概览
- 3 篇精评 + 0 篇简报，共 3 篇，已对 7 天滚动窗口去重（150 篇原始候选 → 音频初筛 9 篇命中，其中 4 篇已在窗口内报道、2 篇误报剔除 → 报道 3 篇未报道音频论文）。
- 来源：HuggingFace Papers 日榜（2026-10-07/08/09 三日，去重 150 篇）；arXiv API（0 篇，本次请求 429 限流未返回数据，降级模式）。
- 主题分布：跨语言 TTS 口音控制 1 篇、音视频理解评测 1 篇、广告视频生成数据 1 篇。
- 今日关键词：“口音去哪了”——AAG 用类比相减把参考音色的口音从目标语音里"减"掉，免训练；另一条是"音频终于有了位置"：OmniCapBench 把音视频 caption 拆成含音频事件的三轨原子评测单元，AdSpark 给生成式广告加上 audio alignment 评测维度。
精评
1. Accent Analogy Guidance：跨语言声音克隆里，口音漏了就用"类比相减"擦掉
一句话：跨语言零样本 TTS 有个顽疾——参考音频的口音会漏进目标语言的合成语音；AAG 用训练-free 的采样项，把"口音方向"从模型自己的预测里估计出来再减掉，口音归零、音色保留。
贡献/机制：核心 trick 是"类比"：拿同一个合成音色分别渲染两种语言，音色相消、只剩口音，得到口音方向向量，采样时减掉。用 blind LLM 口音打分在真实配音数据上先画出"身份-口音"权衡曲线，再以"同等口音下高出曲线的说话人相似度"（ΔSIM）作为统一度量，对比对象是重加权 classifier-free guidance 一类已有做法。
数值结果：4 个开源 TTS 模型上 AAG 全部跑到曲线上方：OmniVoice 上 ΔSIM +0.11~+0.27（三套测试集，口音 3.51~4.28/5 分时说话人相似度 0.29，重加权基线只有 0.02）；MaskGCT、CosyVoice 2 同样占优；F5-TTS 上比任何重加权配置都更"地道"。LLM-free 的语种识别度量和 12 人听辨小 panel 结论一致。代码已开源。
批判性分析：“用模型自己的预测估计口音方向"是漂亮的自举，但前提是模型本身两种语言的口音区分度够——作者自己给了 premise test，能提前预测哪个模型吃不到红利（X-Voice 上确实零增益），诚实但也暴露了方法的天花板完全系于基座模型；12 人 panel 偏小；ΔSIM 是相对曲线的间接指标，绝对口音分 3.5~4.3/5 说明离"无口音"还有距离。做跨语言 TTS/配音的人值得细读。
摘要译文：在跨语言零样本语音合成中，参考音频的口音会泄漏到目标语音里。我们提出口音类比引导（AAG），一个免训练的采样项：用模型对同一个合成音色在两种语言下的预测估计出口音方向（此时音色相消、只剩口音），再把它减掉。通过在真实配音数据上的盲测 LLM 口音评判，我们发现重加权参考-文本 classifier-free guidance 及其变体都落在同一条"身份-口音"权衡曲线附近；于是我们用"同等口音下高出曲线的说话人相似度”（ΔSIM）来打分。在四个开源 TTS 模型上 AAG 都跑到曲线上方：在 OmniVoice 上三套测试集的 ΔSIM 为 +0.11~+0.27（口音 3.51~4.28/5 分时说话人相似度 0.29，重加权基线仅 0.02）；MaskGCT 与 CosyVoice 2 同样高于各自曲线；在 F5-TTS 上比任何重加权配置都更地道。不依赖 LLM 的语种识别度量与 12 人听辨 panel 结论一致。前提检验与模型自身曲线的可达范围能提前判断 AAG 是否有效、大致能赚多少，并准确预测了唯一零增益的模型（X-Voice）。
2. OmniCapBench：音视频 caption 评测，别再只打一个总分
一句话：评多模态大模型的音视频理解，caption 总分太粗、局部探针太窄、纯 LLM 裁判太飘——OmniCapBench 把评测目标从自由文本改成"原子可验证单元"的集合，实体、视觉镜头、音频事件三轨各自打分。
贡献/机制：深层结构化诊断框架：预测目标不再是整段 caption，而是横跨三条轨道（entity references、visual shots、audio events）的原子评测单元集合；打分用确定性约束检查 + 局部 LLM 语义比对，既保留覆盖度又有定位能力。786 条密集标注视频，能区分时序 grounding 失败、身份漂移、跨模态错位、幻觉描述四类感知错误。
