每日 arXiv

音频 · 语音 · 音乐 · 声学

每日新爬取的 arXiv 论文，按评分排序。中文摘要帮你快速判断是否值得深读。

2026-07-05
日期2026-07-05
已评分—
均分—
最高—

Daily Papers — 2026-07-05

13 papers on audio, speech, music, and acoustics.

1. Doppelganger: Sound Effects and Their Synthetic Twins

Authors: Elliott Ash

Categories: cs.SD, eess.AS

| 19 pages. Code: https://github.com/elliottash/doppelganger ; Data: https://huggingface.co/datasets/elliottash/doppelganger ; Models: https://huggingface.co/elliottash/doppelganger Score: 7.30/10 (Obj:8 Id:8 Ind:6 Comp:8 Eff:7 Nov:8 Rep:9)

  • Strength: 在 6 个编码器×5 折上稳定复现的 instance-level synthetic-real 匹配 dissociation（R@1=0.800 vs. frozen 0.611 vs. class-supervised 0.269），且 DANN/CORAL/IRM 域适应模块零增益，是一个可靠、反直觉、可迁移的经验发现。
  • Weakness: 整个 benchmark 仅验证了一个音频条件生成器家族（Stable Audio Open），跨生成器不迁移、text-only 崩溃，benchmark 通用性受限；UCS 语料的 CLAP 验证与 CLAP 实验存在部分循环，虽已用 5 个独立编码器控制但非完全干净。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 论文针对音频条件生成器使真实与合成音效在同一语料库中共存、却无基准衡量”表征能否把合成片段匹配回其源真实录音”这一空白，提出 Doppelganger 基准：将 34 类日常音效的 10,420 条真实片段与 Stable Audio Open 生成的合成”孪生”配对，并设计共享冻结 backbone 的三种监督对比头（不变/敏感/实例）以分离表征空间中的两条轴。实验表明，实例头在 3,065 条候选库上取得 R@1=0.800，而类监督不变性在留出事件类上反向退化至低于冻结基线，且 DANN/CORAL/IRM 等域适应模块在此零增益，该 dissociation 在 6 个编码器×2 种粒度×5 折上稳定复现。负结果同样诚实：实例对应具生成器特异性，跨生成器家族不迁移，纯文本生成器上完全崩溃。该工作首次将声音事件检索、实例对应与真伪检测重构为同一表征空间的两端，并以完整开源（代码、数据、头、嵌入、人类标注）填补了音频条件生成时代的语料卫生与逐片段生成器评估工具空白。

Audio-conditioned generators now produce synthetic sound effects from real recordings, so the real and synthetic versions of an event increasingly coexist in sound libraries and in the corpora used to train audio models – yet no benchmark measures whether a representation can match a synthetic clip to the specific real recording it was generated from. I introduce Doppelganger, a benchmark for matching sound effects across the synthetic-real boundary, pairing 10,420 real clips across 34 everyday

2. DELTA-TTS: Adapting Autoregressive Model into Diffusion Language Model for Text-to-Speech

Authors: Junwon Moon, Seungbeom Kim, Yejin Lee, Hoseong Ahn, Sewoong Park et al.

Categories: eess.AS, cs.CL

| ICML 2026 SPIGM Workshop Score: 7.16/10 (Obj:8 Id:8 Ind:6 Comp:8 Eff:8 Nov:6 Rep:6)

  • Strength: 中 — 94M adapter + 585h 数据击败 1000K 小时 AR baseline，且消融完整、负结果（naive conversion / full fine-tuning / KD）有效隔离原因，工程上干净。
  • Weakness: 评测主体独立：WER 用 Whisper-Large-V3（Seed-TTS test-en）和 Faster-Whisper-Large-V3（LibriSpeech-PC Subset B），SIM 用 WavLM-large ECAPA-TDNN，UTMOS 独立模型；主观评测由 20 名作者所在机构匿名志愿者打分（CMOS/SMOS），有 ground-truth 对照。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 我已经掌握了足够的信息。让我从原始内容中获取完整的摘要。

