2026-11-17 | CS.SD语音与音频 | 共 13 篇
[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 2 篇
2. 语音合成与声音生成 2 篇
3. 说话人识别、验证与分离 3 篇
4. 语音翻译与语音语言模型 2 篇
5. 多模态音频与视听学习 1 篇
6. 安全、隐私与深度伪造音频 1 篇
7. 其他/综合语音音频 2 篇
1. 语音识别与关键词检测 | 2 篇
1. Dependable Voice Command for Multi-UAV Swarms Using Small Language Models
基于小型语言模型的多无人机集群可靠语音指令
AI 总结:针对多无人机集群监督中语音指令可靠性不足的问题,本文提出结合ASR与SLM的语音指令框架,经评估可在复杂条件下生成可靠任务指令。
链接:https://arxiv.org/abs/2611.18924
机构:Mälardalen University(梅拉达伦大学)
作者:Afshin Ameri, Luiz Giacomossi, Håkan Forsberg, Ivan Tomasic, Baran Cürüklü
2. ProSing: Zero-Shot Fine-Grained Singing Technique Conversion
ProSing:零样本细粒度演唱技巧转换
AI 总结:提出ProSing零样本细粒度演唱技巧转换框架,结合配对训练策略与连续音高轨迹控制,在未见过的歌手和源录音上实现准确技巧控制,同时保留演唱自然度与歌手相似度。
链接:https://arxiv.org/abs/2611.19223
机构:Southern University of Science and Technology(南方科技大学); University of California San Diego(加利福尼亚大学圣迭戈分校)
作者:Xinhao Guan, Jingyue Huang, Kangrui Chen, Julian McAuley, Zhong-Qiu Wang
2. 语音合成与声音生成 | 2 篇
3. Auditory-Feedback-Conditioned Flow TTS for Implicit Lombard Adaptation
听觉反馈条件化Flow TTS用于隐式Lombard适应
AI 总结:本研究提出听觉反馈条件化Flow TTS,利用SNR与ASR反馈实现隐式Lombard适应,实验验证其在未见过的噪声下的泛化益处,且功率/F0跟踪强度与语音可懂度无直接关联。
链接:https://arxiv.org/abs/2611.19260
作者:Yunya Wang, Satoshi Nakamura
4. No-Shot Text-to-Speech: Limitations of Zero-Shot TTS and its Evaluation Methods in Representing Queer and Transgender Voices
无样本文本到语音:零样本TTS在表现酷儿与跨性别语音方面的局限性及其评估方法
AI 总结:该研究针对零样本TTS系统,通过在两类数据集上评估6个模型,发现其在表现酷儿与跨性别语音时存在局限性,自动评估与人工评分结果不一致,呼吁将相关少数群体纳入数据集与模型训练以优化系统。
链接:https://arxiv.org/abs/2611.20822
机构:KTH Royal Institute of Technology(KTH皇家理工学院); University of California, Berkeley(加州大学伯克利分校)
作者:Juliana Francis, Robin Netzorg, Joakim Gustafson, Éva Székely
3. 说话人识别、验证与分离 | 3 篇
5. MOUSSE: Multilingual Overlapped Speech Separation with Predictive Uncertainty Estimation
MOUSSE:带预测不确定性估计的多语言重叠语音分离
AI 总结:针对多语言重叠语音分离研究不足的问题,构建英韩双语基准MuSSeD,提出带预测不确定性估计的流匹配框架MOUSSE,在相关指标上优于现有基线模型。
链接:https://arxiv.org/abs/2611.19706
机构:KT Corporation(KT公司); Mila - Quebec AI Institute(米拉-魁北克人工智能研究所); McGill University(麦吉尔大学); Graduate School of Artificial Intelligence, POSTECH(浦项工科大学人工智能研究生院); POSTECH(浦项工科大学)
作者:Su Yeon Shim, Yejin Jeon, David Ifeoluwa Adelani, Young-Joo Suh
6. A Speech-LLM Framework for Enrollment-Free Wake-Word-Guided Target-Speaker Recognition in Complex Noisy Scenarios for Seamless Human-Machine Interaction
面向复杂嘈杂场景下无缝人机交互的免注册唤醒词引导目标说话人识别的Speech-LLM框架
AI 总结:本文提出一种免注册Speech-LLM框架,以唤醒词为词汇线索引导目标说话人识别,结合LLM统一指令转录与非目标说话人拒绝,在复杂嘈杂场景下显著提升了目标说话人识别性能。
链接:https://arxiv.org/abs/2611.19844
机构:Shanghai Normal University(上海师范大学); Unisound AI Technology Co., Ltd.(云知声人工智能科技有限公司)
作者:Yuxiang Mei, Dongxing Xu, Yanhua Long
7. Surprise-Gated Memory for Live Speaker Diarization
用于实时说话人 diarization 的惊喜门控记忆
AI 总结:本研究将视觉学习的惊喜门控记忆方案迁移至实时说话人 diarization,提出 SGM-Diar 系统,在 AMI-SDM 和 VoxConverse 数据集上显著降低 diarization 误差,验证了其类记忆特性及核心预测。
链接:https://arxiv.org/abs/2611.20819
作者:Louis Mouchon, Alexis Lainault
4. 语音翻译与语音语言模型 | 2 篇
