每日语音速递今日论文合集：CS.SD语音与音频 共 21 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 4 篇
3. 语音增强、降噪与音频修复 1 篇
4. 音乐信息检索与音乐生成 1 篇
5. 语音翻译与语音语言模型 1 篇
6. 多模态音频与视听学习 1 篇
7. 数据集、基准与评测 2 篇
8. 安全、隐私与深度伪造音频 1 篇
9. 其他/综合语音音频 9 篇
1. 语音识别与关键词检测 | 1 篇
1. DIY Customized Speech Recognition for a Person with Speech Disabilities
为言语障碍人士定制DIY语音识别系统
AI 总结：本文针对通用ASR系统对言语障碍人士识别失效的问题，基于Whisper模型用LoRA微调构建定制ASR，开发AVoz应用，方法可复现，他人可低成本复刻。
链接：https://arxiv.org/abs/2611.11327
机构：CENSE – Center for Environmental and Sustainability Research（CENSE——环境与可持续发展研究中心）； CHANGE - Global Change and Sustainability Institute（CHANGE——全球变化与可持续发展研究所）； NOVA School of Science and Technology, NOVA University Lisbon（里斯本新大学 新科技学院）； Universidade do Algarve（阿尔加维大学）
作者：Paulo A. Condado, Fernando G. Lobo
2. 语音合成与声音生成 | 4 篇
2. Guidance at Pure Noise Erodes Speaker Similarity in Few-Step Token-Conditioned Flow-Matching TTS
纯噪声引导会削弱少步令牌条件流匹配TTS中的说话人相似度
AI 总结：本文研究少步令牌条件流匹配TTS中纯噪声引导导致说话人相似度下降的问题，提出两种无训练采样器，可有效恢复相似度损失且减少网络评估次数。
链接：https://arxiv.org/abs/2611.11179
机构：KAIST（韩国科学技术院）
作者：Jaeho Lee, Han-Lim Choi
3. Small Data Generative AI for Culturally Specific Artistic Creation: A Case Study on the Sonic Space of sarir
面向文化特定艺术创作的小数据生成式AI：以sarir的声音空间为例
AI 总结：本文以sarir声音空间为案例，提出面向文化特定艺术创作的小数据GenAI方法，构建定制数据集并训练RAVE、StyleGAN2模型，其性能优于现有文本到音频模型，验证了该方法的可行性。
链接：https://arxiv.org/abs/2611.11374
作者：Arshia Sobhan, Paul Triana, Philippe Pasquier
4. Towards Trustworthy Mobile Speech Interaction: Ensuring Voice Authenticity and Transmission Integrity
面向可信的移动语音交互：确保语音真实性与传输完整性
AI 总结：针对移动语音交互中声纹认证受生成式语音模型威胁的问题，提出MoBiMark实时生物语音水印系统，实现源认证与篡改检测，在50名用户的4款手机上准确率达99.79%，且对语音质量影响极小。
链接：https://arxiv.org/abs/2611.11777
机构：Nanjing University（南京大学）； Soochow University（苏州大学）
作者：Guodong Liu, Lei Wang, Dongxu Liu, Qianran Qiao, Haipeng Dai, He Huang, Guihai Chen
5. WaveGen: Truly End-to-End Waveform Generation via Internal Spectral Trajectory Learning
WaveGen：基于内部频谱轨迹学习的真正端到端波形生成
AI 总结：本研究提出WaveGen，一种基于频谱强制的全端到端文本到波形扩散框架，无需外部模块，在Seed-en基准上取得WER 1.47、SIM 0.75的性能，实现了端到端波形生成的最先进结果。
链接：https://arxiv.org/abs/2611.12527
机构：Ajou University（明知大学）； KT Corp.（KT公司）
作者：Sang-Hoon Lee, Ha-Yeong Choi
3. 语音增强、降噪与音频修复 | 1 篇
6. Textraction: Unified Text-Guided Speaker Extraction and Enhancement for Single- and Multi-Channel Audio
Textraction：用于单通道和多通道音频的统一文本引导说话人提取与增强框架
AI 总结：Textraction是支持单/多通道输入的文本引导音频处理框架，可通过自然语言描述提取指定说话人/噪声，兼具提取与增强功能，灵活性优于专用基线。
链接：https://arxiv.org/abs/2611.12493
机构：Bar-Ilan University（巴伊兰大学）； OriginAI
作者：Aviad Eisenberg, Sharon Gannot, Shlomo E. Chazan
4. 音乐信息检索与音乐生成 | 1 篇
7. GlobalTap: Globally Diverse Beat Tracking Benchmark via Crowdsourced Tapping
GlobalTap：通过众包敲击构建的全球多样化节拍跟踪基准
AI 总结：GlobalTap是含59国200段流行音乐的众包节拍跟踪基准，其标注与参考标注无总体差异，分歧具系统性，可用于评估文化多样化音乐的节拍跟踪系统。
链接：https://arxiv.org/abs/2611.11137
作者：William T. Botticelli-Wells, Manuel Anglada-Tort, Elif Celen, Rena Far, Harin Lee, Peter M. C. Harrison, Nori Jacoby
