RNN

语音/音乐/音频论文速递 2026-07-30 共分析 19 篇论文 ⚡ 今日概览 📥 抓取 19 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #语音识别 2篇 ██ #音频伪造检测 2篇 ██ #CNN 1篇 █ #声源定位 1篇 █ #语音交互 1篇 █ #语音伪造检测 1篇 █ #语音合成 1篇 █ #语音增强 1篇 █ 📊 论文评分排行榜（19 篇，按分数降序） 排名 论文 总分 分档 文档类型 主任务 🥇 ThinkOmni: A Reasoning-Driven Omni-Modal LLM Framework 8.3分 前25% 方法研究 #音频伪造检测 🥈 A large-scale corpus of religious radio broadcast trans 8.2分 前25% 数据集与基准 #说话人日志 🥉 Voice Memory for Agentic Speech Recognition 8.2分 前25% 方法研究 #语音识别 4. Less is More: Modality-Decoupling for General AIGC Audi 7.5分 前25% 方法研究 #音频伪造检测 5. MPEcho: A Melody and Phoneme-Aware Generative Framework 7.4分 前50% 方法研究 #音乐生成 6. Prosody-driven Jailbreaks in Audio LLMs: A Controlled S 7.0分 前50% 方法研究 #音频交互 7. Few-Shot Open-Set Audio Classification via Transductive 6.8分 前50% 方法研究 #音频分类 8. TaoMate: Anchor-Guided Memory Bridging Evolving and Ref 6.7分 前50% 方法研究 #音视频生成 9. Symphony of Bias: Exploring Gender Associations with Mu 6.6分 前50% 数据集与基准 #音乐理解 10. Audio-Anchored Fusion of Multi-Ratio DiT Reconstruction 6.6分 前50% 方法研究 #语音伪造检测 11. DuplexGen: Adaptive Synthesis of Human-AI Turn-Taking D 6.5分 前50% 方法研究 #语音交互 12. Dissecting Sensitivity to Training Language in Self-Sup 6.3分 前50% 方法研究 #语音识别 13. Detection of AI-generated stems within hybrid human-AI 6.3分 前50% 方法研究 #CNN 14. MMAC: A Massive Multi-dimensional Benchmark for Audio C 6.3分 前50% 数据集与基准 #音频字幕生成 15. Explicit Note-Event Tokenization and Pitch-Validity Con 6.1分 前50% 方法研究 #音乐转录 16. Zero-Shot Face-to-Speech Synthesis via Latent Space Ada 6.0分 前50% 方法研究 #语音合成 17. A Study on Online Mask-based Beamforming Using Per-chan 5.7分 前50% 方法研究 #语音增强 18. Qwen-Audio-3.0-Gen-Preview Technical Report 5.6分 前50% 模型报告 #音频生成 19. Unfolded Recursive Expectation-Maximization Neural Netw 5.4分 后50% 方法研究 #声源定位 📋 论文列表 🥇 ThinkOmni: A Reasoning-Driven Omni-Modal LLM Framework for Audio Forgery Detection and Localization 8.3/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ...

📄 Deep Spatial Clue Informed Ambisonic Encoding for Irregular Microphone Arrays #空间音频 #麦克风阵列 #RNN #UNet ✅ 7.0/10 | 前25% | #空间音频 | #麦克风阵列 | #RNN #UNet 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：Chaoqun Zhuang (三星中国研究院-北京) 通讯作者：未说明 作者列表：Chaoqun Zhuang (三星中国研究院-北京)，Xue Wen (三星中国研究院-北京)，Lin Ma (三星中国研究院-北京)，Lizhong Wang (三星中国研究院-北京)，Liang Wen (三星中国研究院-北京)，Jaehyun Kim (三星电子移动体验业务部)，Gangyoul Kim (三星电子移动体验业务部) 💡 毒舌点评 亮点：论文提出了一个清晰且合理的范式转变——将Ambisonic编码从传统的时频域混合转移到学习到的潜在特征空间，并通过实验证明了其在性能和效率上的优势。短板：目前的实验验证局限在一阶水平面Ambisonics上，且未能提供任何开源代码、模型或数据，极大地削弱了其在学术社区和工业界的可复现性与直接影响力，使其看起来更像一篇“闭源的工业报告”。 🔗 开源详情 代码：论文中未提及代码仓库链接。 模型权重：未提及。 数据集：论文中描述了数据生成流程（基于真实DIR测量和Pyroomacoustics模拟），但未提及公开数据集。 Demo：未提及。 复现材料：提供了详细的网络架构描述、训练超参数（学习率、优化器、批量大小、训练轮数）、STFT设置等，但未提供完整的配置文件或检查点。 论文中引用的开源项目：依赖并提及了Pyroomacoustics用于房间混响模��。 总体而言，论文中未提及开源计划。 📌 核心摘要 问题：针对手机等设备上不规则麦克风阵列进行Ambisonic编码时，由于空间混叠和声场覆盖有限，传统方法和现有深度学习方法存在性能瓶颈。 方法：提出了一种端到端的“深度空间线索引导的Ambisonic编码器”。其核心是设计了“空间感知潜在变换（SALT）”模块，该模块首先通过双路径（空间线索编码器和频谱编码器）从输入信号中提取特征并融合，然后在一个学习到的潜在特征空间中，预测一个信号依赖的混合矩阵来完成到Ambisonic域的映射，最后解码回STFT域。 创新：与已有方法相比，新在：1）首次引入了潜在空间变换范式，摆脱了在固定STFT分辨率上操作的限制；2）显式融合了IPD/ILD等空间线索，为模型提供物理一致性指导。 实验结果：在基于真实智能手机麦克风阵列DIR测量数据构建的多源混响场景数据集上，该方法（特别是RNN(Full)变体）在空间相似性（Mdir）、频谱误差（Meq）和SI-SDR指标上全面优于最小二乘法（LS）和基线神经网络方法（UNet Base, RNN Base），同时参数量更少。关键数据见下表： 模型 单声源 Mdir(↑) / Meq(↓) / SI-SDR(↑) 多声源 Mdir(↑) / Meq(↓) / SI-SDR(↑) 多声源+混响 Mdir(↑) / Meq(↓) / SI-SDR(↑) 可训练参数 (M) FLOPS (G) LS 0.866 / 3.905 / 3.967 0.876 / 3.727 / 5.939 0.752 / 5.368 / 0.471 N/A N/A UNet(Base) 0.967 / 2.379 / 10.206 0.947 / 2.637 / 7.742 0.782 / 10.932 / 2.192 1.93M 27.678 UNet(Full) 0.742 / 2.295 / 23.075 0.938 / 1.648 / 19.521 0.795 / 8.982 / 2.557 2.15M 14.089 RNN(Base) 0.902 / 20.230 / 6.280 0.914 / 24.983 / 7.573 0.716 / 11.697 / 0.755 0.65M 36.273 RNN(Full) 0.927 / 1.709 / 31.570 0.938 / 1.467 / 21.492 0.821 / 9.260 / 2.676 0.74M 13.060 图1展示了整体框架：输入多通道麦克风信号，分别经过“空间线索编码器”（处理IPD/ILD）和“频谱编码器”（处理STFT），提取特征后融合，由SALT模块估计潜在混合矩阵并完成变换，最后通过解码器输出Ambisonic信号。 5. 实际意义：为移动设备等受尺寸和功耗限制的平台实现高质量空间音频捕获提供了可行的、高效的解决方案。 6. 主要局限性：当前实验仅验证了使用三个麦克风的二阶一阶Ambisonics（W, X, Y），未涉及更高阶或完整三维编码；此外，未提供开源实现。 ...