RNN

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

该研究用树莓派加 MIDI 连接现成乐器的智能乐器平台和小数据混合密度循环网络做两年第一人称演出，报告显示最便宜硬件推理小于 5 毫秒且重映射可替代重训，但证据限于作者一人 15 场演出而未做对照听感评估。

针对手势完成后才识别再生成导致 213 ms 级感知延迟的问题，论文用提前预测手部落点并预生成音频加猜错回滚的方法，在 16 选 1 受限实验中把 Top-15 预测做到手势完成前发声、Top-16 做到 77 ms 微观尺度，代价是 Top-1 单猜错误率高达 66 %。

针对循环脉冲网络中稠密循环矩阵参数平方增长的问题，该工作用核长为 3 的一维卷积替代全连接循环并保留每个神经元可学习的轴突延迟，在 SHD 上达到 91.51% 精度并把单层循环参数从 65792 降到 259，代价是在 SSC 上落后 DelRec 约 4 个百分点且 SSC 未做超参搜索。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

针对 DAFx 参数估计挑战 Task A 从未归一化位移脉冲响应恢复板混响物理参数的问题，论文用三层一维卷积加双向 GRU 的时域回归器直接预测六个可辨识参数，在 150 例开发测试集上以参数归一化均方误差 0.0499 优于粒子群优化基线的 0.0618，并把单条推理时间从 36.46 秒降到 1.10 秒，代价是面密度一项略差且最优检查点早在第 5 轮 …

该文只用静默构音肌电与文本转写、用对称正定矩阵表示通道间相关再接门控循环网络与联结时序分类损失做音素级序列转换，在大词表单被试上报告音素错误率 48.47% 与词错误率 73.53%，代价是仍需双向整句解码且主要证据来自单名健康被试。

针对带声音的人脸视频在压缩、模糊和低分辨率下的退化，GAVN 用低分辨率空间的帧间时域特征做粗修复、用高分辨率空间的音频加关键点身份特征补细节，在 VoxCeleb2 和 Obama 两种说话人场景下取得最优的图像质量与唇音同步分数，但代价是两阶段训练与多模块推理成本。

本研究通过与职业鼓手四个月的协同设计，将仅支持离散打击检测的映射扩展为连续手势 RNN 与离散分类协同的 Max4Live 工具包，并以十首曲目录制检验其在真实创作中能否抵御技术俘获，代价是连续特征时域精度与循环稳定性仍有限。

共分析 44 篇语音/AI 论文

针对单模态易受噪声与信息缺失影响的问题，论文用 Wav2Vec2、MFCC 与统计声学特征经 BiLSTM 建模音频、用 ResNet50-BiLSTM 建模视频，并以多头交叉注意力做特征级融合，在 MELD 上微平均 93.7% 与 IEMOCAP 上 90.3% 准确率上验证效果，但未报告训练超参细节与统计显著性。

共分析 1 篇语音/AI 论文

音乐转录 | 6.3/10

共分析 49 篇语音/AI 论文

回声消除 | 8.5/10

共分析 21 篇语音/AI 论文

声源定位 | 8.8/10

共分析 26 篇语音/AI 论文

语音增强 | 9.0/10