今日论文合集：CS.SD语音与音频 共 11 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. 语音翻译与语音语言模型 3 篇

3. 数据集、基准与评测 1 篇

4. 其他/综合语音音频 3 篇


1. 语音识别与关键词检测 | 1 篇


1. From prediction error to sparse events: Biologically inspired signed-dyadic coding for Mandarin keyword spotting

从预测误差到稀疏事件：面向普通话关键词检测的生物启发式符号-二元编码

AI 总结：该研究针对连续脉冲式关键词检测的冗余计算问题，提出生物启发的PG编码方法，在保持90.00%准确率的同时降低内存读取与推理开销，为低功耗语音处理提供硬件接口。

链接：https://arxiv.org/abs/2610.41381

机构：Sivy Limited（西维有限公司）； University of Cambridge（剑桥大学）

作者：Zijian Zhou, Rui Liu, Rongxiang Nie, Rui Ma, Ziyao Zhang, Xin Du


2. 语音翻译与语音语言模型 | 3 篇

2. Apriel Voice 27B Preview: An Open Model for Speech, Reasoning, and Tool Use

Apriel Voice 27B Preview：一款面向语音、推理与工具使用的开源模型

AI 总结：Apriel Voice 27B Preview是一款开源语音-语言模型，基于Gemma 4 26B-A4B构建，经两阶段训练适配语音，在多项语音相关基准测试中取得优异成绩，可直接处理语音并生成响应与工具调用，支持交互式语音交互。

链接：https://arxiv.org/abs/2610.40738

作者：Aman Tiwari, Akshay Kalkunte, Akintunde Oladipo, Jash Shah, Tara Bogavelli, Hoang Nguyen, Nishanth Madhusudhan, Vishal Juneja, Sridhar Nemala, Srinivas Sunkara, Sathwik Tejaswi Madhusudhan, Shruthan Radhakrishna, Masoud Hashemi, Kelechi Ogueji, Khalil Slimi, Saloni Mittal, Pulkit Pattnaik, Shashank


3. Hierarchical Dual-Graph Retrieval for Long-form Audio Reasoning

面向长音频推理的分层双图检索

AI 总结：针对大型音频语言模型长音频推理的局限，提出AudioHelix分层双图RAG框架，在多数据集上性能优于全音频处理及现有RAG方法。

链接：https://arxiv.org/abs/2610.41390

机构：Ewha Womans University（梨花女子大学）

作者：Eunsang Lee, Taein Ju, Jiyoung Lee


4. Scalable Audio-LLM System for Speech MOS Evaluation: A Diagnostic Case Study and Adaptation Roadmap

面向语音MOS评估的可扩展音频-大语言模型系统：诊断案例研究与适配路线图

AI 总结：本研究针对企业语音系统合成语音MOS评估的瓶颈，以Qwen2-Audio-7B-Instruct为基础，构建诊断基准并通过LoRA微调优化，实现了低成本可扩展的语音质量评估方案。

链接：https://arxiv.org/abs/2610.41539

机构：Innoetics（伊诺伊特克斯）； Samsung Electronics, Greece Mobile eXperience Business（三星电子希腊移动体验业务部门）； Samsung Electronics, Republic of Korea（大韩民国三星电子）

作者：Dimitrios Kokkinis, Panagiotis Kakoulidis, Nikolaos Ellinas, Chrysovalanti Lymperi, Alexandra Vioni, Georgios Vardaxoglou, Iakovi Alexiou, Myrsini Christidou, Jeasung Lee, Gunu Jho, Inchul Hwang, Pirros Tsiakoulis, Aimilios Chalamandaris


3. 数据集、基准与评测 | 1 篇

5. ARPEGE: Dataset and Methods to Estimate Acoustic and Geometric Parameters of Rooms from Sound

ARPEGE：用于估计房间声学与几何参数的数据集及方法

AI 总结：本研究发布ARPEGE数据集，含6个空房间的Ambisonic球面阵列房间冲激响应及标注，验证两种先进方法，提供重测代码，目标构建数字孪生以推动房间声学与几何参数估计研究。

链接：https://arxiv.org/abs/2610.41543

作者：Jean-Daniel Pascal Prieto (UMRAE, MACARON), Prerak Srivastava, Cédric Foy (UMRAE), Antoine Deleforge (MACARON)


4. 其他/综合语音音频 | 3 篇

6. JYVA at BeTraC: Audio-Based Medical Note Generation with SOAP Section-Specific Queries

JYVA参与BeTraC：基于音频的医疗笔记生成，采用SOAP章节特定查询

AI 总结：本研究针对BeTraC挑战，基于Qwen2.5-Omni-3B提出章节感知方法，通过轻量级Q-Former学习SOAP章节特定查询，在轻量级赛道排名第四，Concept F1达0.5005，提升了抗幻觉性与音频稳定性，验证了SOAP结构建模的有效性。

链接：https://arxiv.org/abs/2610.40695

作者：Youness Dkhissi (LIUM), Valentin Vielzeuf, Antoine Caubrière, Jean-Emile Dartois (IRT b-com)


7. TAPE: Learning General Audio Effect Representations

TAPE：学习通用音频效果表征

AI 总结：TAPE是一种仅从参考音频估计信号处理链的模型，通过编码器与可微分DSP链实现，在频谱误差上优于DeepAFx-ST等方法，且运行速度大幅提升。

链接：https://arxiv.org/abs/2610.40759

机构：Smule Labs（Smule实验室）； University of California, San Diego（加利福尼亚大学圣迭戈分校）

作者：Phillip Long, Yongyi Zang, Qihui Yang, Christodoulos Benetatos, Junfei Liu, Randal Leistikow, Julian McAuley, Perry R. Cook


8. Self-Localization of Distributed Microphone Arrays Using One Source and Acoustic Reflections

利用单个声源和声学反射实现分布式麦克风阵列的自定位

AI 总结：本研究提出ARCTIC算法，利用单个声源的RIR和声学反射，实现分布式麦克风阵列的自定位，其性能优于基线方法，在36组真实RIR上误差低于5度和10厘米。

链接：https://arxiv.org/abs/2610.41547

作者：Thomas Guffroy (MACARON, UMRAE), Jean-Daniel Pascal Prieto (UMRAE, MACARON), Cédric Foy (UMRAE), Antoine Deleforge (MACARON)


受公众号正文长度限制，本文展示前 8 篇，当天共更新 11 篇。完整列表请访问 arXivDaily。