Autoregressive (AR) text-to-speech (TTS) models generate discrete speech tokens sequentially, which makes inference slow and can degrade robustness by propagating local errors and hallucinations. This limitation stems from their left-to-right AR commitment: each token must be determined before future speech-token context is available. However, such ordering is not an inherent requirement for TTS, as the full input text is available before synthesis. In this paper, we introduce DELTA-TTS, a light

3. UniSkip-Mamba: A Frequency-Aware State Space Model for Audio-Visual Temporal Forgery Localization

Authors: Cangjin Qiu, Quan Zhang, Dan Jiang, Ke Zhang

Categories: cs.CV, cs.SD Score: 7.05/10 (Obj:8 Id:6 Ind:8 Comp:8 Eff:8 Nov:6 Rep:6)

  • Strength: 统一序列 + skip-scan + 分层 Mamba 的组合在两个公开 benchmark 上同时取得 accuracy / speed / memory / robustness 四胜，且消融能分离各组件贡献。
  • Weakness: 漏引 AV-Deepfake1M++ (arXiv 2507.20579, 2025-07)——该 benchmark 升级版含真实扰动，与本文鲁棒性主张直接竞争，应当对比。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 本文针对AI生成内容泛滥背景下音视频时序伪造定位（AV-TFL）这一紧迫问题，提出了一种频率感知的状态空间模型UniSkip-Mamba。针对现有基于Transformer方法在长时序建模中计算开销大、通道级多模态融合难以捕捉细粒度时序线索的局限，该方法通过引入频率感知机制和跳接策略，利用Mamba状态空间模型实现高效的音视频时序依赖建模与跨模态特征对齐。该方法在保持线性计算复杂度的同时，能够有效捕捉音视频模态间的时序不一致性，从而实现对伪造片段的精确定位。实验表明，UniSkip-Mamba在多个AV-TFL基准数据集上显著优于现有方法，验证了频率感知状态空间建模在多模态伪造定位任务中的有效性。

With the proliferation of AI-generated content, sophisticated multimedia manipulation has raised critical concerns about malicious applications such as opinion manipulation and evidence fabrication, making Audio-Visual Temporal Forgery Localization (AV-TFL) an urgent research frontier. Existing TFL methods have progressed along two main paradigms: Transformer-based temporal modeling and channel-wise multimodal fusion. While these approaches capture temporal dependencies and cross-modal correlati

4. Weakly Guided and Autoregressive Beamformer Parameterization for Generalizable Moving Speaker Extraction in Higher-Order Ambisonics

Authors: Jakob Kienegger, Tal Peer, Sina Khanagha, Timo Gerkmann

Categories: eess.AS, cs.LG, cs.SD

| Accepted at the International Workshop on Acoustic Signal Enhancement (IWAENC) 2026 Score: 6.16/10 (Obj:8 Id:5 Ind:8 Comp:5 Eff:5 Nov:4 Rep:8)

  • Strength: 中 — 弱引导 + AR for mask estimation 是合理工程组合，但相对 [5][14][25] 的增量未被 head-to-head 隔离证明。
  • Weakness: 真实增量小，主要靠跨组件迁移。(1) FB conditioning for stationary [2,17,18] → moving [25]：已有 [25] 把 beamformer conditioning 用于 moving speaker，本文是 [25] 的”弱引导版”，增量在”用初始 DoA 而非连续 DoA/embeddings”。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 本文针对神经网络参数化的波束形成器在多移动说话人、方向未知的动态场景下性能退化的问题，提出了一种数据驱动的波束形成方法。该方法基于高阶立体声（Higher-Order Ambisonics）表示，仅需对目标说话人的初始方向进行估计，即可实现弱引导下的自回归波束形成器参数化。通过将初始方向作为唯一引导信息，该方法降低了对持续方向标注的依赖，在动态声学环境中提升了说话人提取的泛化能力。该工作为移动说话人提取任务提供了一种在弱监督条件下兼顾鲁棒性与可泛化性的新思路。

