今日论文合集：CS.SD语音与音频 共 22 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

2026-11-03

[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. 说话人识别、验证与分离 1 篇

2. 音乐信息检索与音乐生成 3 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 2 篇


1. 说话人识别、验证与分离 | 1 篇

1. Microphone Geometry Aware Regional Target Speaker Extraction

麦克风几何感知的区域目标说话人提取

AI 总结：提出几何感知的RSE框架，通过注意力多通道前端与空间音频重建辅助目标，在不同麦克风阵列上提升区域目标说话人提取性能，四麦克风阵列上SI-SDRi提升5.1 dB。

链接：https://arxiv.org/abs/2611.00894

机构：University of Oxford（牛津大学）

作者：Shitong Xu, Niki Trigoni, Andrew Markham


2. 音乐信息检索与音乐生成 | 3 篇

2. Text-to-music Generation via Structured Captions AND Interpretable Evaluation

基于结构化字幕与可解释评估的文本到音乐生成

AI 总结：该研究针对文本到音乐生成的配对文本信息不足问题，提出基于结构化字幕微调扩散变换器的方法，还引入戴维森场景图启发的评估协议，提升了生成质量与文本对齐度。

链接：https://arxiv.org/abs/2611.00685

机构：University of Washington（华盛顿大学）； Adobe Research（奥多比研究实验室）

作者：Junkai Wu, Zhepei Wang, Ge Zhu, Sarah Hye-yeon Lee, Mari Ostendorf, Nicholas J. Bryan


3. ResMamba: A Dual-Path Convolution-Mamba Model for Music Genre Classification

ResMamba：用于音乐流派分类的双路径卷积-Mamba模型

AI 总结：提出ResMamba混合模型，结合ResNet与Mamba模块，在GTZAN、FMA等音乐数据集上取得优于现有方法的音乐流派分类性能，且可泛化至更大基准。

链接：https://arxiv.org/abs/2611.00746

机构：School of Artificial Intelligence, Hainan Normal University（海南师范大学人工智能学院）； School of Teacher Education, Hainan Normal University（海南师范大学教师教育学院）

作者：Yingyu Zhang, Pu Qu


4. How Close to the Theme? Similarity-Label Conditioning for Game Music Generation

与主题的接近程度？用于游戏音乐生成的相似度标签条件控制

AI 总结：该研究针对游戏音乐生成，通过在Super Mario段落对上训练带相似度标签条件控制的预训练MIDI模型，使生成音乐的旋律等指标与上下文的相似度符合标签要求，听觉测试也验证了旋律重叠度的核心影响。

链接：https://arxiv.org/abs/2611.01047

机构：Centre for Digital Music, Queen Mary University of London（伦敦大学玛丽皇后学院数字音乐中心）

作者：Shangxuan Luo, Zixun Guo, Jinjie Shi, Joshua Reiss


3. 语音翻译与语音语言模型 | 1 篇

5. One Waveform, Two Stories: Benchmarking Speech-Acoustic Conflict in Audio-Language Models

一种波形，两种解读：音频-语言模型中的语音-声学冲突基准测试

AI 总结：本文提出SAC-Bench基准，测试5种开放权重音频-语言模型在语音与声学冲突下的表现，发现模型冲突时准确率显著下降，提示干预效果有限，该基准可区分模型的声学能力、冲突鲁棒性与干预效果。

链接：https://arxiv.org/abs/2611.00325

机构：The University of Osaka（大阪大学）； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

作者：Wenbin Wang, Yuheng Li, Koichiro Yoshino


4. 数据集、基准与评测 | 1 篇

6. 8 Bits to End the Loudness War: Lossless Floating-Point Compression for Audio Streams

结束响度战争的8位：音频流的无损浮点压缩

AI 总结：本文提出FLAC的原生扩展，通过动态位置对齐（DPA）实现浮点音频无损压缩，压缩率达44.1%至60.2%，可消除削波，为结束响度战争提供实用技术路径。

链接：https://arxiv.org/abs/2611.00732

机构：Sharif University of Technology（谢里夫理工大学）

作者：Ali Heydari


5. 其他/综合语音音频 | 2 篇

7. SPHERE: A Multi-Attribute No-Reference metric for Binaural Speech Quality And Spatial Fidelity

SPHERE：用于双耳语音质量与空间保真度的多属性无参考度量

AI 总结：本文提出SPHERE框架，定义9种感知与空间属性，通过6种基线配置验证其与人类主观评分的强相关性，证明自动化多维空间音频质量评估的可行性。

链接：https://arxiv.org/abs/2611.00402

机构：Google LLC（谷歌公司）

作者：Bala Manikya Prasad Puram, Chandan K A Reddy, Artem Dementyev


8. Spatial DJ: Spatial Audio Control for Arbitrary Loudspeaker Layouts

Spatial DJ：适用于任意扬声器布局的空间音频控制

AI 总结：本研究提出Spatial DJ系统，利用头戴式AR实现现场扬声器布局采集与空间音频控制，实验表明轨道式点声源渲染效果更优，且该系统可在异构扬声器场地复用。

链接：https://arxiv.org/abs/2611.00657

机构：AVINCE； University of California, Berkeley（加州大学伯克利分校）

作者：Anastasia Geleta, Margarita Geleta

受公众号正文长度限制，本文展示前 8 篇，当天共更新 22 篇。完整列表请访问 arXivDaily。