Transformer

ICLR 2026 语音/音频论文详细分析 共分析 133 篇 ICLR 2026 论文 🎯 任务分类 点击任务标签查看该方向所有论文： 语音合成（10篇） 音频生成（9篇） 语音识别（9篇） 基准测试（9篇） 音乐生成（9篇） 语音对话系统（8篇） 音频分类（6篇） 音频问答（6篇） 语音情感识别（5篇） 多模态模型（5篇） 音视频（4篇） 音频检索（4篇） 语音分离（3篇） 模型评估（2篇） 语音翻译（2篇） 音乐信息检索（2篇） 生成模型（2篇） 音乐理解（2篇） 视频生成（2篇） 跨模态生成（1篇） 脑编码（1篇） 模型可解释性（1篇） 音视频深度伪造检测（1篇） 图像生成（1篇） 数据集（1篇） 语音增强 #对抗样本（1篇） 语音大模型（1篇） 音频编辑（1篇） 音视频事件检测（1篇） 生态计算（1篇） 视频描述生成（1篇） 视频摘要（1篇） 语音问答（1篇） 基准测试 #数据集（1篇） 音频安全（1篇） 神经网络架构（1篇） 语音转换 #语音匿名化（1篇） 声源定位（1篇） 序列解耦（1篇） 空间音频（1篇） 音频分离（1篇） 机器人操作（1篇） 动作生成（1篇） 音频场景理解（1篇） 跨模态检索（1篇） 语音增强（1篇） 多模态推理（1篇） 语音合成评估（1篇） 语音生成（1篇） 生物声学（1篇） 模型比较（1篇） 音视频联合推理（1篇） 语音识别 #语音合成（1篇） ⚡ 今日概览 📥 133 篇 → 🔬 深度分析完成 ...

📄 An Evaluation Framework for Structured Audio Captions Validated by Controlled Perturbations 标签：#数据集 #基准测试 #大语言模型 #音频理解 #Transformer 5.3/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 0.7/1.5 | 清晰 0.8/1 | 影响 0.2/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1/1.5 📝 5.3/10 | 后50% | 文档类型：数据集与基准 | 评分置信度：高 | #数据集 | #大语言模型 | #基准测试 #音频理解 | arxiv 👥 作者与机构 第一作者：Liang-Yuan Wu 通讯作者：未说明 作者列表：Liang-Yuan Wu， Sripathi Sridhar， Mark Cartwright， Magdalena Fuentes 机构：未在论文正文中明确说明 💡 毒舌点评 亮点：论文直击结构化音频描述评估的痛点，提出了一个系统化的多轴评估框架，并创新性地引入受控扰动协议来验证评估指标本身的可靠性，方法论设计严谨且有洞察。对LLM法官的实证分析也提供了实用的选型建议。 短板：1. 评估对象严重局限于“音效”（Sound Effects）数据集（AudioCards），与语音、音乐等音频核心领域的关联极弱，框架的通用性未得到任何验证。2. 论文仅通过“扰动真值”的方式验证指标有效性，缺乏对真实模型输出（如当前SOTA音频描述模型）的评估对比，其实用价值存疑。3. 所有核心产出（增强数据集、代码、评估框架）均未开源，仅有承诺，无法复现或使用，削弱了其作为“基准”的实际影响力。 ...