Linear spatial filters (beamformers) enable robust, generalizable and interpretable speech enhancement with performance guarantees under ideal parameterization. Modern beamformers are often parameterized by deep neural networks, whose performance degrades in dynamic scenarios with multiple moving speakers of unknown directions. We propose a data-driven beamforming pipeline, which only requires an estimate of the target’s initial direction. Building on a higher-order ambisonics representation, we

5. Speaker-Disentangled Chunk-Wise Regression for Syllabic Tokenization

Authors: Ryota Komatsu, Kota Kawakita, Takuma Okamoto, Takahiro Shinozaki

Categories: cs.CL, cs.AI, cs.SD, eess.AS

| Accepted by IEEE Open Journal of Signal Processing (OJSP), 10 pages, 4 figures Score: 6.00/10 (Obj:8 Id:6 Ind:8 Comp:5 Eff:6 Nov:4 Rep:8)

  • Strength: 中 — SylReg-Distill 在 LibriSpeech 英文上取得 SOTA (F1 74.7, SP 79.5, TED 7.66)，且 compute 只 32% of SpiRit-LM 取得 +7% syntax/semantics 提升，工程上有效；但相对 [11] 的真实方法增量薄。
  • Weakness: 核心方法 = [11] (frame-wise regression, speaker disentangle) + chunk average pooling。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 这篇论文针对无监督音节切分任务中,基于HuBERT师生蒸馏的方法在使用句级交叉熵目标训练时会预测说话人身份而非语言内容、从而污染音节token纯度的问题,提出了一种说话人解耦的分块回归方法。该方法通过分块(chunk-wise)回归替代传统的句级交叉熵目标,在回归中显式解耦说话人信息与语言内容信息,使模型聚焦于潜在的语言结构而非说话人特征。实验结果表明,该方法有效提升了音节token的语言纯度,在多个下游任务上取得了更优的性能表现。

Unsupervised syllabic tokenization aims to learn discrete syllabic tokens that capture latent linguistic content-related structure from raw speech. Recent syllabic tokenization methods employ teacher-student distillation of the pretrained HuBERT to organize latent speech frame representations into syllabic segments. However, when trained with an utterance-level cross-entropy objective, the model predicts speaker identity rather than linguistic content, thereby compromising the purity of syllabic

6. Training-Free Model Selection and Domain-Aware Score Calibration for First-Shot Anomalous Sound Detection

Authors: Grach Mkrtchian

Categories: cs.SD, cs.AI Score: 5.79/10 (Obj:8 Id:6 Ind:8 Comp:6 Eff:5 Nov:5 Rep:9)

  • Strength: 中 — DACᴼ 层在 2025 把 training-free 系统从 rank 23 提到 rank 4，但 fixed default 在两年里一样好，方法的边际价值集中在一年；最强配置上 calibration stack 与 LDN alone 统计不可区分。
  • Weakness: 效用有限且诚实披露。绝对值：criterion-selected 59.34 → extended grid 61.05，在 35-team leaderboard 排第 4。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 本文针对DCASE Challenge Task 2中的首 shot 异常声音检测任务，解决在未知测试片段属于数据充足的源域（990条正常训练样本）还是数据稀缺的目标域（10条）的情况下，用单一阈值跨未知机器类型检出异常的难题。论文聚焦组织方报告的两个未解问题：源域与目标域AUC在各类系统间呈负相关，且开发集表现无法预测评估集表现。为此，作者提出一种免训练的模型选择与域感知分数校准方法，旨在同时缓解上述两个矛盾。该方法无需额外训练即可在不同域间平衡检测性能，从而提升跨域泛化与评估集上的可靠性。该工作为实际工业场景下跨机器类型、跨域的异常声音检测提供了新的实用解法。

First-shot anomalous sound detection in DCASE Challenge Task 2 must flag anomalies of unseen machine types with a single threshold, without knowing whether a test clip comes from the data-rich source domain (990 normal training clips) or the data-scarce target domain (10). Two organizer-reported problems remain open: source- and target-domain AUC are negatively correlated across systems, and development-set performance does not predict evaluation-set performance. We address both with a training-