5. 语音翻译与语音语言模型 | 1 篇
8. Machine Hearing: Can Audio LLMs Generalize Beyond Human Auditory Perception?
机器听觉：音频大语言模型能否泛化至人类听觉感知之外？
AI 总结：该研究针对音频大语言模型难以泛化至人类听觉之外的问题，构建机器听觉基准MHB，提出轻量级编码器扩展模块MachEar，可增强模型机器听觉能力并保留原有音频理解性能。
链接：https://arxiv.org/abs/2611.10693
机构：Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）； Harbin Institute of Technology（哈尔滨工业大学）； University of Science and Technology of China（中国科学技术大学）； Fudan University（复旦大学）； Tsinghua University（清华大学）； Shanghai Jiao Tong University（上海交通大学）； University of Cambridge（剑桥大学）
作者：Liwei Liu, Jun Tao, Xingyuan Li, Xuenan Xu, Chen Zhang, Junyi Wang, Boya Zhang, Xiaoyu Yang, Zhen-Hua Ling, Wen Wu, Chao Zhang
6. 多模态音频与视听学习 | 1 篇
9. MUTE: Multi-Level Alignment Uncoupling Against Talking-Head Exploitation for Voice Protection
MUTE：针对“说话人头”模型滥用的多级解耦语音保护方法
AI 总结：针对“说话人头”模型滥用问题，提出MUTE音频保护框架，通过多级策略解耦视听对齐，可降低唇语同步性能并保持音频质量，能与图像方法结合增强多模态保护。
链接：https://arxiv.org/abs/2611.11989
机构：Soongsil University（崇实大学）； Chung-Ang University（中央大学）； AIM Intelligence（AIM智能科技公司）
作者：Donghyun Kim, Jin Hong, Seungmin Kim, Dain Kim, Junseok Kwon, Daeseon Choi
7. 数据集、基准与评测 | 2 篇
10. Steer Unified Audio Editing Toward Reliable Source Selection
引导统一音频编辑实现可靠的源选择
AI 总结：针对统一音频编辑中源选择易出错且难修正的问题，提出STEER两阶段后训练算法，结合Selective Audio Editing Benchmark验证，可提升SteerSound等编辑器的选择性编辑性能。
链接：https://arxiv.org/abs/2611.10630
机构：Renmin University of China（中国人民大学）； Tencent（腾讯）； The University of Hong Kong（香港大学）； The Chinese University of Hong Kong（香港中文大学）
作者：Youquan Fu, Dongnuan Cai, Yu Pan, Henghui Du, Yujia Zhang, Ping Luo, Quande Liu, Yake Wei, Xi Chen, Hongyuan Zhang, Di Hu
11. LAION-Audio-XL: A Web-Scale Corpus and Scaling Studies for Contrastive Language-Audio Pretraining
LAION-Audio-XL：用于对比语言-音频预训练的网络规模语料库与缩放研究
AI 总结：本研究构建了14.8亿样本的LAION-Audio-XL语料库，研究对比音频-语言模型的缩放规律，提出的CLAP2模型在MAEB、HEAR基准上优于同规模现有模型，相关资源已公开。
链接：https://arxiv.org/abs/2611.11592
机构：Jülich Supercomputing Center (JSC), Forschungszentrum Jülich (FZJ)（于利希超级计算中心，于利希研究中心）； LAION； Technical University of Munich（慕尼黑工业大学）； University of Tübingen（蒂宾根大学）
作者：Gijs Wijngaard, Felix Förster, Ross Wightman, Marianna Nezhurina, Christoph Schuhmann, Jenia Jitsev, A. Sophia Koepke
8. 安全、隐私与深度伪造音频 | 1 篇
12. When Normality Shifts: Multi-Level WavLM Modeling for Open-World Audio Deepfake Detection
当正态性发生偏移：用于开放世界音频深度伪造检测的多级 WavLM 建模
AI 总结：针对音频深度伪造检测器随合成系统演变失效的问题，提出基于 WavLM 的无攻击正态性模型 MLN-WavLM，在 ASVspoof 2019 LA 上表现接近基线，但域偏移时性能大幅下降，阈值适应无法解决排序退化问题。
链接：https://arxiv.org/abs/2611.11465
机构：Czestochowa University of Technology（琴斯托霍瓦工业大学）； Sungkyunkwan University（成均馆大学）； AGH University of Krakow（克拉科夫AGH科技大学）
作者：Daniel Niekurzak, Daniel Kozuch, Weronika Folwarska, Khan Muhammad, Rafał Scherer
9. 其他/综合语音音频 | 9 篇
13. Patchbay: a block model for the sonification of ADS-B aircraft data
Patchbay：用于ADS-B飞机数据声音化的块模型