📄 From Read Speech to Spoken Digits: A Task-Specific Evaluation of Speech Privacy With Informed Attackers 标签：#语音识别 #音频理解 #Transformer #模型评估 7.5/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.5/10 | 前25% | 文档类型：应用研究 | 评分置信度：高 | #语音识别 | #音频理解 | #Transformer #模型评估 | arxiv 👥 作者与机构 第一作者：Jule Pohlhausen（Institute of Hearing Technology and Audiology, Jade University of Applied Sciences, Oldenburg, Germany） 通讯作者：未说明 作者列表：Jule Pohlhausen（Institute of Hearing Technology and Audiology, Jade University of Applied Sciences）、Anjana Rajasekhar（Dept. of Medical Physics and Acoustics, Carl von Ossietzky Universität Oldenburg）、Anna Leschanowsky（Fraunhofer Institute for Integrated Circuits (IIS), Erlangen）、Joerg Bitzer（Dept. of Medical Physics and Acoustics, Carl von Ossietzky Universität Oldenburg） 💡 毒舌点评 本文将数字识别作为任务特定场景，评估三种轻量级语音混淆技术（时间平滑与子采样、重采样、音频切碎）在知情攻击模型下的有效性。问题定义清晰，旨在挑战通用WER评估范式，实验设计系统化地考虑了模态、语速、攻击者类型等变量，并开源了代码。但核心短板在于：所评估的混淆技术均为已有的、相对简单的信号处理方法，创新性有限，且未与更先进的基于深度学习的隐私保护方法进行对比。实验完全局限于英文的0-9数字序列，通过简单拼接生成，与真实世界电话号码的韵律和协同发音存在显著差异，其结论向更复杂、多语言场景的泛化能力存疑。此外，作为“知情资源有限”攻击者代表的DNN模型设计过于简单（仅使用MFCC统计特征），可能低估了专用攻击模型的威胁。 ...

📄 Improving the performance of an ASV system using hybrid speech features 标签：#说话人验证 #Transformer #音频理解 #模型评估 5.0/10 | 创新 1/2 | 严谨 1/1.5 | 实验 0.6/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 📝 5.0/10 | 后50% | 文档类型：方法研究 | 评分置信度：高 | #说话人验证 | #Transformer | #音频理解 #模型评估 | arxiv 👥 作者与机构 第一作者：Stanisław Ciszkiewicz（未说明） 通讯作者：未说明 作者列表：Stanisław Ciszkiewicz（未说明）、Artur Janicki（未说明） 💡 毒舌点评 论文在将基于物理声带模型的RAB特征与传统特征结合方面提出了一个有趣的方向，并在噪声条件下验证了其有效性，为特征工程提供了一个新的小工具。然而，整个研究建立在规模极小的数据集（30位说话人）和过于简单的GMM-UBM后端之上，使其结论的普遍性和实际参考价值大打折扣，难以令人信服其方法在真实世界复杂系统中的表现。 📌 核心摘要 本文旨在通过组合多种声学特征（混合特征集）来提升自动说话人验证（ASV）系统在噪声环境下的性能。论文的核心方法是探索将传统频谱特征（MFCC、CQCC、PNCC）与基于非线性声带物理模型的RAB描述符进行拼接，以期获得互补信息。论文主要的新意在于首次系统性地将RAB特征引入ASV领域并与其他特征结合。实验在Google Speech Commands（GSC）数据集上进行，仅使用GMM-UBM作为后端。结果表明，在干净条件下，性能接近饱和的MFCC/PNCC特征难以通过组合提升；但在babble和volvo噪声下，PNCC+RAB的混合特征集相比单独使用PNCC，在低信噪比（0 dB）时EER最高可降低4-7个百分点。该研究的实际意义在于为特征工程提供了一种可解释的新思路。主要局限性包括：实验数据集规模小、说话人数量少，无法验证方法在大规模、真实场景下的泛化能力；后端模型陈旧，未与任何现代神经网络后端（如ECAPA-TDNN）结合评估，限制了结论的说服力；噪声类型和信噪比设置不够全面。 ...