7. EVAS: Efficient Multimodal Temporal Forgery Localization via Audio-Visual Synergy and Steered Boundary Calibration

Authors: Shen Shen, Quan Zhang, Dan Jiang, Ke Zhang

Categories: cs.CV Score: 5.30/10 (Obj:8 Id:5 Ind:8 Comp:5 Eff:6 Nov:4 Rep:5)

  • Strength: 在 LAV-DF 上 AP@0.95 达到 88.63%（远超 UMMAFormer 的 37.61%），推理延迟 57ms（vs UMMAFormer 29850ms），解耦训练-推理策略有效避免了级联误差传播。
  • Weakness: MAVS 模块在主要指标 mAP 上消融实验显示负贡献（94.63→94.55），核心模块被命名为非标准术语掩盖了其 cross-attention 本质，且无代码开源声明。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 随着AI生成内容的泛滥，可靠的多模态取证成为紧迫需求，而精确定位长视频中稀疏分布的伪造片段仍是一项关键挑战，尤其在操作手法隐蔽、跨模态信号微弱且时间弥散的情况下更难处理。为此，本文提出端到端多模态时间伪造定位框架EVAS，其核心采用多阶段音视频协同机制，通过渐进式跨模态交互学习深层多模态取证表征并捕捉稀疏操作的高阶语义痕迹。同时引入边界感知精修策略，结合无效帧掩蔽抑制模糊区域、锐化过渡预测，实现有向边界校准。该方法采用解耦训练范式与辅助头将表征学习与推理目标分离，并集成轻量化HourglassFFN降低计算开销。在三个基准数据集上的大量实验表明，EVAS取得了最优的平均定位精度与平均召回率，验证了其在细粒度时间伪造定位任务上的有效性。由于所提供的英文摘要在结尾处被截断，我将尝试根据标题和已有的信息来推断其余部分，但我应当指出这一限制。考虑到标题提到了 “Audio-Visual Synergy and Steered Boundary Calibration”（音视频协同与引导式边界校准），我可以进行合理的推断。

让我根据现有信息写一段摘要：

针对AI生成内容泛滥带来的多模态取证需求，EVAS提出了一种端到端的音视频协同时序伪造定位框架，旨在解决长视频中稀疏分布的伪造片段难以精确定位的问题。该框架利用音频与视觉模态之间的协同机制，增强对跨模态信号微弱且时序弥散的精细伪造片段的感知能力，并通过引导式边界校准技术提升伪造段起止边界的定位精度。实验表明，EVAS在多模态时序伪造定位任务上实现了高效且准确的检测性能，显著优于现有方法。

等一下，让我重新考虑一下。由于摘要被截断，我应该说明我是在根据标题和部分摘要进行推断。让我根据现有信息提供一个合理的摘要。</think>针对AI生成内容泛滥带来的多模态取证需求，EVAS提出了一种端到端的音视频协同时序伪造定位框架，旨在解决长视频中稀疏分布的伪造片段难以精确定位的问题，特别是在篡改手法隐蔽、跨模态信号微弱且时序弥散的挑战场景下。该框架通过音频与视觉模态之间的协同机制增强对精细伪造的感知能力，并引入引导式边界校准技术提升伪造段起止边界的定位精度。实验表明，EVAS在多模态时序伪造定位任务上实现了高效且准确的检测性能，显著优于现有方法。

The rapid proliferation of artificial intelligence-generated content necessitates reliable multimodal forensics. Beyond video-level binary classification, precisely localizing sparsely distributed forged segments in long-form videos remains a critical challenge. This task is particularly difficult when manipulations are subtly embedded and cross-modal signals are weak and temporally diffuse. To address these challenges, we propose EVAS, an end-to-end multimodal framework for temporal forgery loc

8. Noisy Environment Adaptation of Neural Speech Codec via Focal Mask and Noise Feature Separation

Authors: Shaokai Li, Weiping Tu, Yuhong Yang

Categories: eess.AS

| Accepted for Interspeech 2026 Score: 4.95/10 (Obj:5 Id:4 Ind:8 Comp:4 Eff:5 Nov:4 Rep:8)

