🎬视频生成P1 顶会ICASSP 2026
发布百万级身份保持视频数据集 PexelsCustom-1M，并用 CustoMDiT 高效适配 DiT 做定制视频生成。
- 构建首个公开百万级 <identity, text, video> 开放域定制视频数据集
- 提出 CustoMDiT，以约 8% 可学习参数将预训练多模态 DiT 适配为定制生成器
- 建立 OpenCustom 千类以上基准并计划开源数据、流水线与实现
🎧音频P1 顶会INTERSPEECH 2026
双流 VAE 融合冻结 SSL 语义锚点与残差声学编码，提升重建与零样本 TTS 自然度。
- 提出 SARA，在紧凑潜空间中同时约束语义与声学信息
- 重建质量优于强基线，零样本 TTS 更自然且加速推理仍稳健
- 无需复杂正则即可缓解 codec 与语义 token 的权衡
🦾具身智能P1 顶会ACL 2026
对 VLA 在十种语言 LIBERO 上系统评测，发现非英语指令成功率降 30–50%，并提出逐步推理干预。
- 首次对 VLA 做多语言系统评测，量化非英语指令下的性能下降
- 细粒度分析显示语言影响在步骤间高度不均，部分步骤主导失败
- 提出按步骤语言敏感性的推理时表征对齐，显著改善语言鲁棒性
🎧音频P1 顶会INTERSPEECH 2026
罗马化统一书写系统并加语音 token 预测，将 TTS 文本编码扩展至多语与低资源场景。
- 提出 UR-BERT，用共享罗马化表示突破 G2P 资源对语种数量的限制
- 训练期引入 speech token 预测以增强音系对齐与数据效率
- 在多语与未见语种上优于近期文本编码器基线
💬LLMP1 顶会ICML 2026
多级 SD：高置信接受、中置信 slim-verifier、低置信全模型验证，拒绝率降 0.10–0.22，较强 SD 基线快 10–20%。
- 发现许多被拒 token 可由 verifier 内路由得到的 slim 子模型正确验证
- 提出 VIA-SD 分层处理 draft token，减少昂贵大模型调用
- 多任务多模型族上兼容现有 SD 且无需改训练流程
🦾具身智能P1 顶会ICML 2026
将点云映射到 Fourier 空间缓解谱偏置，在 RoboCasa、ManiSkill3 与真机上显著提升高精度操作模仿学习。
- 假设 Cartesian 条件策略受神经网络低频谱偏置影响，提出 Fourier 特征编码点云
- 在 RoboCasa、ManiSkill3 及真机挑战性操作任务上验证简单且跨架构鲁棒
- 表明 Fourier 特征可作为点云模仿学习的通用工具
🎧音频P1 顶会INTERSPEECH 2026
对比全局锚定与成对度量学习，说明成对目标在开源语音溯源上 EER 更高。
- 在 MLAAD/STOPA 上公平比较全局监督与成对验证溯源方案
- 分析成对目标如何将方差压入更少嵌入方向、削弱相近生成器区分度
- 通过瓶颈对照与 k99 分析表明差距不单由维度引起
🎧音频P1 顶会INTERSPEECH 2026
用 SSM 骨干与谱感知正则、双轴 Patch-Mix 对比学习做呼吸音分类，ICBHI 上较 AST 高约 5%。
- 以 Distilled Audio State Space 为 RSC 骨干并分析谱响应，保留中高频成分
- 提出谱感知层正则与面向 SSM 的双轴 Patch-Mix 对比学习
- ICBHI 上达到 64.48% 分数，优于 AST 基线
💬LLMP1 顶会ACL 2026
分析 dLLM 注意力后提出 AGDO，按注意力结构去噪并强调关键 token，在数学与代码基准上优于 SOTA 后训练。
- 实证分析 dLLM 注意力：强依赖未掩码上下文的 token 更稳定且对推理关键
- AGDO 将训练与优化与注意力依赖对齐，定制去噪顺序
- 在数学与 coding benchmark 上 consistently 提升推理表现
🎧音频P1 顶会INTERSPEECH 2026
在松散标注下用因果/反因果模型生成更紧伪标签并协同训练，逼近紧标注边界效果。
- 提出从松散标签学习紧语音区间边界的新任务设定
- 因果与反因果模型生成更紧伪标签，迭代协同训练逐步收紧
- 实验称约恢复理想紧标注训练约 70% 的收紧效果并改善下游表现
🎧音频P1 顶会INTERSPEECH 2026
提出沿空间轨迹分析 FOA 生成音频评测指标敏感性的框架，比较多种标准度量。
- 定义空间音频度量的响应性、平滑性、对称性三类期望行为
- 在可控 FOA 场景下系统评估分布型与样本型指标对方位/俯仰变化的敏感性
- 指出 FAD 定位嵌入与声学图在复杂场景下更稳健
🎧音频P1 顶会INTERSPEECH 2026
在冻结 LLM 下扫帧率与对齐深度，4.17 Hz 中间层对齐在语音 QA 上表现最佳。
- 将语音 token 设计为表示选择问题，分析时间粒度与语义密度对推理的影响
- 引入 factorized FSQ 与轻量非自回归 audio LM head 支持低帧率
- 系统扫帧率与对齐深度，发现 4.17 Hz 与中间层对齐为较优区间
🎧音频P1 顶会INTERSPEECH 2026
用通道级 k-means 聚类做无数据剪枝，HuBERT/Whisper 在多种稀疏度下优于幅度剪枝。
- 提出面向语音基础模型的无数据、无训练参数聚类压缩
- 探索按层变化聚类数的混合稀疏剪枝策略
- LibriSpeech 上相对幅度剪枝显著降 WER，微调后接近未压缩基线
🎧音频P1 顶会INTERSPEECH 2026
提出交错堆叠在加深学生模型时保持层位，加速 SFM 蒸馏并减轻性能下降。
- 系统探索语音基础模型蒸馏的训练加速问题
- 提出 interleaved stacking，堆叠全程保持各层相对位置以保留层特异知识
- 在 SUPERB 上验证相对传统 stacking 的有效性
🎧音频P1 顶会INTERSPEECH 2026
因果插件 HALO 在 STFT 增强骨干内半帧率处理再恢复，不增延迟，DNS3 上同复杂度下多模型一致增益。
- 针对 STFT 重叠帧冗余，提出半帧率自适应可学习算子
- 骨干前降帧率、后轻量动态卷积恢复全率谱，不改变 STFT 流程
- DNS3 上在匹配复杂度下对多种轻量模型展示一致提升
🦾具身智能P1 顶会ICML 2026
针对 PbRL 训练与策略优化分布不一致，用片段级优势直接更新策略，在仿真机器人任务上优于现有 PbRL。
- 分析轨迹/片段偏好训练与逐步效用推断的不匹配及对信用分配的影响
- PAWS 用片段级优势函数直接做策略更新，与效用训练对齐
- 在仿真机器人操作与 locomotion 上 consistently 优于现有 PbRL