净语音预测诱发噪声级的回归任务，比较卷积、卷积加长短期记忆、变换器编码器三类架构与三类高维表示加六类可解释声学线索的组合，在留出德语数据集上显示卷积加 WavLM 泛化最可靠，而增加音高与谱倾斜能显著降低损失，但中间噪声级与跨数据集泛化仍是主要代价。

该文在严格分块流式条件下检验 Conformer-Transducer 编码器中的自注意力，发现其退化为对角局部模式，进而用一维可变形卷积替换或直接删除自注意力，在 LibriSpeech 与 TEDLIUM-2 上保持词错误率基本不变并显著降低实时率与参数量。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

该研究用卷积模型从舌超声和唇视频预测标准化基频曲线，在 TaL1 上 L+T 中位 Spearman 相关达 0,72、在 TaL80 上达 0,66，而词重音越高预测越准、单纯扩大 articulatory 上下文增益有限。

该研究用同一 TCN 分割模型对比绝对特征与帧间差分、保留或去掉重叠前单人语音、打乱帧顺序三类扰动，显示 WavLM 在 DIHARD III 上达 0,680 F1-score 而 MFCC 仅 0,424，且打乱时序会系统性推高重叠类概率，代价是扰动结论依赖小样本长重叠段与伪概率曲线。

针对嵌入式音频芯片同时卡住内存与单帧算力的问题，该研究用因果声谱分离主干加门控深滤波实现可部署分离，在芯片实测单帧 10.43 ms 内达到 4.70 dB cSDR，代价是比装不进芯片的最强基线低约 0.5 至 0.7 dB 且连续上下文训练不可省略。

共分析 27 篇语音/AI 论文

该文把去噪目标改为随声场景变化的界内与界外事件，用先做声场景分类再做条件掩蔽去噪的两阶段网络，在六类场景配对数据上以可运行的 UNet 为基线对比，学习到的上下文取得最高 SI-SDR 但合成混合的统计失配仍是主要代价。

该文以目标方向对应的个性化头相关传输函数为线索，用全复数神经网络从双耳混合中提取目标并保留双耳线索，在无混响下取得清晰提取、在混响下兼顾去混响，但混响下的客观语音质量仍低于同期强基线。

针对埋地供水管道分布式声传感数据的多标签识别与时空定位问题，论文用事件级标签加像素级掩膜联合训练并在推理时用类激活图输出热力图，在保持多标签分类的同时把定位从零提升到可用水平，代价是需要人工矩形掩膜标注且只在单一工况 testbed 上验证。

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

针对 3 英尺胶合板表演面上接触式传声的各向异性与极小时延难题，该工作用四通道接触麦克风加短时频谱回归直接预测笔尖坐标，最强证据是 ResNet50 在全数据上平均 L1 误差 0.191 优于轻量 Transformer 的 0.225，代价是对板 orientation 与装配变化敏感且 R1/R3 误差显著升高。

该研究把正常听觉与电刺激听觉都写成可微模型，用同一段语音驱动两条通路并以螺旋神经节神经元包络误差为目标训练双网络刺激器，在 TIMIT 干净语音上把包络平均绝对误差从 0.6261 降到 0.0934，代价是仅用单一包络指标、干净语音和 8 kHz 以下频带且允许同时刺激。