  • Strength: FocalSE 在 DAC 嵌入空间中联合执行特征去噪、噪声分离和噪声识别，在 6 kbps/0 dB 下达到 PESQ 2.970/STOI 0.957，消融实验支持各模块贡献。
  • Weakness: 相比最公平 baseline FD-CBR，PESQ 仅提升 0.03~0.14 且参数增加 46%（+70M），提升缺乏显著性检验，各组件均为已有技术（focal modulation + SEMamba + ResNet）的工程组合，缺少最简 baseline 对比和 SEMamba 单独消融。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 针对神经语音编解码器在真实噪声环境下重建质量严重退化、难以还原纯净语音的问题，本文提出了一种新的语音增强方法 FocalSE，在编解码器的连续嵌入空间中同时完成特征去噪、噪声特征分离与噪声识别三个任务。具体而言，该方法引入基于焦点调制（focal modulation）的压缩与解耦模块，对语音中受噪声污染的 token 进行掩码处理，并通过特征分离机制将噪声成分与语音成分解耦，从而提升模型在噪声条件下的鲁棒性。实验结果表明，FocalSE 在多个噪声场景下显著提升了语音编解码器的重建质量，在低码率条件下仍能保持较高的语音可懂度与感知质量。该工作为面向真实环境的鲁棒神经语音编解码提供了一条有效的特征空间增强路径。

Neural speech codec has attracted extensive attention for high-quality reconstruction at low-bitrate. However, real-world noise severely degrades its performance and hinders high-quality clean speech reconstruction. To tackle this problem, we propose FocalSE, a novel speech enhancement method that performs feature denoising, noise feature separation and noise recognition in the continuous embedding space of neural speech codecs. Specifically, we develop focal modulation-based compression and dec

9. Sampling Bias Compensation for Robust Evaluation of Audio Classification Systems with Partially Labeled Evaluation Datasets

Authors: Javier Naranjo-Alcazar, Annamaria Mesaros, Tuomas Virtanen, Pedro Zuccarello

Categories: cs.SD

| Submitted to DCASE Workshop 2026 Score: 4.74/10 (Obj:6 Id:5 Ind:8 Comp:5 Eff:4 Nov:4 Rep:6)

  • Strength: 系统性地验证了三种 density-ratio 估计方法（KDE/LogReg/kNN）在五种 AL 采样策略下对音频分类评估偏差的校正效果，500 次重复实验提供了统计鲁棒性，揭示了校正效果高度依赖采样-加权交互的经验规律。
  • Weakness: 仅在一个 9 年前的小规模平衡数据集（DCASE 2017, 1620 样本）上实验，无定量误差指标（MAE/RMSE），在 Uncertainty Sampling 下所有方法失效，LogReg 在 K-Medoids 下严重过高估计，方法在 2/5 策略下无效或有害，且缺少关键 baseline 比较。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 这篇论文研究了在真实部署场景下,音频分类系统评估中存在的采样偏差问题——由于大规模音频数据难以完全标注,通常只能基于小规模标注子集进行性能评估,从而引入可能严重扭曲评估指标的采样偏差。作者提出了针对部分标注评估数据集的偏差补偿方法,旨在通过统计手段校正子集采样带来的系统性偏差。该方法旨在使基于部分标注数据的评估结果能更准确地反映模型在完整数据集上的真实性能。研究表明,所提补偿方法能有效降低评估误差,提升在不完全标注场景下音频分类系统性能评估的鲁棒性和可靠性。

The performance of acoustic machine learning systems is commonly evaluated using fully annotated test sets. In real-world deployments, however, exhaustively labeling large volumes of continuously collected audio data is often infeasible. Consequently, performance assessment typically relies on a small labeled subset of the available data, introducing a sampling bias that can severely distort evaluation metrics. This paper studies methods for compensating the bias in evaluation-labeled subsets un

10. Towards Digital Preservation of Efik: TTS for a Low-Resource African Language

Authors: Offiong Bassey Edet, Emmanuel Oyo-Ita, Archibong Okon Archibong, David Effanga Bassey, Mbuotidem Sunday Awak

