今日论文合集：CS.SD语音与音频 共 9 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. 语音合成与声音生成 2 篇

3. 语音翻译与语音语言模型 2 篇

4. 数据集、基准与评测 1 篇

5. 安全、隐私与深度伪造音频 1 篇

6. 其他/综合语音音频 2 篇


1. 语音识别与关键词检测 | 1 篇

1. Clean-anchored excess-emission control for CTC adaptation under competing speech

竞争语音下CTC自适应的干净锚定超额发射控制

AI 总结：针对竞争语音导致CTC识别器超额发射的问题，提出单侧目标的干净锚定超额发射控制方法，在wav2vec 2.0上提升了竞争语音词错误率，验证了折叠计数控制的有效性及插入-删除权衡的存在。

链接：https://arxiv.org/abs/2611.03900

机构：Missouri University of Science and Technology（密苏里科技大学）

作者：Yuanbo Zhou, Junjie Xiong


2. 语音合成与声音生成 | 2 篇

2. TTSonic: A Unified Framework for Composable and Controllable Speech Generation

TTSonic：一个用于可组合且可控语音生成的统一框架

AI 总结：TTSonic是支持零样本TTS等多任务的统一语音生成模型，通过语义-声学解耦分词器等技术实现可控语音生成，经多类实验验证其性能与适用性。

链接：https://arxiv.org/abs/2611.04282

机构：ByteDance Douyin Content Group（字节跳动抖音内容集团）

作者：Zhedong Zhang, Kaiwen Zhou, Junyan Wu, Shengqiang Li, Xuran Chi, Xingui Zeng, Rui Yan, Xu Chen


3. Detector-Guided Vocoder Training for Adversarial Text-to-Speech Synthesis

用于对抗性文本到语音合成的检测器引导声码器训练

AI 总结：本研究提出检测器引导的TTS框架，将检测器集成到训练循环微调声码器，可生成对抗性合成语音，能欺骗多类检测器且提升语音质量，适用于取证安全领域。

链接：https://arxiv.org/abs/2611.04511

机构：Politecnico di Milano（米兰理工大学）

作者：Jiayan Cui, Davide Salvi, Paolo Bestagini, Stefano Tubaro


3. 语音翻译与语音语言模型 | 2 篇

4. PianoBench: Evaluating Musical Perception and Reasoning in Language Models

PianoBench：评估语言模型的音乐感知与推理能力

AI 总结：该研究提出PianoBench基准测试语言模型的音乐感知与推理，发现前沿模型用思维链在文本转录上准确率达93.2%，教学调优可提升Qwen 3.5 9B Base的相关能力。

链接：https://arxiv.org/abs/2611.03839

机构：Queen Mary University of London（伦敦玛丽女王大学）； Carnegie Mellon University（卡内基梅隆大学）； Cornell University（康奈尔大学）

作者：Louis Bradshaw, Irmak Bukey, Daniel Chenyu Lin, John Thickstun, Chris Donahue


5. Confidence-Aware Aggregation for Multimodal Audio Reasoning

面向多模态音频推理的置信度感知聚合方法

AI 总结：本研究针对大型音频语言模型（LALMs）预测不稳定问题，提出置信度感知聚合方法，利用对数概率评分框架加权候选答案，在4种LALMs上验证其可提升准确率与校准度，且优于多数投票。

链接：https://arxiv.org/abs/2611.04580

作者：Michel Olvera (S2A, LTCI, IDS), Paraskevas Stamatiadis (S2A, LTCI, IDS), Ga{ë}l Richard (S2A, IDS)


4. 数据集、基准与评测 | 1 篇

6. Hybrid acoustic and pretrained embedding feature fusion for unmanned aerial vehicle detection using stacking ensemble learning under a leakage-aware evaluation protocol

在泄漏感知评估协议下，基于堆叠集成学习的声学与预训练嵌入特征融合的无人机检测

AI 总结：本研究针对无人机音频检测任务，对比来源不相交与随机划分评估协议，提出融合手工声学描述符与YAMNet嵌入的堆叠集成方法，在公平基准下实现了高检测准确率且计算成本低。

链接：https://arxiv.org/abs/2611.04714

作者：Zahid Iqbal


5. 安全、隐私与深度伪造音频 | 1 篇

7. Averaging Collusion Breaks Traceability in Personalized Neural Audio Watermarking

平均合谋破坏个性化神经音频水印的可追溯性

AI 总结：该研究发现，对个性化神经音频水印的多个副本进行逐样本平均可破坏其可追溯性，混合加权可进一步提升效果，凸显多副本可追溯性是该领域的重要评估维度。

链接：https://arxiv.org/abs/2611.04400

机构：Tsinghua University（清华大学）

作者：Yangming Liu, Haiyun Li, Dongfu Song, Ziang Xu, Jiehui Luo, Yining Zhang, Zhiyong Wu


6. 其他/综合语音音频 | 2 篇

8. Metadata-Conditioned Audio Transformers for Adaptive Respiratory Sound Classification

用于自适应呼吸音分类的元数据条件音频Transformer

AI 总结：针对呼吸音分类受异质采集条件干扰的问题，提出适配AST的元数据条件机制（含TAFiLM、SoftFiLM变体），在ICBHI基准上取得2类任务新SOTA及4类任务具竞争力的性能。

链接：https://arxiv.org/abs/2611.03769

机构：University of Patras（帕特雷大学）

作者：George Kontogiannis, Pantelis Tzamalis, Sotiris Nikoletseas


9. SciPhi-Chat: Training a Spatial Audio Agent for Question Answering, Dialogue, and Tool Use

SciPhi-Chat：用于问答、对话与工具使用的空间音频智能体训练

AI 总结：本文提出SciPhi-Chat空间音频智能体，在MASU基准与ASA-Bench上取得最优性能，验证了推理监督对空间音频任务的关键作用。

链接：https://arxiv.org/abs/2611.04114

机构：Microsoft Research（微软研究院）

作者：Gijs Wijngaard, Hannes Gamper, Sebastian Braun