数值结果：在前沿 MLLM 上的评测结论：局部感知强、长程音视频推理弱，身份漂移与跨模态错位是重灾区——给 omnimodal 发展画了张细粒度路线图。786 视频的规模在 benchmark 里算中等。
批判性分析：“总分 vs 定位"的权衡拆解得干净，三轨原子单元的设计对得起"诊断"二字；但"局部 LLM 语义比对"仍是 LLM 当裁判，只是把不稳定性关进了更小的笼子；786 条视频对 benchmark 而言偏小，跨领域泛化存疑；纯评测工作，无建模贡献。做 omnimodal 评测和音视频理解的人必读。
摘要译文：多模态大模型正快速走向连续的音视频推理，迫切需要能暴露其能力边界的评测。音视频 caption 是理想的诊断任务，但现有 benchmark 有个耦合权衡：整段 caption 打分有覆盖无定位，局部探针有定位无覆盖，无约束的 LLM 裁判又不稳定。我们提出 OmniCapBench（Omni-Video Caption Benchmark），把音视频 caption 评测重构成深层结构化诊断框架：预测目标从自由文本变为横跨三条轨道（实体指称、视觉镜头、音频事件）的原子可验证评测单元集合，用确定性约束检查加局部 LLM 语义比对实现可靠打分。786 条密集标注视频能有效区分 MLLM 的感知错误，包括时序 grounding 失败、身份漂移、跨模态错位与幻觉描述。对前沿 MLLM 的评测显示：局部感知强、长程音视频推理弱，身份漂移与跨模态错位尤甚，为 omnimodal 发展提供了细粒度路线图。
3. AdSpark：30 万条广告视频三元组，评测里给音频留了一席
一句话：商品广告视频生成缺大规模专用数据——AdSpark 拿出来自某大电商平台的 30 万条"参考图-提示词-视频"三元组（真实+合成两部分），每条带商品身份标注、卖点描述、创意方案和对齐好的音频脚本。
贡献/机制：AdSpark-300K 数据集 + AdSpark-Bench 诊断评测：六个维度（视觉质量、商品保真、指令遵循、时序连贯、音频对齐、广告效果），其中"音频对齐"是生成视频 benchmark 里少见的显式音频维度。用代表性模型在 bench 上跑了一遍，暴露商品保真、多镜头叙事、卖点可视化三处硬骨头；300K 微调实验验证了数据有效性。
数值结果：约 300K 三元组；评测结论是定性层面的"关键挑战"揭示（摘要未给具体模型分数，属数据集论文常态）；数据集"接收后发布”，目前还没公开。
批判性分析：广告是视频生成的真实付费场景，数据集+bench 一次配齐是对的打法，音频脚本/音频对齐维度值得音频圈注意；但"upon acceptance 发布"意味着今天还拿不到；电商广告领域较窄，结论外推到通用视频生成要打折；作者单位背景偏产业，数据采集偏差未讨论。做视频生成数据或多模态广告的人可跟踪。
摘要译文：商品广告视频生成要在多镜头连贯叙事中呈现卖点、同时保持细粒度的商品身份，但因缺乏大规模广告专用数据与全面评测框架，这一新兴任务仍未被充分探索。我们基于某大电商平台的数据提出 AdSpark：大规模商品广告视频生成数据集与评测基准。AdSpark-300K 含约 30 万条参考图-提示词-视频三元组，分真实与合成两个子集；每条样本带结构化广告标注，包括商品身份标注、卖点描述、创意方案与对齐的音频脚本，支撑模型学习商品保持与广告导向的视觉叙事。我们进一步提出 AdSpark-Bench 诊断基准，从六个维度评测生成的广告：视觉质量、商品保真、指令遵循、时序连贯、音频对齐与广告效果。基于 AdSpark-Bench 对代表性模型的评测揭示了商品保持、多镜头叙事、卖点可视化等关键挑战；AdSpark-300K 微调实验验证了数据集的有效性。AdSpark 为后续研究提供了统一的数据集与基准，数据集将于论文接收后发布。
今日 3 篇：3 篇精评 + 0 篇简报。arXiv API 429 限流走降级模式（HF 日榜三日去重 150 篇），音频池本就偏薄；主线是"跨语言 TTS 的口音控制"（AAG 免训练类比相减，ΔSIM +0.11~+0.27，代码已开源），另两篇给音频在评测里争了位置（OmniCapBench 三轨原子单元、AdSpark 音频对齐维度）。
Cover image by RyuZU