speech-paper-daily

---

name: speech-paper-daily description: 语音领域每日论文速递。搜索最新语音大模型（Speech LLM、TTS、ASR、codec、speech generation）和语音前端（speech enhancement、noise suppression、beamforming、source separation、dereverberation）预印本论文，以领域专家视角精读每篇论文，输出技术方案、实验结果、简介摘要和10分制评分，并将结果写入腾讯文档「每日论文速递」文件夹。触发场景：用户说"帮我找最新语音论文"、"搜语音预印本"、"语音论文速递"、"今天有什么语音论文"、"看看最新的 TTS/ASR/语音增强论文"等。

---

语音论文速递 Skill

目标

搜索近 30 天语音领域 arXiv 预印本（20-30 篇），以领域专家视角精读，写入腾讯文档。

---

第一步：获取论文列表

主要来源（优先使用）：用 web_fetch 抓取 arXiv 官方每日列表页面，获取当天最新论文 ID：

1. https://arxiv.org/list/cs.SD/new — Sound 分类（仅今日新提交） 2. https://arxiv.org/list/eess.AS/new — Audio and Speech Processing 分类（仅今日新提交）

从页面中提取当天所有 arXiv ID，合并去重。/new 页面只列出今日新提交论文，无需按日期筛选。

> ⚠️ 页面只显示 ID，不含 abstract。提取 ID 后，用 read_arxiv_paper 逐篇读取全文（含 abstract + 正文）。

补充来源（当天论文 < 5 篇时启用）：使用 search_arxiv，date_from 往前推 7 天，关键词：

speech synthesis TTS neural

automatic speech recognition ASR

speech enhancement noise suppression

speech separation audio

⚠️ 过滤规则（必须执行）

从官方列表获取的论文已属于 cs.SD 或 eess.AS，无需额外过滤分类。但需人工判断是否与语音/音频处理直接相关，丢弃以下类型：

纯音乐生成（与语音无关）

纯图像/视频处理（误入 cross-list）

纯理论数学/物理声学（非 ML/DL 方法）

保留所有 TTS、ASR、语音增强、语音分离、说话人识别/验证、音频语言模型、声码器、语音编解码等方向的论文。

合并两个页面结果，按提交日期降序，去重后全部保留（不设数量上限）。

---

第二步：精读论文

对所有通过过滤的论文，无论评分高低，一律读取全文，策略如下：

1. 优先用 HTML 版本：用 web_fetch 抓取 https://arxiv.org/html/v1，文字质量更好、公式不乱码 2. 回退 PDF：若 HTML 页面返回 404 或内容为空，改用 read_arxiv_paper 读 PDF

读取全文时，注意提取论文中出现的 demo 页面链接（通常在 abstract 或 introduction 中，形如 demo page、audio samples、https://xxx.github.io 等）和代码仓库链接（形如 github.com/xxx）。

从语音领域专家视角输出：

## [序号] 论文标题
arXiv ID: 2501.xxxxx
方向: 语音大模型 / 语音前端
作者: 作者1, 作者2, 作者3 等
机构: xxx（作者所属单位，多机构用 / 分隔）
发布日期: YYYY-MM-DD
论文链接: https://arxiv.org/abs/2501.xxxxx
PDF 链接: https://arxiv.org/pdf/2501.xxxxx.pdf
代码链接: https://github.com/xxx/xxx（若论文未提供则填"暂无"）
Demo 链接: https://xxx.github.io/xxx（若论文未提供则填"暂无"）
📌 简介
2-3句话：解决什么问题，核心贡献是什么。
🔧 技术方案
模型架构：
整体框架（encoder/decoder结构、主干网络类型）
关键模块设计（注意力机制、特征提取方式、信号处理流程）
与 Transformer/Conformer/Mamba 等基础架构的关系
核心创新：
本文提出的新方法/新机制（与现有方法的本质区别）
解决了什么已有方法解决不了的问题
训练策略：
损失函数设计（感知损失、对抗损失、重建损失等）
数据预处理/增强方式
预训练 / 微调 / 多阶段训练策略（如有）
📊 实验结果
数据集 + 主要指标数值（与 baseline 对比）
是否开源
⭐ 评分：X/10
理由：创新性 / 实验充分性 / 实用价值

评分标准

| 分数 | 标准 | |------|------| | 9-10 | 突破性，顶会水准（Interspeech/ICASSP/NeurIPS） | | 7-8 | 有实质贡献，实验较充分 | | 5-6 | 增量工作，有参考价值 | | 3-4 | 实验不足或方法普通 | | 1-2 | 质量较低，建议跳过 |

---

第三步：写入腾讯文档

固定参数（勿改）

文件夹 ID：YUsookchBhki（「每日论文速递」文件夹，已确认）

文档标题格式：YYYY-MM-DD 语音

文档类型：smartcanvas（MDX 格式）

⚠️ 写入方式（必须按此操作，禁止其他方式）

步骤 1：用 write 工具将完整 MDX 内容写入临时文件（如 /tmp/speech_paper_YYYYMMDD.md）

步骤 2：用 write 工具创建 Python 脚本（如 /tmp/create_tdoc_YYYYMMDD.py），脚本内容固定为：

import subprocess, json
从文件读取内容（禁止用 f-string 拼接内容！）
with open("/tmp/speech_paper_YYYYMMDD.md", "r") as f:
    content = f.read()
args = json.dumps({
    "mdx": content,          # 参数名必须是 mdx，不是 content
    "parent_id": "YUsookchBhki",  # 文件夹 ID，必须传
    "title": "YYYY-MM-DD 语音"    # 文档标题
})
result = subprocess.run(
    ["mcporter", "call", "tencent-docs", "create_smartcanvas_by_mdx", "--args", args],
    capture_output=True, text=True
)
print(result.stdout)
print(result.stderr)

步骤 3：用 exec 工具执行 python3 /tmp/create_tdoc_YYYYMMDD.py

步骤 4：检查返回的 file_id 和 url，确认写入成功后告知用户。

⚠️ 关键注意事项（血泪教训）

1. 内容必须先写文件，再读文件传参——禁止在脚本里 f-string 或字符串拼接 MDX 内容，否则特殊字符（引号、反引号、换行）会导致 JSON 解析失败或内容截断 2. 参数名是 mdx，不是 content——传错参数名腾讯文档返回 400001（content is empty） 3. parent_id 必须传——不传则文档创建在根目录而非目标文件夹 4. 禁止 shell 直接拼接大段中文内容——必须通过 Python json.dumps 序列化

文档结构模板

# YYYY-MM-DD 语音论文速递
共收录: XX 篇 | 语音大模型: XX 篇 | 语音前端: XX 篇
> 今日 arXiv 语音相关论文（eess.AS / cs.SD / cs.CL）共命中 XX 篇。
🤖 语音大模型
[各篇论文内容]
🎙️ 语音前端
[各篇论文内容]
*由开心果 🍀 自动生成 · 数据来源：arXiv*

---

注意事项

过滤严格执行，宁少勿滥，不混入非语音论文

全程中文输出，论文标题保留英文原文

腾讯文档写入失败时直接在对话输出结果并告知原因

若文档内容过长（> 8000 字），拆为两个文档分别写入，标题加 (上) / (下) 后缀