📄 Instruct-FD: Can Your Full-Duplex Speech System Follow Turn-Taking Instructions? 标签：#语音交互 #音频理解 #Transformer #模型评估 7.2/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.2/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #语音交互 | #Transformer | #音频理解 #模型评估 | arxiv 👥 作者与机构 第一作者：Yuzhi Tang（Boson AI） 通讯作者：Yuzhi Tang（Boson AI） 作者列表：Yuzhi Tang, Wentao Ma, Xiling Zhao, Ahmad Salimi, Sepehr Harfi Moridani, Dongming Shen, Jixuan Wang, Abdulrahman Abdulrazzag, Murdock Aubry, Yu-Hua Chen, Daniel Lee, Jaewon Lee, Jonah Mackey, Silin Meng, Nicholas Stranges, Chenxu Xiong, Hao Yu, Yi Zhu, Mu Li, Alex Smola （全部来自Boson AI） 💡 毒舌点评 本文敏锐地抓住了全双工对话系统中“可控轮次管理”这一被忽略的关键评估缺口，并构建了一套逻辑自洽、设计巧妙的评估框架，将轮次行为形式化为指令跟随任务，是基准建设工作的良好范例。主要短板在于作为一项旨在成为“标准基准”的工作，其核心产物（代码、数据集）完全未开源，严重限制了社区的复用和后续发展；评估模型数量（6个）和语言覆盖（仅英语）的局限性也影响了其作为广泛适用基准的即时影响力。此外，依赖合成数据和LLM判官的评估范式，其向复杂真实场景的泛化能力仍需进一步验证。 ...

📄 Investigating Codec-Internal Latent Audio Watermarking for Neural Codec Robustness 标签：#音频水印 #音频编码 #鲁棒性 #音频理解 #Transformer 6.4/10 | 创新 1.6/2 | 严谨 1.1/1.5 | 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 0.8/1.5 ✅ 6.4/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #音频水印 | #音频编码 | #鲁棒性 #音频理解 | arxiv 👥 作者与机构 第一作者：Zi Hu（University of Warwick, UK） 通讯作者：Ming Li（Zhejiang University-UIUC Institute, China；University of Illinois Urbana-Champaign, USA）、Carsten Maple（University of Warwick, UK） 作者列表：Zi Hu（University of Warwick, UK）、Houmin Sun（University of Warwick, UK）、Linxi Li（未说明）、Yechen Wang（未说明）、Liwei Jin（未说明）、Carsten Maple（University of Warwick, UK）、Ming Li（Zhejiang University-UIUC Institute, China；University of Illinois Urbana-Champaign, USA） 💡 毒舌点评 本文精准切中了神经编解码器时代音频水印的核心痛点，提出将嵌入点从波形表面移至连续潜空间内部，提供了有价值的探索方向，实验设计和权衡分析扎实。然而，论文的结论过于保守，仅停留在对一种特定嵌入路径的“调查”和“表征”，未能提出一个在通用性上超越AudioSeal的强基线。其核心声明“潜空间嵌入能减少与编解码器变换的失配”缺乏与强基线的直接主实验对比来验证。此外，论文完全回避了将水印嵌入离散码本（RVQ）这一更贴近真实编解码器核心的难题，使得其研究的实际应用价值打了折扣。 ...

📄 SCoPE: Shift-Aware Speaker-Conditioned Priors for Emotion Recognition in Conversations 标签：#语音情感识别 #多模态模型 #多任务学习 #音频理解 #Transformer 6.0/10 | 创新 1.2/2 | 严谨 0.8/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.0/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音情感识别 | #多模态模型 | #多任务学习 #音频理解 | arxiv 👥 作者与机构 第一作者：Burak Can Kaplan（Department of Informatics, University of Hamburg） 通讯作者：Stefan Wermter（Department of Informatics, University of Hamburg） 作者列表：Burak Can Kaplan（Department of Informatics, University of Hamburg）、Stefan Wermter（Department of Informatics, University of Hamburg） 💡 毒舌点评 论文巧妙地将心理学中的“情感惯性”概念转化为一个轻量级GRU模块(SCoPE)，并首次将情感偏移预测作为推理时的动态控制信号而非辅助任务，在相对“干净”的IEMOCAP数据集上取得了扎实的性能提升，这比单纯堆叠更复杂的模型更具启发意义。但其短板也同样明显：在更具挑战性、噪声更多的MELD数据集上提升有限，暴露出模型在复杂真实场景下泛化能力的不足；核心的融合机制虽有直观解释，但其“贝叶斯启发的产品专家”说法与实际的线性求和操作存在理论上的模糊，且缺乏更严格的消融实验来证明每个组件的独立贡献。 ...

