今日论文合集：CS.SD语音与音频 共 9 篇，本文展示前 7 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. 说话人识别、验证与分离 1 篇

3. 音频事件检测与场景理解 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. 数据集、基准与评测 1 篇

7. 其他/综合语音音频 1 篇


1. 语音识别与关键词检测 | 1 篇

1. Zero-Shot Spoken Language Understanding with SLAM-ASR: What Do Monolingual ASR-Trained Linear Projectors Enable?

基于SLAM-ASR的零样本口语理解：单语言ASR训练的线性投影器能实现什么？

AI 总结：本研究探究SLAM-ASR框架训练的单语言ASR线性投影器能否赋予LLM零样本SLU能力，发现其在是/否问题上IFR为49.8%，数字主题问题上达81.3%，但SLU信息传递存在不足。

链接：https://arxiv.org/abs/2610.20844

机构：National Yang Ming Chiao Tung University（国立阳明交通大学）； Tranxform AI； Indian Institute of Technology Hyderabad（印度海得拉巴理工学院）； Institut national des langues et civilisations orientales（东方语言与文明学院）； Université Sorbonne Nouvelle（新索邦大学）； Cohere Labs Community（Cohere实验室社区）； Cohere

作者：Edwin Arkel Rios, Sneh Sourabh, Jocelyn Zaruma, Girish Ewoorkar, Julian Mack, Bo-Cheng Lai


2. 说话人识别、验证与分离 | 1 篇

2. CF-AVSS: A Coarse-to-Fine Audio-Visual Speech Separation Framework with Target-Speaker Refinement and Post-Fusion for Real-World AVSE Challenge

CF-AVSS：一种用于现实世界AVSE挑战赛的由粗到精视听语音分离框架，包含目标说话人细化与后融合

AI 总结：该研究提出含目标说话人细化与后融合的CF-AVSS由粗到精AVSE框架，在ISCSLP 2026现实世界AVSE挑战赛中获Track 1 OVRL并列第一、Track 2 OVRL第二，且两条赛道CER均最低。

链接：https://arxiv.org/abs/2610.21773

机构：Tencent Corporation（腾讯公司）； University of Electronic Science and Technology of China（电子科技大学）

作者：Longjie Luo, Zhongshu Hou, Yuepeng Li, Gang Yang, Shidong Shang, Fan Zhou


3. 音频事件检测与场景理解 | 1 篇

3. Multiscale Generalized Sparse Plane Wave Decomposition in the Spherical Harmonic Domain

球谐域中的多尺度广义稀疏平面波分解

AI 总结：本文提出球谐域多尺度广义稀疏平面波分解方法，采用最优球核与多尺度稀疏分解提升声场恢复性能，经数值模拟验证其优于原始SPWD方法，可用于DOA估计等场景。

链接：https://arxiv.org/abs/2610.21425

机构：Graduate School of Informatics, METU（中东技术大学信息学院）

作者：Huseyin Hacihabiboglu


4. 音乐信息检索与音乐生成 | 1 篇

4. MIDI-REPA: Improving Text-to-Music Generation with Symbolic Representation Alignment

MIDI-REPA：通过符号表示对齐改进文本到音乐生成

AI 总结：MIDI-REPA是一种从AMT导出MIDI监督以对齐流匹配DiT中间表示的框架，基于FluxAudio-S基线，在单个RTX 3090上训练约31小时，可改进文本到音乐生成且在ATTM指标上具竞争力。

链接：https://arxiv.org/abs/2610.20967

机构：National Taiwan University（台湾大学）； University of California, San Diego（加利福尼亚大学圣迭戈分校）

作者：Song-Ze Yu, Fang-Duo Tsai, Yi-Hsuan Yang


5. 语音翻译与语音语言模型 | 1 篇

5. Qwen-Audio-Jev: A Unified Interface for Audio Decisions

Qwen-Audio-Jev：用于音频决策的统一接口

AI 总结：该研究针对大型音频语言模型在高吞吐量音频决策场景下的延迟问题，推出Qwen-Audio-Jev模型，通过三种决策原语实现统一音频决策，推理速度提升约20倍，在多项基准任务上表现优异。

链接：https://arxiv.org/abs/2610.21614

机构：Alibaba Group（阿里巴巴集团）

作者：Ying Fang, Zhifu Gao, Qing Gu, Jiajun He, Kangqi Jing, Xiangang Li, Yu Pu, Wupeng Wang


6. 数据集、基准与评测 | 1 篇

6. DuET: Note-Frame Dual Encoding for Piano Performance-to-Score Transcription

DuET：用于钢琴演奏转谱的音符-帧双编码模型

AI 总结：提出名为DuET的双编码器Transformer，联合学习钢琴演奏的音符级PM2S转录与帧级节拍跟踪，引入TimeRoPE和TPRoPE，在ASAP和Gangqinpu数据集上降低了MUSTER平均误差。

链接：https://arxiv.org/abs/2610.21467

机构：School of Computing, National University of Singapore（新加坡国立大学计算机学院）； NUS Graduate School（新加坡国立大学研究生院）

作者：Wei Zeng, Ye Wang


7. 其他/综合语音音频 | 1 篇

7. Frame-Wise Streaming for Efficient Learned Speech Compression

面向高效学习型语音压缩的帧级流式处理

AI 总结：本文针对现有学习型语音压缩模型缺乏流式支持的问题，提出StreamLSC模型，通过三大核心组件及可流式熵量化器实现流式处理，其性能与离线模型相当，获最优率失真结果及主观评估提升。

链接：https://arxiv.org/abs/2610.21998

机构：School of Information Science and Electronic Engineering, Shanghai Jiao Tong University（上海交通大学信息科学与工程学院）

作者：Yuhan Liu, Jun Xu, Fengxi Zhang, Zhengxue Cheng, Li Song

受公众号正文长度限制，本文展示前 7 篇，当天共更新 9 篇。完整列表请访问 arXivDaily。