今日论文合集：CS.SD语音与音频 共 25 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. 语音识别与关键词检测 1 篇

2. 音频事件检测与场景理解 2 篇

3. 多模态音频与视听学习 1 篇

4. 其他/综合语音音频 4 篇


1. 语音识别与关键词检测 | 1 篇

1. Measuring Local Acoustic Contribution in Speech LLMs via Word-Span Counterfactual Interventions

通过词段反事实干预测量语音大语言模型中的局部声学贡献

AI 总结：该研究提出声学证据贡献（AEC）这一词级反事实度量，通过替换词的对齐声学跨度计算对数似然变化，结合解码结果构建矩阵，发现33%-49%的正确单词语目标低于两倍贡献阈值，且参考词保留率随AEC五分位数升高而下降，实现转录正确性与声学依赖的区分。

链接：https://arxiv.org/abs/2610.33077

机构：Institute of Advanced Intelligence and Computing, Agency for Science, Technology and Research, Singapore（新加坡科技研究局先进智能与计算研究所）； Nanyang Technological University, Singapore（新加坡南洋理工大学）

作者：Hardik B. Sailor, Qiongqiong Wang, Dheemant Rastogi, Nancy F. Chen, Ai Ti Aw


2. 音频事件检测与场景理解 | 2 篇

2. Do bioacoustic foundation models hear through the noise ? SNR and generalization in underwater detection

生物声学基础模型能否在噪声中“听见”？水下检测中的信噪比与泛化性

AI 总结：研究发现生物声学基础模型在水下检测中，信噪比对性能的影响大于模型选择，训练与评估噪声 regime 一致时性能最优，混合SNR训练未提升整体性能，呼吁建立贴合真实部署的评估标准。

链接：https://arxiv.org/abs/2610.33068

机构：Sorbonne Université（索邦大学）； ENSTA（法国国立高等先进技术学院）； IMT Atlantique（大西洋电信学院）

作者：Lucie Jean-Labadye, Nicolas Farrugia, Axel Marmoret, Dorian Cazau, Olivier Adam


3. EmoNet: A Lightweight Attention-Based CNN for Speech Emotion Recognition

EmoNet：一种用于语音情感识别的轻量级基于注意力的卷积神经网络

AI 总结：本研究提出轻量级SER模型EmoNet，采用深度可分离CNN等结构，在TESS等组合数据集上以411万参数实现96.75%准确率，优于基线且竞争力强。

链接：https://arxiv.org/abs/2610.33977

机构：National University of Computer and Emerging Sciences（国家计算机与新兴科学大学）

作者：Muhammad Moiz Khalid, Abdur Rehman Tariq, Muhammad Okasha Yamin


3. 多模态音频与视听学习 | 1 篇

4. Beyond Visible Speakers: Context-Aware Active Speaker Detection with Speaker Registration

超越可见说话者：基于说话者注册的上下文感知主动说话者检测

AI 总结：该研究针对拥挤场景或视觉证据缺失下的主动说话者检测问题，提出ROAM-ASD-C和ROAM-ASD-CR模型，在五个基准上实现最优性能，视觉缺失时的mAP提升达13.3个百分点。

链接：https://arxiv.org/abs/2610.33127

机构：KU Leuven（鲁汶大学）

作者：Pu Wang, Hugo Van hamme


4. 其他/综合语音音频 | 4 篇

5. MarineSet: Large-Scale Underwater Acoustic Data Curation and evaluation

MarineSet：大规模水下声学数据整理与评估

AI 总结：针对水下声学标注数据稀缺问题，本研究构建大规模数据集MarineSet，提出可扩展数据整理流程，训练基线模型MarineNet在相关分类任务中取得竞争力性能，凸显系统数据整理的价值。

链接：https://arxiv.org/abs/2610.33080

机构：Centrum Wiskunde & Informatica（数学和计算机科学中心）； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）； Naturalis Biodiversity Center（自然生物多样性中心）

作者：Hilde I. Hummel, Sandjai Bhulai, Rob D. van der Mei, Burooj Ghani


6. JIT-MPE: Just-in-Time Multi-Pitch Estimation under Output Deadlines

JIT-MPE：输出截止时间约束下的即时多基频估计

AI 总结：本研究针对实时场景提出JIT-MPE因果多基频估计模型，在50毫秒截止时间下精度优于多数离线MPE系统，且推理速度快，能通过逐步更新提升弱场景下的基频估计召回率。

链接：https://arxiv.org/abs/2610.33113

机构：Frieve（弗里夫）

作者：Yoshiyuki Kobayashi


7. DJustify: Reason-and-Verify DJ Planning for Pop Transitions and Story-Driven Sets

DJustify：用于流行乐过渡与故事驱动歌单的DJ规划推理与验证系统

AI 总结：本研究提出DJustify，一款流行乐AI-DJ，通过LLM的推理-提议-验证-修复循环选择曲目、提示点与过渡，经盲听测试其过渡效果优于基线，且沿情感弧线排序歌单可提升故事连贯性。

链接：https://arxiv.org/abs/2610.33434

机构：National Taiwan University（台湾大学）； Academia Sinica（中央研究院）； Taiwan AI Labs（台湾人工智能实验室）； Carnegie Mellon University（卡内基梅隆大学）； AI Center of Research Excellence (AI-CoRE), National Taiwan University（台湾大学卓越研究中心人工智能中心）

作者：Wei-Han Hsu, Li-Jie Lin, Po-Hsuan Lai, Po-Hsiang Huang, Jeng-Yue Liu, Li Su, Yi-Hsuan Yang


8. Music of the Deep: An acoustic blueprint of sperm whale codas

深海之音：抹香鲸尾音的声学蓝图

AI 总结：本研究将抹香鲸尾音与音乐对比，发现其独特的声学组织特性，提出声学蓝图，为研究自然尾音及评估合成录音保真度提供新方法。

链接：https://arxiv.org/abs/2610.33974

作者：Mudit Sinha, Sanika Chavan

受公众号正文长度限制，本文展示前 8 篇，当天共更新 25 篇。完整列表请访问 arXivDaily。