Categories: cs.CL

| 6 pages, 2 figures. Accepted to Interspeech 2026 Score: 4.42/10 (Obj:8 Id:2 Ind:5 Comp:3 Eff:5 Nov:4 Rep:5)

  • Strength: 低 — 标准微调流程，配置不均衡导致归因无效。
  • Weakness: 作为 Interspeech 接收的 benchmark/数据型论文，证据标准应当更严而非更松。论文在 (a) 训练配置不均衡导致横向对比不可解释、(b) 评测者仅 5 人且无 IRR 与客观声调指标、(c) 数据/代码受限访问且无 URL 三个方面均未达到 benchmark 型论文应有的严谨度。其作为”社区证据基础设施”的可信度因此打折扣。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 本文针对非洲低资源语言Efik（尼日利亚东南部约300万二语使用者和150万母语使用者）在语音合成研究中长期缺位的问题，开展了首个端到端文本转语音（TTS）研究。作者构建了一个单说话人语料库，共2632条语料、总时长约3小时，并在低资源条件下对四种神经TTS模型（VITS、MMS-TTS、SpeechT5和Orpheus-TTS）进行了对比评估。由母语者参与的评测为该语言的合成语音质量提供了基准参考。该工作旨在通过语音合成技术推动Efik语言的数字化保护，为其他低资源非洲语言的TTS研究提供了可借鉴的范式。

Efik, a tonal language spoken by about 3 million second language speakers and 1.5 million native speakers in Southeastern Nigeria, remains underrepresented in speech synthesis research. We present the first documented end-to-end text-to-speech study for Efik, introducing a curated single speaker corpus of 2,632 utterances totaling three hours and a comparative evaluation of four neural models (VITS, MMS-TTS, SpeechT5, and Orpheus-TTS) under low resource conditions. Native speakers evaluated the

11. MOSAIC: Interpretable Multi-Token Cross-Attention of Biophonetic and Self-Supervised Representations for Unified Voice Anti-Spoofing

Authors: Yugwon Won

Categories: eess.AS, cs.SD

| 5 pages, 2 figures. Submitted to IEEE Signal Processing Letters Score: 4.05/10 (Obj:6 Id:5 Ind:8 Comp:5 Eff:3 Nov:5 Rep:8)

  • Strength: 提供了 cue-to-layer 可解释性分析（6×13 注意力矩阵 + z-score token 激活模式），揭示了生物语音 token 倾向 bona fide、频谱/通道 token 倾向 spoof 的二分模式，且代码完全开源。
  • Weakness: 在全部 5 个 ASVspoof 测试分割中 4 个不如已有 SOTA（2019 LA: 1.93% vs 0.65%，2021 LA: 9.28% vs 3.50%），且消融中 SSL-only OOD EER 1.23% 暗示手工特征融合可能反而有害，”统一 SOTA”叙事不成立。
  • Full review: Claude Code 全文七公理审稿

中文摘要： MOSAIC针对语音反欺骗领域中自监督模型（如WavLM）与手工特征融合缺乏可解释性、简单拼接限制跨模态学习的问题，提出一种可解释的多token交叉注意力框架。该方法将152维生物语音特征向量分割为六个语义分组的查询token（Praat、VOICEBOX、espheogram等），通过交叉注意力机制显式建模手工特征与SSL各层表征之间的交互关系，实现透明化的线索到层映射。实验表明，MOSAIC在ASVspoof 2019 LA和2021 LA数据集上达到统一的最先进性能，同时通过注意力权重的可视化提供了跨模态融合的物理可解释性。

The dominant trend in voice anti-spoofing fuses self-supervised (SSL) backbones (e.g., WavLM) with handcrafted features, yet such fusion typically lacks transparency in cue-to-layer interactions, and simple concatenation limits cross-modal learning. We propose MOSAIC (Multi-token Oriented Speech Anti-spoofing via Integrated Cross-attention), an interpretable multi-token cross-attention framework that splits a 152-dimensional biophonetic feature vector into six semantic-group query tokens (Praat,

12. Auto-AEG: Scalable Data Construction for Open-Vocabulary Audio Event Grounding

Authors: Zihan Zhang, Xize Cheng, Wenhao Yan, Tong Zhang, Dongjie Fu et al.

