PrefSQA: Pairwise Preference Prediction for Speech Quality Assessment and the Critical Role of High Quality Datasets（在新窗口打开）
无 MOS 的成对偏好语音质量预测，强调高质量偏好数据与不确定性建模。
- PrefSQA：不确定性 logits、损伤注意力与非匹配参考比较模块
- 系统使用并精炼五类偏好/模拟数据集
- 高质量偏好数据上相对基线有明显提升
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
2026-06-19 周五共 16 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 3 · 音频 11 · 基础模型 1
- 生成
- 文生图 0图编辑 0视频生成 03D 生成 1
- 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 0
- 理解
- VLM 3OCR 0
- 音频
- 音频 11
- 基础模型
- LLM 1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 16 篇
Personalized Keyword Spotting for User-Defined Keywords Leveraging Text-Independent Speaker Verification（在新窗口打开）
ZP-KWS 在未见词与未见说话人下联合检测关键词并拒冒名，适合边缘部署。
- 音素监督编码器与紧凑 GE2E 说话人编码器轻量融合
- 推理期乘性 late fusion 使各分支可独立否决
- 在 LibriPhrase 等数据上显著降低目标说话人 FRR
Transcript-Free Flow-Matching Text-to-Speech via Speech Feature Conditioning（在新窗口打开）
RTFree-F5 用自监督语音表征替代参考 transcript，改善口吃/非典型发音零样本 TTS。
- 轻量 adapter 将连续自监督特征映射到 F5-TTS 文本条件空间
- 复用预训练 checkpoint，推理无需外部 ASR transcript
- 在 dysarthric 语音上 WER 与 naturalness 优于 transcript 基线
SpatialSV: Internalizing Interpretable 3D Spatial Awareness in MLLMs via Task-Oriented Visual Supervision（在新窗口打开）
SpatialSV 用深度/位姿/点云等显式 3D 监督，提升 MLLM 空间能力并可解释诊断。
- 任务导向视觉监督主动将 2D 特征提升为显式 3D 表示
- 3D 重建作为可视化与诊断模型空间知识的窗口
- 多模型多基准有效，半监督场景泛化良好
Pixel-Level Residual Diffusion Transformer: Scalable 3D CT Volume Generation（在新窗口打开）
PRDiT 在体素级生成高分辨率 3D CT，局部 MLP 与全局残差 DiT 粗到细建模。
- 两阶段：重叠 patch 局部去噪 MLP 与全局残差扩散 Transformer
- 无自编码瓶颈，保留医学体数据细微结构
- 在 LIDC-IDRI、RAD-ChestCT 上优于 HA-GAN 等基线
Zero-VC: Zero-Lookahead Streaming Voice Conversion via Speaker Anonymization（在新窗口打开）
以 Speaker Anonymization 作扰动机制，实现严格因果、零前瞻的流式零样本 VC。
- 指出 timbre 泄漏与效用保留被忽视的权衡
- 将 SA 作为扰动以减 timbre 泄漏并保留韵律效用
- 降低生成器对未来帧依赖，避免算法 lookahead 延迟
Language-Instructed Vision Embeddings for Controllable and Generalizable Perception（在新窗口打开）
用语言在推理时动态引导视觉编码器，得到任务相关嵌入，减轻幻觉并提升 VQA。
- 提出 LIVE：语言作为高层引导在推理时生成任务-centric 视觉嵌入
- 无需任务专用重训即可聚焦上下文相关视觉信息
- 在 MMVP 降幻觉、VQA 上优于更大参数 VLM，可泛化到新指令
Beyond Static Endpoints: Tool Programs as an Interface for Flexible Agentic Web Services（在新窗口打开）
ToolPro 用可执行工具程序编码多步服务调用，显著降延迟与客户端流量。
- 提出 executable tool program 表达含循环与分支的长程工具意图
- 结合约束构造、effect-aware 回放与策略选择步进或程序执行
- 在 MCP 与 WASM 沙箱上验证真实工作流效率提升
Repurposing a Speech Classifier for Guided Diffusion-Based Speech Generation（在新窗口打开）
在冻结噪声条件分类器上接轻量子网，单骨干完成条件语音合成并降算力。
- 复用预训练 log-Mel 噪声条件分类器中间表示作生成骨干
- 仅训练轻量子网于 Denoising Score Matching 目标
- 相较分类器+扩散双模型，内存与计算更省且语音质量高
Low-Burden Data Augmentation for Dysarthric ASR via Zero-Shot Voice Cloning（在新窗口打开）
用 Higgs Audio V2 零样本克隆扩充 TORGO，Whisper 微调 WER 接近真实数据。
- 零样本克隆作为低负担增强，缓解说话人特定数据采集
- Clone FT 在 TORGO 上与 Real/Hybrid FT 竞争，中重度说话人更优
- 跨语料 SAP-1102 上 Clone FT 相对最优
ELVA: Exploring Ranking-Driven Universal Multimodal Retrieval（在新窗口打开）
用规则 RL 缓解对比学习在 UMR 中的 grain blindness，并发布 MRBench。
- 将 RLVR 扩展到检索，无显式排序标签探索排序行为
- 规则奖励联合优化负样本排序并拉大正负相似度间隔
- 提出 MRBench 衡量多粒度查询场景下的 grain blindness
Latency-Configurable Streaming Speech Enhancement via Asymmetric Temporal Padding（在新窗口打开）
LaCo-SENet 用单超参在 12.5–75 ms 延迟间连续调节流式增强质量。
- 非对称时间填充系统化配置卷积过去/未来上下文延迟
- 双缓冲流式与选择性状态更新避免未来帧泄漏
- 固定 1.37M 参数在 VoiceBank+DEMAND 上覆盖多延迟点且低延迟 PESQ 达 SOTA 级
Light-weight Pronunciation Assessment via Discrete Speech Token Surprisal（在新窗口打开）
仅用母语资源，通过 token surprisal 与 Text2DUnit-DTW 对齐做轻量发音评分。
- SSL 离散化 + 母语 token LM surprisal 表征音系偏离
- Transcript 引导 Text2DUnit–DTW 对齐参考文本与声学 token
- SpeechOcean762 上 PCC 0.60→0.66，接近监督基线
PASQA: Pitch-Accent-Focused Speech Quality Assessment Model Trained on Synthetic Speech with Accent Errors（在新窗口打开）
PASQA 专注日语 pitch-accent 正确性，优于传统 MOS 模型对 accent 严重程度的排序。
- 用 accent 可控 TTS 构造日语 accent 错误数据集与伪 accent 质量分
- mora 条件融合、排序损失与 accent 错误定位辅助任务
- 在见/未见说话人上保持 accent 严重程度排序与人类判断一致
Exploring Pre-training Benefits on Phoneme Addition through Fine-tuning in Speech Synthesis（在新窗口打开）
预训练主要提升自然度，对新增音素的 PER 帮助有限，仍需相当数据量。
- 定义并研究 TTS 微调中的 phoneme addition 问题
- LLM 控制语料模拟与英→日跨语真实语音两套实验
- 预训练对自然度有益，但对新音素学习贡献有限
Investigating Human-Model Discrepancies in Speech Quality Assessment via Acoustic and Prosodic Perturbations（在新窗口打开）
MOS 模型对声学退化敏感，对韵律错误和语速等人类敏感因素多不敏感。
- 控制声学退化、韵律错误及 F0/语速等说话人特征扰动实验
- 对比人机 MOS 预测揭示感知差异
- 指出标量 MOS 预测在声学保真度之外的局限
没有符合条件的论文。