今日论文合集：CS.SD语音与音频 共 15 篇，本文展示前 8 篇

本文经arXiv每日学术速递授权转载，微信公众号：arXiv_Daily

[机构]信息由AI分析生成，可能存在错误，仅供参考，以论文实际显示为准


快速导航

1. 语音合成与声音生成 1 篇

2. 说话人识别、验证与分离 1 篇

3. 音频事件检测与场景理解 1 篇

4. 语音翻译与语音语言模型 3 篇

5. 多模态音频与视听学习 1 篇

6. 其他/综合语音音频 1 篇


1. 语音合成与声音生成 | 1 篇

1. AutoSynth: Learning to Generate Editable Synthesizer Programs from Audio and Text

AutoSynth：从音频和文本生成可编辑合成器程序的学习方法

AI 总结：AutoSynth是一种从音频或文本生成可编辑合成器程序的模型，经两阶段训练后，在合成器逆问题和文本驱动生成任务中表现具竞争力，无需配对标注或可微分合成器。

链接：https://arxiv.org/abs/2610.10774

机构：The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））； New York University Shanghai（上海纽约大学）； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）

作者：Tristan Wu, Daniel Chin, Liwei Lin, Junan Zhang, Gus Xia


2. 说话人识别、验证与分离 | 1 篇

2. Cross-Lingual Speaker Verification with Self-Supervised Pre-Trained Models

基于自监督预训练模型的跨语言说话人验证

AI 总结：针对跨语言说话人验证的语言不匹配性能下降问题，利用自监督预训练模型提取通用声学特征训练解耦说话人嵌入网络，在TidyVoice2026基准上取得2.21%和2.99%的等错误率。

链接：https://arxiv.org/abs/2610.11099

机构：Ant Group（蚂蚁集团）

作者：Jinghan Peng, Yu Zheng, Weiqiang Wang, Jian Liu


3. 音频事件检测与场景理解 | 1 篇

3. BEANS-Next and ROOTS: Broadening Audio-Language Capabilities for Bioacoustics

BEANS-Next与ROOTS：拓展生物声学的音频-语言能力

AI 总结：本研究推出生物声学音频-语言任务基准BEANS-Next与训练资源ROOTS，发现现有模型在该领域窄任务外表现有限，经ROOTS训练的模型在BEANS-Next所有任务组均有显著进展，相关资源已开源。

链接：https://arxiv.org/abs/2610.10663

机构：Earth Species Project（地球物种项目）； Queen Mary University of London（伦敦大学玛丽皇后学院）

作者：Christos Plachouras, David Robinson, Marius Miron, Gagan Narula, Paul Laisné, Anthony L. T. Fine, Benno Weck, Ellen Gilsenan-McMahon, Diane Kim, Laura Hay Mack, Maddie Cusimano, Sara Keen, Lukas Rauch, Benjamin Hoffman, Emmanuel Chemla, Emmanouil Benetos, Johan Pauwels, Milad Alizadeh, Matthieu Geis


4. 语音翻译与语音语言模型 | 3 篇

4. Listen-to-Reason: Listen with Experts, Retrieve over a Graph, Reason with LLMs

Listen-to-Reason：借助专家聆听、基于图检索、用大语言模型推理

AI 总结：本文提出可解释的Listen-to-Reason流水线，用冻结专家编码器映射音频到语义节点、纯文本LLM推理，在SAKURA等数据集上表现优异，新领域适配成本低且可通过强阅读器缩小性能差距。

链接：https://arxiv.org/abs/2610.10749

机构：Concordia University（康考迪亚大学）； Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）； Laval University（拉瓦尔大学）

作者：Pooneh Mousavi, Mirco Ravanelli, Cem Subakan


5. MiDashengLM-Spatial: Unifying General Audio Understanding and Spatial Awareness

MiDashengLM-Spatial：统一通用音频理解与空间感知

AI 总结：MiDashengLM-Spatial是首个开源端到端统一音频-语言模型，通过新增Spatial-Dasheng空间音频编码器，在不损害通用音频理解的前提下实现了优异的空间感知能力，在相关基准上表现突出。

链接：https://arxiv.org/abs/2610.11156

机构：Xiaomi Inc.（小米公司）

作者：Jinbo Hu, Hang Su, Lichun Fan, Heinrich Dinkel, Gang Li, Zhanchen Dai, Yiru Zhang, Chang Liu, Peng Wang, Junnan Wu, Jian Luan, Cong Zou, Heng Qu


6. Selective Listening: Mechanism-Guided Control of Audio Influence in Large Audio-Language Models

选择性聆听：大型音频-语言模型中音频影响的机制引导控制

AI 总结：该研究针对大型音频-语言模型中无关音频干扰导致的推理偏差问题，提出ICAP-Gate机制引导控制方法，在多任务、多干扰场景下降低了配对漂移，且延迟远低于自一致性，为鲁棒多模态推理提供了新设计原则。

链接：https://arxiv.org/abs/2610.11196

机构：College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机学院）； State Key Laboratory of Complex & Critical Software Environment（复杂与关键软件环境国家重点实验室）

作者：Yulin Sun, Kele Xu, Yong Dou


5. 多模态音频与视听学习 | 1 篇

7. SAVU-BENCH: A Real-World Benchmark for Spatial Audio-Visual Understanding

SAVU-BENCH：用于空间视听理解的真实世界基准

AI 总结：本文推出真实世界空间视听理解基准SAVU-Bench及配套诊断集SAVU-Diag，评估发现音频相关空间感知是瓶颈，提出无需训练的基线SAVU-EA可提升空间接地与匹配能力，凸显跨模态空间关系整合的重要性。

链接：https://arxiv.org/abs/2610.10624

机构：University of Western Australia（西澳大利亚大学）； University of Science and Technology Beijing（北京科技大学）； Monash University（莫纳什大学）

作者：Yu Chen, Ruihang Liu, Yangguang Xu, Xinyue Jiang, Mohammed Bennamoun, Farid Boussaid, Xinyuan Qian, Qiuhong Ke


6. 其他/综合语音音频 | 1 篇

8. A computational framework for the acoustic characterization of Suikinkutsu (water harp cave)

水琴窟（水竖琴洞穴）声学特征的计算框架

AI 总结：本研究提出一种计算框架，通过FFT、MFCCs等音频特征分析水琴窟的声学轮廓，对日本关西9处水琴窟的录音分析显示其各有独特特征，为水琴窟的系统表征与数字保存提供了实用基础。

链接：https://arxiv.org/abs/2610.11219

机构：Ritsumeikan University（立命馆大学）

作者：Paul Haimes, Alarith Uhde, Daniel Moritz Marutschke

受公众号正文长度限制，本文展示前 8 篇，当天共更新 15 篇。完整列表请访问 arXivDaily。