今日论文合集：CS.SD语音与音频 共 18 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. 说话人识别、验证与分离 1 篇

3. 语音增强、降噪与音频修复 2 篇

4. 音乐信息检索与音乐生成 1 篇

5. 其他/综合语音音频 2 篇


1. 语音合成与声音生成 | 2 篇

1. TTS-Q: Perception-Guided Post-Training Quantization of Text-to-Speech Diffusion Transformers

TTS-Q：感知引导的文本到语音扩散Transformer的后训练量化

AI 总结：本文针对TTS扩散Transformer的后训练量化问题，提出感知引导的TTS-Q方法，通过混合精度调度恢复4位量化后的音色，同时降低GPU内存，为资源受限的TTS部署提供参考。

链接：https://arxiv.org/abs/2610.12474

作者：Xiaoqin Feng, Yuqi Li, Weilun Feng, Yi-Cheng Lin, Kai Li, Xianglong Wang, Kuo Yang, Chuanguang Yang, Yingli Tian, Wei Li, Zhongwei Cheng, Lin Chen


2. Emo-BPO: Emotion Bidirectional Preference Optimization for Diffusion-based Emotional TTS

Emo-BPO：用于基于扩散的情感TTS的情感双向偏好优化

AI 总结：针对基于扩散的情感TTS现有方法忽略竞争情感模式建模的问题，提出Emo-BPO框架，通过同文本情感对学习得分函数，无需额外资源即可提升情感可控性与表达性。

链接：https://arxiv.org/abs/2610.12958

机构：College of William & Mary（威廉与玛丽学院）； Emory University（埃默里大学）； George Mason University（乔治梅森大学）

作者：Jiacheng Shi, Hongfei Du, Xinyuan Song, Y. Alicia Hong, Yanfu Zhang, Ye Gao


2. 说话人识别、验证与分离 | 1 篇

3. Input Representation, Not Model Size or Pretraining Scale, Shapes Speaker Verification Robustness to Temporal Degradation

输入表示，而非模型规模或预训练规模，决定说话人验证对时间退化的鲁棒性

AI 总结：该研究针对自动说话人验证，发现输入表示而非模型规模或预训练规模决定其对时间退化的鲁棒性，且滤波器组输入模型的退化程度显著低于波形输入模型

链接：https://arxiv.org/abs/2610.12539

机构：University of Zurich（苏黎世大学）

作者：Erdem Baha Topbas, Srikanth Madikeri, Elisa Pellegrino, Volker Dellwo


3. 语音增强、降噪与音频修复 | 2 篇

4. RDSE: Real-Time Directional Speech Enhancement Framework for Dual-Mic Commodity Smartphones

RDSE：面向双麦克风消费级智能手机的实时定向语音增强框架

AI 总结：针对移动设备视听变焦的限制，提出双麦克风智能手机的RDSE框架，结合信号处理与机器学习，解耦视觉交互与特征推理，经多维度验证性能与现有方法相当。

链接：https://arxiv.org/abs/2610.12476

机构：National Institute of Technology Jalandhar（贾朗达尔国家技术学院）； Kalinga Institute of Industrial Technology（卡林加工业技术学院）； IMC University of Applied Sciences（IMC应用科技大学）

作者：Chinmay Deo, Danish Mahajan, Soudeep Ghoshal, Himanshu Buckchash


5. Efficient Audio-Visual Speech Enhancement via Reinforcement Learning-Based Neural Architecture Search

基于强化学习的神经架构搜索实现高效视听语音增强

AI 总结：该研究提出RL-NAS框架，通过强化学习引导神经架构搜索，在仅评估35个候选架构的情况下，得到参数量仅为基线1/9的轻量AVSE模型，性能接近基线且部署效率显著提升。

链接：https://arxiv.org/abs/2610.12796

机构：University of Stirling（斯特林大学）； Edinburgh Napier University（爱丁堡龙比亚大学）； University of Technology and Applied Sciences（技术与应用科学大学）

作者：Khubaib Ahmed, Ahsan Adeel, Nasir Saleem, Kia Dashtipour, Ahsan Ulhaq, Amir Hussain


4. 音乐信息检索与音乐生成 | 1 篇

6. LiveSynth: A Streaming Neural Synthesizer for Instrument Cloning and Text-to-Instrument

LiveSynth：用于乐器克隆和文本生成乐器的流式神经合成器

AI 总结：LiveSynth是一款流式神经合成器，通过因果Transformer与变分自编码器实现零样本乐器克隆、文本生成乐器及实时交互，在数据集上性能接近离线基线，可在M3 MacBook Air上实时运行。

链接：https://arxiv.org/abs/2610.13054

机构：Seoul National University（首尔大学）

作者：Kyungsu Kim, Yejin Kim, Kyogu Lee


5. 其他/综合语音音频 | 2 篇

7. Structural and Representational Agency in LLM-Driven Timbre Generation and Interpolation

大语言模型（LLM）驱动的音色生成与插值中的结构代理与表征代理

AI 总结：该研究针对LLM驱动的音色生成界面，发现用户可引发的操作与界面报告可分离，存在模型预测和插值导致的误差，提出了构建核查此类显示的协议。

链接：https://arxiv.org/abs/2610.12532

机构：University of Cambridge（剑桥大学）

作者：Joseph Cameron, Alan Blackwell


8. Lightweight Systems for Spatial Semantic Segmentation of Sound Scenes

用于声音场景空间语义分割的轻量级系统

AI 总结：本文针对DCASE 2025挑战的基线S5系统模型规模过大不适用于嵌入式设备的问题，评估使用轻量级PANNs、DyMNs、SuDoRMRF模型的S5系统性能损失，为轻量级S5系统的构建提供依据。

链接：https://arxiv.org/abs/2610.12693

机构：Université de Lorraine（洛林大学）； CNRS（法国国家科学研究中心）； Inria（法国国家信息与自动化研究所）； LORIA（洛林计算机科学与应用实验室）

作者：Mayank Mishra, Paul Magron, Romain Serizel

受公众号正文长度限制，本文展示前 8 篇，当天共更新 18 篇。完整列表请访问 arXivDaily。