今日论文合集：CS.SD语音与音频 共 12 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 2 篇

2. 音乐信息检索与音乐生成 1 篇

3. 语音翻译与语音语言模型 1 篇

4. 数据集、基准与评测 1 篇

5. 其他/综合语音音频 3 篇


1. 语音合成与声音生成 | 2 篇

1. Reading-Level Verification of Kanji Words in Japanese Financial Speech Synthesis

日语金融语音合成中汉字词的读音层级验证

AI 总结：针对日语金融语音合成中多读音汉字词易误读的问题，提出基于CTC平假名识别器的读音层级检查方法，相比传统转录校验门限，误读检测率更高、误报率更低，可有效减少不必要的重新生成请求。

链接：https://arxiv.org/abs/2610.39168

机构：Best AI Co., Ltd.（Best AI有限公司）

作者：Cheng Zhang


2. EmpDPO: Enabling Emphasis Control in TTS via Direct Preference Optimization

EmpDPO：通过直接偏好优化实现TTS中的强调控制

AI 总结：本研究提出EmpDPO方案，通过监督微调结合直接偏好优化，为未接受强调标注训练的多语言零样本扩散TTS模型添加强调控制，经评估可在保持语音自然度的同时实现有效强调控制。

链接：https://arxiv.org/abs/2610.39427

机构：Adobe Research（奥多比研究院）； Brown University（布朗大学）

作者：Haonan Chen, Yunyun Wang, Megan Wei, Zeyu Jin


2. 音乐信息检索与音乐生成 | 1 篇

3. A learning-based method of automatic music transcription

基于学习的自动音乐转录方法

AI 总结：该研究针对复调钢琴自动转录难题，提出多头注意力-BiLSTM架构，结合CQT特征与改进注意力机制，在MAPS、MAESTRO数据集上较基线单向LSTM显著提升性能，参数仅443万。

链接：https://arxiv.org/abs/2610.39255

机构：FPT University（FPT大学）； Ho Chi Minh City Open University（胡志明市开放大学）

作者：Phu-Anh-Tai Do, Huu-Hoang Nguyen, Duc-Hoang Nguyen, Thanh-Hai Le


3. 语音翻译与语音语言模型 | 1 篇

4. MixCards: Evaluating Structured Descriptions of Multi-Source Sound Scenes

MixCards：评估多声源声音场景的结构化描述

AI 总结：针对现有音频字幕基准无法定位复调音频理解错误的问题，提出MixCardBench基准，分两阶段评估大型音频语言模型，发现当前模型在语音和音效时序检测上存在显著缺陷，该基准数据集和代码公开可用

链接：https://arxiv.org/abs/2610.38276

机构：New Jersey Institute of Technology（新泽西理工学院）； New York University（纽约大学）； Adobe Research（奥多比研究院）； Monash University（莫纳什大学）

作者：Sripathi Sridhar, Yujin Kim, Giovana Morais, Liang-Yuan Wu, Mehmet Atilay Kucukoglu, Prem Seetharaman, Lloyd May, Mark Cartwright, Magdalena Fuentes


4. 数据集、基准与评测 | 1 篇

5. Who Called? V33DA: A Physically Verified Multimodal Benchmark for Vocal Attribution in Zebra Finch Groups

谁发出的叫声？V33DA：用于斑胸草雀群体发声归因的物理验证多模态基准

AI 总结：本研究提出用于斑胸草雀群体发声归因的物理验证多模态基准V33DA，结合多模态数据评估发声者识别方法，发现保留空间推理的方法迁移性更好，同时发布配套数据集V33DA++。

链接：https://arxiv.org/abs/2610.38109

机构：Institute of Neuroinformatics, University of Zurich and ETH Zurich（苏黎世大学与苏黎世联邦理工学院神经信息学研究所）

作者：Maris Basha, Yuhang Wang, Xiaoran Chen, Longbiao Cheng, Luca Yapura, Anja T. Zai, Mathieu Salzmann, Richard Hahnloser


5. 其他/综合语音音频 | 3 篇

6. Automated Parameter Sensitivity Ranking in Audio Synthesis

音频合成中的自动参数敏感性排序

AI 总结：本文提出两阶段测量-验证框架，通过Sweep Test和Sobol Test对5款合成器的参数敏感性排序，验证了方法的有效性，减少Sobol预算仍保持强相关，分析需约66000次离线渲染。

链接：https://arxiv.org/abs/2610.38740

机构：Bahçeşehir University（巴切谢希尔大学）； Balikesir University（巴勒克西尔大学）

作者：Ogulcan Kibar, Baris Ozcan


7. Lightweight Underwater Acoustic Vessel Classification for Embedded Deployment

面向嵌入式部署的轻量型水下声学舰船分类

AI 总结：该研究提出基于Raspberry Pi的轻量型水下舰船分类系统，对比6种分类器后将RBF-SVM部署在Raspberry Pi Zero 2 W上，实现了高性能与低延迟的平衡，满足边缘监视需求。

链接：https://arxiv.org/abs/2610.39371

机构：Western Sydney University（西悉尼大学）

作者：Abishek Soti, Thura Pyae Sone, Naqib Ibnul, Jim Huang, Sergio Chevtchenko, Henry Zhong, Gregory Cohen, Ying Xu


8. Practical Assessment of Agentic Systems in Acoustics

声学领域智能体系统的实用性评估

AI 总结：本研究在两个声学应用中评估了模型与框架对智能体性能的影响，发现弱模型会设定性能上限，框架设计仅在模型足够强大时生效，智能体可实现高故障检测准确率与目标超材料设计。

链接：https://arxiv.org/abs/2610.39685

机构：Forschungszentrum Jülich（于利希研究中心）

作者：Arne Hildenbrand, Philipp Diel, Zhuo Cao, Hanno Scharr, Stefan Pischinger, Steffen Marburg

受公众号正文长度限制，本文展示前 8 篇，当天共更新 12 篇。完整列表请访问 arXivDaily。