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. 语音翻译与语音语言模型 2 篇

3. 多模态音频与视听学习 2 篇

4. 数据集、基准与评测 2 篇

5. 安全、隐私与深度伪造音频 1 篇


1. 语音合成与声音生成 | 1 篇

1. ConformalMOS: Uncertainty-Aware MOS Prediction with Conformal Intervals and Ordinal Modeling

ConformalMOS：基于共形区间与序数建模的感知不确定性平均意见得分（MOS）预测

AI 总结：提出ConformalMOS框架，结合共形预测与序数建模，在BVCC数据集上以MSE=0.08的准确率实现可靠的MOS预测，提升TTS和VC部署的不确定性校准与可靠性。

链接：https://arxiv.org/abs/2610.36126

机构：Michigan State University（密歇根州立大学）； Clemson University（克莱姆森大学）

作者：Kehinde Elelu, Joshua E. Siegel, Mohammadali Saffary, Tashfain Ahmed, Simeon Babatunde, Ebuka Okpala


2. 语音翻译与语音语言模型 | 2 篇

2. AudioRSI: Recursively Self-Improving Audio Reasoners

AudioRSI：递归自改进音频推理器

AI 总结：提出AudioRSI框架，让音频大语言模型以递归方式自提供奖励，在四个分布外音频推理基准中优于强基线，还发展出结构化推理行为并减少幻觉。

链接：https://arxiv.org/abs/2610.36578

机构：UIUC（伊利诺伊大学厄巴纳-香槟分校）

作者：Jiajun Fan, Roger Ren, Jingyuan Li, Rahul Pandey, Prashanth Gurunath Shivakumar, Ankur Gandhe, Yile Gu, Ge Liu, Ivan Bulyko


3. S3-S2ST: Semantically Supervised Streaming Speech-to-Speech Translation

S3-S2ST：语义监督的流式语音到语音翻译

AI 总结：本研究针对流式语音到语音翻译的决策问题，提出语义监督的S3-S2ST模型，通过语义对齐的流式监督训练翻译与语音生成能力，可调阈值控制质量-延迟权衡，在FLEURS等数据集上取得良好性能，计划发布模型与代码。

链接：https://arxiv.org/abs/2610.36777

机构：X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机学院X-LANCE实验室）； Shanghai Innovation Institute（上海创新研究院）； Alibaba Token Foundry（阿里巴巴Token铸造厂）

作者：Yuxiang Zhao, Zhiyun Fan, Yu Pu, Yanjie An, Yushen Chen, Wenrui Liang, Baiji Liu, Yunchong Xiao, Zhaoci Liu, Keqi Deng, Kai Yu, Zhifu Gao, Xiangang Li, Xie Chen


3. 多模态音频与视听学习 | 2 篇

4. TAC2: Timestamped Audio Captioning as composable functions

TAC2：将带时间戳的音频字幕生成为可组合函数

AI 总结：本研究提出TAC2模型，将带时间戳的音频字幕生成为可组合函数，通过弱教师融合与IIO格式建模构建声学时间线，扩展为TAC2-S后在音频理解与生成监督任务中表现优异。

链接：https://arxiv.org/abs/2610.36568

机构：University of Surrey（萨里大学）； Adobe Research（奥多比研究院）

作者：Swapnil Bhosale, Prem Seetharaman, Ke Chen, Haonan Chen, Justin Salamon, Zeyu Jin


5. Tap2Listen: Instant Target Switching for Streaming Audio-Visual Speaker Extraction

Tap2Listen：面向流式视听说话人提取的即时目标切换

AI 总结：本文提出Tap2Listen流式视听说话人提取模型，通过模态分离计算实现0.12毫秒的即时目标切换，在LRS3-2mix测试集上提升SI-SNRi，切换后恢复速度优于基线，可在单CPU核心实时运行。

链接：https://arxiv.org/abs/2610.36643

机构：Sungkyunkwan University（成均馆大学）

作者：Hansol Park, Minkyung Song, Zinu Kim, Yujun Lee, Hoseong Ahn, Hyunjin Choi, Kyuhong Shim


4. 数据集、基准与评测 | 2 篇

6. From Voiceprints to User Entities: Online Speaker-Memory Construction for Multi-User Spoken Agents

从声纹到用户实体：面向多用户口语智能体的在线说话人记忆构建

AI 总结：本文针对多用户口语智能体的用户记忆识别问题，提出EvoSpeakerMem无训练层及LoCoMo-ID基准，实验验证其在SMIIP-TV数据集和LoCoMo-ID基准上的性能提升，同时揭示碎片化与污染的权衡。

链接：https://arxiv.org/abs/2610.36713

机构：School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）人工智能学院）； Meituan（美团）； School of Computer Science, Wuhan University（武汉大学计算机学院）

作者：Yucong Zhang, Cancan Li, Bo Xiao, Ke Zeng, Ming Li


7. SMEBENCH: Benchmarking Neural Music Editing with Synthetized MIDI Edits

SMEBENCH：基于合成MIDI编辑的神经音乐编辑基准测试

AI 总结：本研究推出SMEBench音乐编辑基准，含3600例测试集等，可独立评估相关指标，测试6个编辑系统发现排名指标会显著影响结论。

链接：https://arxiv.org/abs/2610.36715

机构：Mila – Quebec Artificial Intelligence Institute（米拉 - 魁北克人工智能研究所）； Université Laval（拉瓦尔大学）； National University of Ireland Maynooth（爱尔兰国立梅努斯大学）； Concordia University（康考迪亚大学）； Univ Toulon（土伦大学）； Aix Marseille Univ（艾克斯-马赛大学）； CNRS（法国国家科学研究中心）； LIS（信息科学实验室）； ILLS（语言与言语科学研究所）

作者：Matthieu Cervera, Francesco Paissan, Micael Antunes, Mirco Ravanelli, Ricard Marxer, Cem Subakan


5. 安全、隐私与深度伪造音频 | 1 篇

8. The Content Leash: Mitigating Degenerate Solutions in Invertible Speaker Anonymization

内容约束：缓解可逆说话人匿名化中的退化解

AI 总结：本研究提出内容保留训练约束与验证器泛化策略，提升可逆语音匿名化的隐私-效用权衡与鲁棒性，在未见过的说话人及保留验证器上实现攻击者等错误率显著提升，同时保持语音可懂度与恢复能力。

链接：https://arxiv.org/abs/2610.36768

机构：Islamic University of Technology（伊斯兰科技大学）

作者：Nirjon Mobarak Talukder, Rafid Ahmed, Mohammad Ishrak Abedin, Abu Raihan Mostofa Kamal

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。