圖書信息
內容簡介
對 arXiv cs.SD 分類的年度綜述，涵蓋 2025 年 9 月 至 2026 年 8 月 期間發表的研究。本卷基於對 132 篇論文 的細讀整理，組織為 37 章，按該領域的研究子方向描繪這一年的全貌。
全書框架（年度產出佔比）：
- 自監督音頻表示學習 (17.5%) — 聚焦通過自監督學習技術（如對比學習與上下文預測）改進通用音頻表示，用於下游分類任務。
- 多模態音視頻生成與同步 (17.2%) — 探索音頻與視覺內容的聯合生成與同步，包括唇形同步、擬音生成與基於視頻輸入的空間音頻。
- 語音增強與合成系統 (16.4%) — 開發高保真語音合成、增強與水印的神經模型，常整合文本或視覺先驗以提升質量。
- 符號音樂生成與分析 (10.4%) — 涵蓋基於擴散的音樂生成、音源分離與符號音樂數據集創建，處理去重與評估指標等問題。
- 自動語音識別與情感識別 (7.8%) — 利用參數高效微調、偽標註與可解釋性技術，增強語音識別的魯棒性與情感識別能力。
- 零樣本聲音轉換與歌唱合成 (7.8%) — 研究基於解耦嵌入與潛擴散模型的零樣本聲音身份變換、歌唱聲分離與音色控制。
- 音頻深度偽造檢測與欺騙防禦 (6.5%) — 應對合成語音與音頻欺騙攻擊的檢測，關注泛化性、可解釋性以及對不斷演進的深度偽造技術的魯棒性。
- 大型音頻-語言模型與推理 (6.3%) — 探索面向音頻理解、推理與多模態交互的大語言模型的訓練、微調與安全護欄。
- 實時音頻處理與低延遲系統 (4.8%) — 優化實時應用算法，包括低延遲語音分離、流式 TTS 與高效動態時間規整實現。
- 端到端對話與說話人分離 (3.4%) — 聚焦複雜聲學環境下多說話人對話、說話人分離與口語理解的端到端框架。
- 語音識別與合成技術報告與基準 (1.9%) — 提供語音識別與文本轉語音系統的技術報告、基準與評估方法，包括幻覺分析。
每個子方向均通過三章展開論述——它如何提出自己的問題、其關鍵結論的強度，以及它開放的爭論與前沿，從而讓讀者獲得該領域今年實際產出的可溯源圖景。
