MagpieTTS-LF: Inference-Time Long-Form Speech Generation Without Training on Long-Form data（在新窗口打开）
在 MagpieTTS 上提出推理时长文本方案，不重新训练即可改善韵律连贯与说话人一致。
- 软注意力先验引导单调对齐并保留上下文
- 跨句块有状态推理维持韵律连续
- 历史感知文本编码支持语篇级韵律规划
前沿论文
14 大方向 · 三级优先筛选 · 每日更新
最近更新：2026-10-16 13:30
2026-06-18 周四共 12 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 1 · 音频 6 · 基础模型 4
- 生成
- 文生图 0图编辑 0视频生成 03D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 0具身智能 1
- 理解
- VLM 1OCR 0
- 音频
- 音频 6
- 基础模型
- LLM 4统一多模态 0
这一天为历史补采：作者单位只来自 OpenAlex，入选论文比每日更新少；要点由 AI 根据论文摘要生成，以原文为准。
共 12 篇
IndicContextEval: A Benchmark for Evaluating Context Utilisation in Audio Large Language Models Across 8 Indic Languages（在新窗口打开）
提出 IndicContextEval 基准与七级提示框架，评测 AudioLLM 在转写时是否真正利用文本上下文。
- 56 小时、555 说话人、8 语 23 专业域自然语音评测集
- 七级渐进提示含元数据、描述、实体表及对抗错误实体
- 五模型评测揭示上下文利用行为差异
WorldLines: Benchmarking and Modeling Long-Horizon Stateful Embodied Agents（在新窗口打开）
提出家庭长时程项目基准 WorldLines 与 ObsMem 记忆框架，评测记忆与具身规划。
- WorldLines 构建含对话、动作与状态变化的时序家庭轨迹
- ObsMem 维护可见性感知记忆与动作原生状态轨迹
- 揭示部分可观测与长期记忆转规划等持续挑战
Native Active Perception as Reasoning for Omni-Modal Understanding（在新窗口打开）
OmniAgent 以 POMDP 式观察–思考–行动按需抽取视听线索，在多项视频理解基准上达到开源领先。
- 将长视频全模态理解建模为原生主动感知迭代循环
- Agentic SFT 与 TAURA 强化学习支撑轨迹与信用分配
- 推理轮数增加时性能提升，7B 在 LVBench 上优于更大 VLM
EfficientRollout: System-Aware Self-Speculative Decoding for RL Rollouts（在新窗口打开）
自推测解码配合系统感知开关与草稿长度适配，加速 RL rollout 且保持模型质量。
- 从目标模型诱导量化 drafter，随策略演化保持耦合
- 系统感知 SD 开关与接受率感知的草稿长度适配
- 相对加速 AR baseline，rollout 与端到端延迟最高约降 24.2% 与 15.6%
FineCombo-TTS: Collaborative and Precise Controllable Speech Synthesis Using Text Descriptions and Reference Speech（在新窗口打开）
统一参考语音与文本描述控制声学属性，CFM 方差预测器实现细粒度可控 TTS。
- 参考语音 grounding 与文本引导的统一声学表示框架
- CFM Speech Variance Predictor 建模细粒度参考到目标变换
- FineEdit 结构化配对数据集支持相对属性控制
Steerable Cultural Preference Optimization of Reward Models（在新窗口打开）
提出 SCPO，在奖励模型训练中平衡多元文化偏好并缓解少数群体偏差。
- SCPO 算法纳入多元文化偏好并保持平衡
- 少数群体奖励模型在 PRISM 与 GlobalOpinionQA 上显著提升
- 相较全量微调最高约 280% 的数据效率
DASH: Dual-View Self-Distillation with Multi-Layer Hidden Representations for Robust Speech Recognition（在新窗口打开）
DASH 用干净–含噪双视图多层隐藏表示自蒸馏，在 LibriSpeech 上提升噪声鲁棒性且保持干净精度。
- 配对干净–含噪视图的一致性自蒸馏框架
- 多层 encoder 隐藏表示蒸馏覆盖声学至语义
- 无标签预训练阶段，额外开销约为标准微调时间的 4%
Decoupling Search from Reasoning: A Vendor-Agnostic Grounding Architecture for LLM Agents（在新窗口打开）
DSG 经 MCP 网关将搜索 grounding 与推理模型解耦，降本保准并控制输出格式。
- DSG 暴露路由、渲染、回退与检索深度等一等控制
- SimpleQA 上接近原生搜索精度且搜索成本约降 91%
- 缓解 Search-Induced Verbosity，支持严格答案契约
Adaptive Speech-to-Spike Encoding for Spiking Neural Networks（在新窗口打开）
可学习残差 speech-to-spike 编码器与 R-LIF 端到端训练，在 GSC-v2 达 94.97% 精度。
- 联合训练的 learnable residual speech-to-spike 编码器
- 35k 参数紧凑编码器达 89.8%，参数效率优于基线
- 对比 DFA 与 surrogate-gradient BPTT 量化生物启发学习规则权衡
G-IdiomAlign: A Gloss-Pivoted Benchmark for Cross-Lingual Idiom Alignment（在新窗口打开）
以 Wiktionary 英文 gloss 为锚的习语对齐基准，揭示 LLM 字面翻译偏见。
- G-IdiomAlign 提供高置信参考对齐与两类评测协议
- 多选等价与 Gloss 对比生成隔离 gloss 枢轴效应
- 分析显示跨条件差异更集中在注意力头而非层
Mitigating Scoring Errors and Compensating for Nonverbal Subtests in Speech-Based Dementia Assessment（在新窗口打开）
融合转写分数与 Whisper 嵌入，在省略运动子测验下仍与专家总评强相关。
- 整合各言语子测验的转写分数与 Whisper 嵌入以降低评分误差
- 用融合表示近似专家总体评分以补偿缺失运动子测验
- 模型可有效区分不同认知状态组别
没有符合条件的论文。