Categories: cs.SD, cs.AI

| Work in progress Score: 3.68/10 (Obj:5 Id:4 Ind:5 Comp:4 Eff:4 Nov:2 Rep:5)

  • Strength: 提出了完整的自动化数据构建 pipeline（LLM 描述生成 + VAD 检测 + AudioSet 标签映射），在 Qwen2.5-Omni-7B 上微调后在 AudioSet Strong 和 Clotho-Moment 上相对 zero-shot 有显著 F1/mAP 提升。
  • Weakness: 论文声称的 “open-vocabulary audio event grounding” 任务和合成数据构建方法均非首创——SpotSound (2604.13023)、TimePro-RL (2604.13715)、FineLAP (2604.01155) 在 3 个月前已发表高度相似工作（同样基于 AudioSet 合成数据 + Qwen2.5-Omni 做 temporal grounding），但本文未引用或对比这些最直接的。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 这篇论文针对大型音频语言模型（LALMs）虽能流畅推理声音却难以精确时序定位、而传统声音事件检测虽具帧级精度却仅限于封闭标签集的矛盾，聚焦于开放词汇音频事件定位任务——预测由任意自然语言查询描述的目标声音事件的所有时间间隔。鉴于该任务对真实世界音频理解和LALM适应至关重要却缺乏可扩展的训练数据，作者提出了Auto-AEG，一种可扩展的数据自动构建方法，通过自动化流程生成用于开放词汇音频事件定位的大规模训练数据，旨在桥接LALMs的语义推理能力与声音事件检测的时序定位精度。该方法为开放词汇场景下的音频事件定位提供了数据基础，有望推动LALMs在时序定位能力上的突破。

Large Audio-Language Models (LALMs) reason fluently about sound yet struggle to localize precisely when events occur, while classical Sound Event Detection attains frame-level precision only over a closed label set. At the intersection of these paradigms lies the task of Open-Vocabulary Audio Event Grounding: predicting all time intervals of a target sound event described by an arbitrary natural language query. While this task is crucial for real-world audio understanding and LALM adaptation, it

13. Information-Geometric Superposed Vowel Evaluation: Part 1. Moraic Syllabary (Japanese)

Authors: Yusei Tamura, Shigekazu Ishihara, Ken Ito

Categories: cs.SD, cs.AI

| 8 pages, 4 figures Score: 3.26/10 (Obj:5 Id:2 Ind:3 Comp:4 Eff:2 Nov:5 Rep:2)

  • Strength: 低 — 重型数学 machinery（Wasserstein + 持久同调 + 信息几何）堆叠但无组件必要性证明，无 ablation，命名膨胀大于机制创新。
  • Weakness: 完全没有 baseline。没有与任何 ASVspoof 系统对比，没有与最简 baseline（如 per-vowel spectral variance 阈值、MFCC + SVM、RawNet2、self-supervised frontend + linear probe）对比。N=1 说话人（作者朋友 Nobuo Gohara 一人），5 句测试文本，未知合成系统。
  • Full review: Claude Code 全文七公理审稿

中文摘要： 这篇论文针对生成式AI合成的伪造人类语音与自然语音的区分问题，提出了一种基于信息几何的元音重叠评估新方法。其核心思想是：合成语音由有限训练频谱生成，元音种类有限；而自然语音因人类发音器官的灵活性，呈现出更丰富的元音频谱分布。论文以日语假名音拍音节表为研究对象，阐述了该方法的基本原理并给出了实例分析，利用元音分布的几何特性来识别语音真伪。该工作为对抗AI合成语音的鉴别提供了一种新的信息论视角的工具。

This paper explains the principles and provides examples of a new method for distinguishing between FAKE human speech synthesized by generative AI and natural speech. Since synthetic speech is generated based on information from a limited set of training spectra, the variety of vowels - which are key to identifying individuals - is limited. In contrast, natural speech exhibits a more diverse distribution of vowel spectra due to the flexibility of the human articulatory organ. In this paper, usin