AI 总结：提出Patchbay块模型，通过带类型模块连接将ADS-B飞机数据声音化，参考实现为单HTML文件浏览器编辑器，对比现有系统凸显其将飞机及字段作为单一连接类型的创新。
链接：https://arxiv.org/abs/2611.10973
机构：Independent Researcher（独立研究者）； Sector Labs（Sector实验室）
作者：Arquimedes Canedo
14. Real-Time Arbitrary Resampling for Phase-Continuous Microtuning in Audio Streams
音频流中相位连续微调的实时任意重采样
AI 总结：本文提出输出驱动的重采样公式，用于音频流相位连续微调，分离调谐分辨率等属性，采用线性插值等实现，可实现录制信号的精细音高调整。
链接：https://arxiv.org/abs/2611.11282
机构：QPI Laboratories, Inc.（QPI实验室公司）
作者：Andreas Falkenberg
15. Music Inpainting With Similarity-Guided Latent Diffusion
基于相似度引导隐式扩散的音乐修复
AI 总结：提出SimDPS混合方法，结合相似度匹配与扩散模型，在音乐修复中优于RePaint、DPS，提升感知合理性，为音乐修复与音频编辑提供新方案。
链接：https://arxiv.org/abs/2611.11522
作者：Sean Turland, Eloi Moliner, Vesa Välimäki
16. From Sound to Occupancy: Privacy-Aware Audio Sensing for Buildings
从声音到占用情况：面向建筑的隐私感知音频传感技术
AI 总结：该研究提出两阶段隐私感知音频传感设计，在DCASE 2013等数据集上验证其占用检测性能，可减少隐私泄露，为建筑占用控制提供实用方案。
链接：https://arxiv.org/abs/2611.11564
机构：School of Architecture（建筑学院）； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）； University of Kentucky（肯塔基大学）
作者：Myeongwon Chae, Seonghyuk Son
17. Reverberant Speech Conditioning for Material-Aware Acoustic Parameter Mapping
用于材料感知声学参数映射的混响语音条件输入
AI 总结：本研究针对场景级房间声学参数映射需参考脉冲响应的难题，提出以混响语音为条件输入，实验表明Rec-RIR重建的脉冲响应效果最优，可将T30误差降低至19.9%。
链接：https://arxiv.org/abs/2611.11834
机构：Dolby Laboratories, Inc.（杜比实验室）； New York University（纽约大学）
作者：Yi Wu, Olha Townsend, Qianqian Fang, Magdalena Fuentes, You Zhang
18. Constraining Evidence Strength in Bayesian Tonal-State Inference: A Posterior-Continuity Diagnostic
约束贝叶斯调式状态推理中的证据强度：后验连续性诊断
AI 总结：本研究通过相邻窗口后验重叠推导的λ量化调式连续性约束贝叶斯调式状态推理的证据强度，在Distant Listening Corpus等实验中确定了合适的证据强度设置，证明了嵌套跨度下局部与主导调式解读可共存。
链接：https://arxiv.org/abs/2611.12006
作者：Chen-Gia Tsai
19. BARS: Beat-Adaptive Rap Synthesis via Flow Matching
BARS：基于流匹配的节拍自适应说唱合成
AI 总结：该研究提出基于流匹配的非自回归说唱合成模型BARS，通过非对称缩放RoPE解决对齐问题，支持部分重新生成，可灵活控制说唱速度，实现高歌词保真度与节拍一致的自然说唱流。
链接：https://arxiv.org/abs/2611.12061
作者：Taemin Cho, Hector Martel, Enyan Koh
20. AudioCodex: Streaming Autoencoders for Live Audio
AudioCodex：用于实时音频的流式自动编码器
AI 总结：本研究提出AudioCodex，一种全因果流式自动编码器，通过结合多种技术优化生成-重建权衡，在保持严格因果性的同时优于现有最优方法，为实时交互式生成音频应用奠定基础。
链接：https://arxiv.org/abs/2611.12375
作者：Marco Pasini, Javier Nistal, Cyran Aouameur, Stefan Lattner, George Fazekas
21. Direct Conditioning of Audio Diffusion Transformers on fMRI Reveals Cortical Contributions to Sound Reconstruction
音频扩散Transformer的fMRI直接条件建模揭示皮层对声音重建的贡献
AI 总结：该研究提出端到端框架MAAS，将音频扩散Transformer直接基于fMRI响应条件建模，在7T fMRI数据集上优于基线，还引入保真度指标量化听觉皮层区域对音频重建的贡献。
链接：https://arxiv.org/abs/2611.12603
机构：University of Rome Tor Vergata（罗马第二大学）； Maastricht University（马斯特里赫特大学）； Tether Evo； Massachusetts General Hospital（麻省总医院）； Harvard Medical School（哈佛医学院）
作者：Matteo Ciferri, Tonio Weidler, Matteo Ferrante, Nicola Toschi, Elia Formisano