8. Learning from Distribution: Rethinking One-Hot Supervision for ASR and QA in Speech Language Models
从分布中学习:重新思考语音语言模型中用于自动语音识别与问答的独热监督
AI 总结:该研究针对语音语言模型中ASR训练损害QA性能的问题,提出LFD方法对齐语音预测与预训练文本LLM的条件输出分布,实现ASR与QA性能双提升且数据效率更优。
链接:https://arxiv.org/abs/2611.20436
机构:College of Computer Science, Nankai University(南开大学计算机学院); China Telecom Artificial Intelligence Technology Co. Ltd(中国电信人工智能技术有限公司)
作者:Yujie Guo, Hongjie Chen, Jiaming Zhou, Jian Kang, Jie Li, Yongxiang Li, Yong Qin
9. Think2Listen: Evidence-Centric Learning For Agentic Audio Understanding With LALMS
Think2Listen:基于证据的智能体音频理解学习框架(结合LALM)
AI 总结:该研究针对音频理解中感知与推理证据的差距,提出Think2Listen框架,结合LALM交互与迭代推理,在七个音频类别的基准上提升了多步骤音频推理及跨领域音频理解的准确率。
链接:https://arxiv.org/abs/2611.21083
机构:Xi’an University of Electronic Science and Technology(西安电子科技大学); Ant International(蚂蚁国际); Nanyang Technological University(南洋理工大学); Beijing University of Posts and Telecommunications(北京邮电大学); University of the Chinese Academy of Sciences(中国科学院大学); Peking University(北京大学)
作者:Jin Wang, Liang Lin, Kaiwen Luo, Weiliu Wang, Yuxuan Li, Zengxin Han, Gan Zhang, Jingtong Wu, Yufei Guo, Kun Wang
5. 多模态音频与视听学习 | 1 篇
10. Attribution-Guided Shared-Private Decoupling for Noise-Reduced Audio-Visual Representation Learning
归因引导的共享-私有解耦用于降噪的视听表示学习
AI 总结:该研究针对视听表示学习中跨模态对齐的语义噪声问题,提出归因引导的共享-私有解耦框架,结合 LTA 与师生框架,在多项任务上取得性能提升。
链接:https://arxiv.org/abs/2611.19236
机构:School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院); Huawei Technologies Ltd.(华为技术有限公司); Objecteye Inc.(Objecteye公司)
作者:Linge Wang, Yingying Chen, Bingke Zhu, Lu Zhou, Haixin Wang, Zhipiao Liu, Jinqiao Wang
6. 安全、隐私与深度伪造音频 | 1 篇
11. Lightweight Replay Attack Detection via Interpretable Physical Descriptors
基于可解释物理描述符的轻量级重放攻击检测
AI 总结:提出基于可解释物理描述符的轻量级音频反欺骗方法,用XGBoost分类,在6通道阵列EER达17.8%,边缘设备运行高效,实现隐私保护实时活体检测。
链接:https://arxiv.org/abs/2611.18893
作者:Saba Nasiri, Alireza Amirshahi, Milos Cernak
7. 其他/综合语音音频 | 2 篇
12. An Interpretable Acoustic Coordinate System for Japanese Consonant Morae in Dysarthric Speech
用于构音障碍患者日语辅音 mora( mora 即 mora,日语中的韵律单位)的可解释声学坐标系
AI 总结:该研究针对构音障碍患者日语辅音 mora ,提出基于时间与频谱距离的二维可解释声学坐标系可视化系统,实验验证其可分离辅音类别,筛查发音不清的ROC-AUC达0.897,为康复提供支持。
链接:https://arxiv.org/abs/2611.19714
机构:Graduate School of Information Science and Technology, The University of Osaka(大阪大学信息科学与技术研究生院); Graduate School of Dentistry, The University of Osaka(大阪大学牙科学院)
作者:Yuma Enomoto, Misa Yamaguchi, Hiroki Nishikawa, Ittetsu Taniguchi, Kazuhide Matsunaga, Narikazu Uzawa, Takao Onoye
13. Post-fusion Event-aware Time-Frequency Refinement for Audio Moment Retrieval
用于音频时刻检索的后融合事件感知时频细化
AI 总结:针对音频时刻检索中现有方法未细化融合音频特征的问题,提出ETR-AMR框架,通过时间帧门控与频率细化机制优化特征,在多数据集上取得更优性能。
链接:https://arxiv.org/abs/2611.20725
机构:College of Computer Science and Technology, Harbin Engineering University(哈尔滨工程大学计算机科学与技术学院); University of Technology Sydney(悉尼科技大学); State Key Laboratory of Space Information System and Integrated Application, Beijing, China(北京空间信息系统与综合应用国家重点实验室)
作者:Feiyang Xiao, Li'ang Luo, Kejia Zhang, Qiaoxi Zhu, Guangjun He, Pengming Feng, Jian Guan
