🎵 音频/语音

🧠 NeurIPS2026 · 5 篇论文解读

📌 同领域跨会议浏览： 🎞️ ECCV2026 (25) · 📷 CVPR2026 (22) · 🔬 ICLR2026 (79) · 💬 ACL2026 (70) · 🧪 ICML2026 (36) · 🤖 AAAI2026 (31)

Audible World Models: Spatially Aware Sound Generation for 3D Worlds

Audible World Models 将全景生成、声源语义解析、干声合成和几何声学连接起来，把声音存为三维世界的持久状态；在保持较强语义匹配的同时，得到更准确的运动相关方向线索，但目前仍是静态世界的离线构建系统。

OpenWhistle: A Large-Scale Longitudinal Dataset and Benchmark of Bottlenose Dolphin Vocalizations

OpenWhistle 将单一海豚群体的多年水下录音整理为约 18 万声哨声的预训练语料和 8,354 声专家标注子集，用会话级划分与冻结表示线性探测建立类型分类和检测基准，语料内预训练的 Wav2Vec2.0 达到 81.1% 分类准确率和 75.6% 检测 mAP，但不涉及海豚语言意义的解码。

Passing: An Endless Journey through Reconstructed Spacetime with AI-Generated Sound

Passing 将一段单轨列车窗景重采样为可分支播放的非线性时空旅程，让观众的在场状态间接改变视觉路径，再由经过装置适配的 SpecMaskFoley 实时生成声音，呈现的是展览案例与创作观察，而非声音还原精度的受控实验。

Reconstructing the Vocal Tract with Differentiable Acoustic Simulation

本文把声道建模为可微的动态声学管道，用频域求解、平滑湍流门控和神经几何参数化，从声音反推声道面积及 MRI 可视化；默认配置的前向合成达到实时的 71.5 倍，但重建结果是声学兼容的几何解释，不是唯一的解剖真值。

SENSE: Semantic Neural Speech Synthesis from Brain Dynamics via Spatial Graph Encoding

SENSE 用电极几何图编码和仅在语义一致试次上学习的 EEG 语义条件，改善被动听觉 N400 数据中的脑电到语音波形重建；未见被试上的 WER 从 FE-Phoneme 的 1.1231 降到 0.9948，但仍远非可靠语言恢复。