Transformer

该工作用注意力端到端语音识别内部后验的不确定性做全盲微观可懂度估计，在 GRID 句库上以熵和离散度指标在相关性和逻辑回归预测准确率上超过直接用识别结果的基线，代价是离散度需额外对齐与多假设打分且结论限于小词汇矩阵句。

针对 Transformer 解码器非因果交叉注意力导致的长删除与重复幻觉，该文提出只在推理时逐 token 右移注意力质心并钳制跳变的方法，在 LibriSpeech 四集上相对基线平均降低 8.9% 词错误率，代价是引入 δ、β、ν 三个需在开发集上调参的启发式阈值且不改变模型参数。

针对电影音轨要分成对白音乐音效的问题，CineSubNet 用稀疏编解码加 Transformer 分离并以 Whisper 加 BERT 字幕作语义先验，在 DnR 全系列上以 SDR 为指标超过 BandIt 等基线，多模态版本代价是参数从 23.5M 到 24.1M 而延迟基本不变。

Con Moto 针对舞蹈即兴中音乐连贯与低延迟难兼得的问题，用推理时掩码转向加 Max/MSP 与 Ableton 后渲染的双层控制连接身体与模型，并在约 70 人现场十分钟双人演出与 6 人问卷中显示可切换乐器与伙伴感知，其代价是实时多乐器密度受限且末段需离线生成。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

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。

DyaDiT 针对双人对话中两路语音互相干扰和社会上下文缺失的问题，用正交化交叉注意力分离双路音频并以关系与人格为条件做扩散生成，在 Seamless Interaction 子集上报告了更低的 FD 和更高偏好度，但人格可控性仍受音频隐含线索干扰。

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

该文以同一 Transformer 比较六种从纯音符到全量表达的切分方式，最强证据是渲染音频的 FAD 均值中音符加速度加踏板为 1.76、全量为 1.97，均优于纯音符基线的 3.10，而节拍标注平均未带来增益且代价是类别间波动大。

论文用动作捕捉配对即兴音乐训练个人化动作到音乐系统，以两阶段压缩加跨模态预测实现实时生成，最强证据是域内重建与分布对齐可用但域外泛化与声码器质量仍是主要代价。

针对无声视频生成语音时视觉稀疏而语音稠密的不对称问题，HiCoDiT 用残差向量量化的 12 层离散 token 层级先验把唇动身份与表情解耦注入低层和高层扩散块，在未训练的 LRS3 与 LRS2 上以 A/B 偏好 57.0% 对 38.1% 胜过 AlignDiT 等基线，代价是身份多样性受限且部分客观指标未全面领先。

论文在预训练多轨音乐 Transformer 上用均值差提取音高与时值方向并以系数加偏做推理期操控，以无条件与强条件延续实验验证线性可控性，并用格拉姆施密特正交缓解双属性纠缠，但大强度与极端下行仍带来质量退化。

针对听诊设备、听诊位置和病人特征带来的系统性偏移，该研究用门控残差、FiLM、TAFiLM 和 SoftFiLM 四种元数据调制机制改造音频频谱 Transformer，在 ICBHI 上 SoftFiLM 取得 4 类 64.11% 和 2 类 72.40%，代价是全层调制与全量微调及额外掩码正则。

针对波斯单声部微分音旋律生成问题，PerFormer 用位置—音高—时值事件序列加编解码 Transformer 与主音参考建模长程调式关系，在可调性准确率 90.18% 对 34.71% 和听感四项指标上超过一阶马尔可夫基线，代价是数据集仅 33 首原曲并集中于单一调式与 6/8 节拍且节奏有拉长简化倾向。

论文提出连续环境语义视听导航任务 SAVN-CE 与记忆增强模型 MAGNet，用自运动线索加情景记忆维持静音后目标推理，直接报告最高 12.1 个百分点成功率提升，代价是 128 线程加 4 卡约 14 天训练与干扰声下增益收窄。

论文把沉浸式混音中的对象移动形式化为音乐空间事件检测，用目标与背景双流加 Spec-TNT 与 TCN 和 CTGI 门控预测帧级移动概率，在 1000 个专业工程上报告 Frame-F1 为 0.7675 和 Event-IoU 为 0.6305，代价是仍有零星抖动且只预测何时动而不生成连续三维轨迹。

论文把问题定为地理上下文的声音景到景观生成，用声景加可选场景词生成街景级图像，以 SounDiT 三模块注入地理条件，在自建两套大数据集上以通用指标和三层地点相似度验证，代价是依赖预训练编码器与场景标注并需较多算力训练。

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