📄 TF-MossFormer: Integrating Convolution Gated Local-Global Attentions for Enhanced Time-Frequency Domain Monaural Speech Separation 标签：#语音分离 #Transformer #高效推理 #音频理解 #模型评估 6.3/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 6.3/10 | 前50% | 文档类型：模型报告 | 评分置信度：高 | #语音分离 | #Transformer | #高效推理 #音频理解 | arxiv 👥 作者与机构 第一作者：Shengkui Zhao (Token Foundry, Alibaba Group, Singapore) 通讯作者：Shengkui Zhao (Token Foundry, Alibaba Group, Singapore) 作者列表：Shengkui Zhao (Token Foundry, Alibaba Group, Singapore)、Zexu Pan (Token Foundry, Alibaba Group, Singapore)、Haoxu Wang (Token Foundry, Alibaba Group, Singapore)、Biao Tian (Token Foundry, Alibaba Group, Singapore)、Bin Ma (Token Foundry, Alibaba Group, Singapore)、Xiangang Li (Token Foundry, Alibaba Group, Singapore) 💡 毒舌点评 这篇论文在语音分离领域展示了扎实的工程能力，通过在经典时间-频率域框架中有效组装滑动窗口注意力、全局注意力和卷积门控这些“货架技术”，在SOTA性能上又往前推了零点几dB。然而，其核心贡献更像是一份精心调优的配置报告，而非提出具有范式变革潜力的原创性方法。论文的严谨性因关键表格（Table 1）标题的明显错误而打折扣，且对自身局限性的讨论几乎缺席，这在一篇声称达到SOTA的工作中是令人失望的。 ...

📄 Toward Interpretable Speech Deepfake Detection using Artifact-Specific Experts and Calibrated Detection Scores 标签：#语音伪造检测 #集成学习 #可解释性 #音频理解 #Transformer 7.0/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.0/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音伪造检测 | #集成学习 | #可解释性 #音频理解 | arxiv 👥 作者与机构 作者列表：Viola Negroni (Politecnico di Milano, DEIB), Xin Wang (National Institute of Informatics), Wanying Ge (National Institute of Informatics), Paolo Bestagini (Politecnico di Milano, DEIB), Junichi Yamagishi (National Institute of Informatics), Stefano Tubaro (Politecnico di Milano, DEIB) 💡 毒舌点评 这篇论文最亮眼的地方在于将可解释深度伪造检测从“事后解释”推进到“事前设计”，通过伪影特定专家和校准LLR框架，为高风险场景的证据化检测提供了一个清晰且有法医学理论支撑的范式。然而，其短板也同样明显：作为初步探索，专家设计相对保守（如使用MLP和手工特征），整体检测性能（EER约20%）与当前黑盒SOTA（如基于wav2vec 2.0的系统EER可低至个位数）差距显著，极大限制了其在实际高风险场景部署的吸引力。论文的核心价值在于其范式意义，而非即刻的性能突破。 ...

📄 Word meaning co-determines vowel-inherent spectral change. A corpus-based investigation of conversational Mandarin 标签：#语音属性识别 #音频理解 #Transformer #模型评估 5.9/10 | 创新 1.5/2 | 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 0.5/1.5 📝 5.9/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音属性识别 | #Transformer | #音频理解 #模型评估 | arxiv 👥 作者与机构 第一作者：Xiaoyun Jin 通讯作者：R. Harald Baayen 作者列表：Xiaoyun Jin（Quantitative Linguistics, Eberhard Karls Universität Tübingen）、Mirjam Ernestus（Center for Language Studies, Radboud University）、R. Harald Baayen（Quantitative Linguistics, Eberhard Karls Universität Tübingen） 💡 毒舌点评 这篇论文的亮点在于大胆地将词汇语义这一抽象概念与精细的元音发音轨迹联系起来，为理解言语产生机制提供了新颖的视角，挑战了传统模块化模型。然而，其主要短板在于核心证据的说服力有限：分析所用的数据集规模偏小（~6000个token，87个词型），且完全闭源，无法让社区验证这一引人注目的发现，使得其结论的稳固性大打折扣。 ...