今日论文合集：cs.SD语音9篇，eess.AS音频处理7篇。


本文经arXiv每日学术速递授权转载

微信公众号：arXiv_Daily


cs.SD语音


【1】Probabilistic Multilabel Graphical Modelling of Motif Transformations in Symbolic Music
标题：象征音乐中主题转换的概率多标签图形建模
链接：https://arxiv.org/abs/2603.26478

作者：Ron Taieb, Yoel Greenberg, Barak Sober
备注：23 pages (21 pages main text), 2 figures. Submitted to Journal of New Music Research (Special Issue on Computational and Cognitive Musicology)
摘要：
摘要：


【2】CA-TCN: A Causal-Anticausal Temporal Convolutional Network for Direct Auditory Attention Decoding
标题：CA-TCN：一种用于直接听觉注意力解码的CASEARCH-反高斯时间卷积网络
链接：https://arxiv.org/abs/2603.26394

作者：Iñigo García-Ugarte, Rubén Eguinoa, Ricardo San Martín, Daniel Paternain, Carmen Vidaurre
摘要：
摘要：


【3】LLaDA-TTS: Unifying Speech Synthesis and Zero-Shot Editing via Masked Diffusion Modeling
标题：LLaDA-TTC：通过掩蔽扩散建模统一语音合成和Zero-Shot编辑
链接：https://arxiv.org/abs/2603.26364

作者：Xiaoyu Fan, Huizhi Xie, Wei Zou, Yunzhang Chen
备注：11 pages, 6 figures, 2 tables
摘要：
摘要：


【4】Cinematic Audio Source Separation Using Visual Cues
标题：使用视觉线索的电影音频源分离
链接：https://arxiv.org/abs/2603.26113

作者：Kang Zhang, Suyeon Lee, Arda Senocak, Joon Son Chung
备注：CVPR 2026. Project page: this https URL
摘要：
摘要：


【5】A Human-Inspired Decoupled Architecture for Efficient Audio Representation Learning
标题：用于高效音频表示学习的以人为本的去耦合架构
链接：https://arxiv.org/abs/2603.26098

作者：Harunori Kawano, Takeshi Sasaki
摘要：
摘要：


【6】Unlocking Strong Supervision: A Data-Centric Study of General-Purpose Audio Pre-Training Methods
标题：解锁强监督：通用音频预训练方法的以数据为中心的研究
链接：https://arxiv.org/abs/2603.25767

作者：Xuanru Zhou, Yiwen Shao, Wei-Cheng Tseng, Dong Yu
备注：Accepted to CVPR 2026
摘要：
摘要：


【7】Relational graph-driven differential denoising and diffusion attention fusion for multimodal conversation emotion recognition
标题：关系图驱动的差异去噪和扩散注意融合用于多模式对话情感识别
链接：https://arxiv.org/abs/2603.25752

作者：Ying Liu, Yuntao Shou, Wei Ai, Tao Meng, Keqin Li
备注：19 pages
摘要：
摘要：


【8】Sommelier: Scalable Open Multi-turn Audio Pre-processing for Full-duplex Speech Language Models
标题：侍酒师：用于双环语音语言模型的可扩展开放多轮音频预处理
链接：https://arxiv.org/abs/2603.25750

作者：Kyudan Jung, Jihwan Kim, Soyoon Kim, Jeongoon Kim, Jaegul Choo, Cheonbok Park
备注：34 pages, 7 figures, 11 tables
摘要：
摘要：


【9】A Power-Weighted Noncentral Complex Gaussian Distribution
标题：功率加权非中心复高斯分布
链接：https://arxiv.org/abs/2603.26344

作者：Toru Nakashika
摘要：
摘要：


eess.AS音频处理


【1】UPV_RIR_DB: A Structured Room Impulse Response Database with Hierarchical Metadata and Acoustic Indicators
标题：UPV_RIR_DB：具有分层元数据和声学指标的结构化房间脉冲响应数据库
链接：https://arxiv.org/abs/2603.25947

作者：Jesús García-Gamborino (1), Laura Fuster (1), Daniel de la Prida (2), Luis A. Azpicueta-Ruiz (3), Gema Piñero (1) ((1) ITEAM, Universitat Politècnica de València, (2) Grupo de Investigación en Acústica Arquitectónica, Universidad Politécnica de Madrid, (3) Dep. Teoría de la Señal y Comunicaciones, Universidad Carlos III de Madrid)
备注：RIR Database available at ZENODO
摘要：
摘要：


【2】A Power-Weighted Noncentral Complex Gaussian Distribution
标题：功率加权非中心复高斯分布
链接：https://arxiv.org/abs/2603.26344

作者：Toru Nakashika
摘要：
摘要：


【3】Distilling Conversations: Abstract Compression of Conversational Audio Context for LLM-based ASR
标题：提炼对话：基于LLM的ASB的对话音频上下文的抽象压缩
链接：https://arxiv.org/abs/2603.26246

作者：Shashi Kumar, Esaú Villatoro-Tello, Sergio Burdisso, Kadri Hacioglu, Thibault Bañeras-Roux, Hasindri Watawana, Dairazalia Sanchez-Cortes, Srikanth Madikeri, Petr Motlicek, Andreas Stolcke
备注：11 pages
摘要：
摘要：


【4】Cinematic Audio Source Separation Using Visual Cues
标题：使用视觉线索的电影音频源分离
链接：https://arxiv.org/abs/2603.26113

作者：Kang Zhang, Suyeon Lee, Arda Senocak, Joon Son Chung
备注：CVPR 2026. Project page: this https URL
摘要：
摘要：


【5】Unlocking Strong Supervision: A Data-Centric Study of General-Purpose Audio Pre-Training Methods
标题：解锁强监督：通用音频预训练方法的以数据为中心的研究
链接：https://arxiv.org/abs/2603.25767

作者：Xuanru Zhou, Yiwen Shao, Wei-Cheng Tseng, Dong Yu
备注：Accepted to CVPR 2026
摘要：
摘要：


【6】Relational graph-driven differential denoising and diffusion attention fusion for multimodal conversation emotion recognition
标题：关系图驱动的差异去噪和扩散注意融合用于多模式对话情感识别
链接：https://arxiv.org/abs/2603.25752

作者：Ying Liu, Yuntao Shou, Wei Ai, Tao Meng, Keqin Li
备注：19 pages
摘要：
摘要：


【7】Sommelier: Scalable Open Multi-turn Audio Pre-processing for Full-duplex Speech Language Models
标题：侍酒师：用于双环语音语言模型的可扩展开放多轮音频预处理
链接：https://arxiv.org/abs/2603.25750

作者：Kyudan Jung, Jihwan Kim, Soyoon Kim, Jeongoon Kim, Jaegul Choo, Cheonbok Park
备注：34 pages, 7 figures, 11 tables
摘要：
摘要：


机器翻译由腾讯交互翻译提供，仅供参考