AI 大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
注视、倾听与分割：迈向弱监督音频视觉语义分割
专题命中 音频语音多模态 ：audio-visual(title,abstract)；cross-modal(abstract)；分类 cs.MM
AI总结 本文提出弱监督音频视觉语义分割方法，通过分解为注视、倾听和分割三个阶段，结合渐进跨模态对齐模块，实现基于视频级标签的帧级语义分割，实验表明其在弱监督方法中表现优异。
Comments Accepted by ICASSP 2026
喜剧表演中的时间：文本、音频、笑声、身体语言（TIC-TALK）：用于喜剧时间多模态研究的管道和数据库
机构 * Centre Jean-Mabillon, École nationale des chartes, PSL, Paris, France（中心 Jean-Mabillon，国家档案学院，PSL，巴黎，法国） ； Laboratoire de Recherche, EPITA, Paris, France（研究实验室，EPITA，巴黎，法国） ； médialab, Sciences Po, Paris, France（媒体实验室，社会科学高等学院，巴黎，法国）
专题命中 音频语音多模态 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文介绍TIC-TALK数据库，通过5400多个时间对齐的主题片段，结合BERTopic、Whisper-AT、YOLOv8等技术，研究喜剧表演中的时间动态及观众反应。
一种用于Pepper机器人低延迟LLM驱动多模态交互的框架
机构 * Institute for Information Systems（信息系统研究所） ； University of Applied Sciences and Arts Northwestern Switzerland（西北瑞士应用科学与艺术大学）
专题命中 音频语音多模态 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文提出一个开源Android框架，通过端到端语音模型和功能调用能力，实现低延迟多模态交互，提升Pepper机器人的人机交互性能。
Comments 4 pages, 2 figures. To appear in Proceedings of the 21st ACM/IEEE International Conference on Human-Robot Interaction (HRI '26), Edinburgh, Scotland, March 2026
AcoustEmo：通过语句感知的声学Q-Former实现开放词汇情绪推理
专题命中 音频语音多模态 ：multimodal(abstract)；MLLM(abstract)；分类 cs.MM
AI总结 AcoustEmo通过引入语句感知的声学Q-Former，利用时间同步滑动窗口提取段级音频token，提升复杂情绪推理能力，在EMER任务中优于基线模型。
Comments 6 pages
TRI-DEP：一种利用语音、文本和EEG进行抑郁症检测的三模态比较研究
机构 * DISI, University of Bologna, Italy（博洛尼亚大学DISI学院，意大利）
专题命中 音频语音多模态 ：multimodal(abstract)；分类 cs.CL、cs.AI、eess.AS
AI总结 本文通过系统比较语音、文本和EEG的三模态方法，验证了多模态检测的有效性，发现预训练嵌入优于手工特征，三模态模型达到最优性能。
ALICE：大型音频-语言模型上下文学习能力的多维评估框架
机构 * National Taiwan University, Taiwan（台湾国立成功大学）
专题命中 音频语音多模态 ：cross-modal(abstract)；分类 cs.CL、cs.AI、eess.AS
AI总结 本文提出ALICE框架，通过三阶段评估六个LALMs在音频条件下的上下文学习能力，发现上下文示例虽能提升格式合规性，但难以改善核心任务表现，揭示了跨模态整合的潜在局限。
Comments Submitted to Interspeech 2026
DATASHI：一个平行的英语-塔希利耶特语语料库用于正字法规范化和低资源语言处理
机构 * Université de Lorraine, CNRS, Inria, LORIA（洛林大学、法国国家科学研究中心、法国国家信息与自动化技术研究院、LORIA实验室） ； ISIMA, Université Clermont Auvergne（克莱蒙特奥弗涅大学ISIMA）
专题命中 音频语音多模态 ：multimodal(abstract)；分类 cs.CL
AI总结 DATASHI提供了一个包含5000对句子的平行语料库，包含1500个经过专家标准化和非标准用户生成的句子，用于研究正字法多样性及规范化，支持NLP任务并为多模态对齐提供基础。
Comments This paper has been accepted for presentation at LREC 2026
AngelSlim：一个更易用、更全面且更高效的大型模型压缩工具包
机构 * Hunyuan AI Infra Team（文心一言AI基础设施团队）
专题命中 音频语音多模态 ：multimodal(abstract)；分类 cs.AI
AI总结 AngelSlim 提供统一流程，整合量化、推测解码等算法，实现从模型压缩到工业部署的高效加速，同时提出训练对齐的推测解码框架和训练无关的稀疏注意力框架，提升吞吐量并优化多模态模型。
Pantagruel：面向法语文本和语音的统一自监督编码器
机构 * Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学，CNRS，格勒诺布尔INP，LIG） ； INA (Institut National de l'Audiovisuel)（国家视听研究院） ； Avignon Université, LIA（阿维尼翁大学，LIA） ； CREST (École Polytechnique, ENSAE, CNRS)（CREST（巴黎政治学院、ENSAE、CNRS）） ； LLF (Université Paris Cité and CNRS)（LLF（巴黎城市大学和CNRS）） ； Univ. Grenoble Alpes, EFELIA-MIAI, IUT2 Grenoble, LIG（格勒诺布尔阿尔卑斯大学，EFELIA-MIAI，格勒诺布尔IUT2，LIG） ； Univ. Grenoble Alpes, Lidilem（格勒诺布尔阿尔卑斯大学，Lidilem） ； Université Bretagne Sud, CNRS, IRISA（布列塔尼南部大学，CNRS，IRISA） ； Saclay AI（萨克莱AI） ； IRIT, Université de Toulouse, CNRS, Toulouse INP, UT3（IRIT，图卢兹大学，CNRS，图卢兹INP，UT3）
专题命中 音频语音多模态 ：multimodal(abstract)；分类 cs.CL
AI总结 Pantagruel通过在特征空间中学习上下文化的目标表示，提升法语文本和语音的多模态理解能力，在多个下游任务中表现优异，优于现有基线模型。
Comments Accepted to LREC 2026
CALM：用于大音频-语言模型的类条件稀疏注意力向量
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Tuebingen AI Center（图宾根人工智能中心） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
专题命中 音频语音多模态 ：audio-visual(abstract)；分类 cs.AI
AI总结 本文提出CALM，一种用于小样本分类的类条件稀疏注意力向量方法，通过学习类依赖的重要性权重提升音频和音频视觉分类性能，实验显示在多个基准上优于传统投票方法。
Comments 11 pages, 6 figures
始终信守承诺：一种针对神经网络的模型无关属性算法
机构 * David R. Cheriton School of Computer Science, University of Waterloo, ON, Canada（滑铁卢大学戴维·R·切里顿计算机科学学院） ； Scotiabank AML AI Research, Toronto, ON, Canada（多伦多加拿大Scotiabank反洗钱AI研究）
专题命中 音频语音多模态 ：multimodal(abstract)
AI总结 本文提出DynamicLRP，一种在张量操作层面运行的模型无关LRP框架，通过分解计算图中的属性并引入新的延迟激活解决机制，实现了真正的架构无关性，同时保持了LRP的理论保证，并在多个模型上展示了高准确性与效率。
Comments Manuscript under review
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