Buchumschlag

Scaling Audio-Text Retrieval with Multimodal Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Jilan, Thomé, Carl, Horak, Danijela, Xie, Weidi, Zisserman, Andrew
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Sound
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SpotSound: Enhancing Large Audio-Language Models with Fine-Grained Temporal Grounding
von: Sun, Luoyi, et al.
Veröffentlicht: (2026)

Synchformer: Efficient Synchronization from Sparse Cues
von: Iashin, Vladimir, et al.
Veröffentlicht: (2024)

Auto-ACD: A Large-scale Dataset for Audio-Language Representation Learning
von: Sun, Luoyi, et al.
Veröffentlicht: (2023)

Resonate: Reinforcing Text-to-Audio Generation via Online Feedback from Large Audio Language Models
von: Li, Xiquan, et al.
Veröffentlicht: (2026)

AudioRAG+: Feedback-driven Retrieval-augmented Audio Generation with Large Audio Language Models
von: Zhao, Junqi, et al.
Veröffentlicht: (2025)

Omni-Embed-Audio: Leveraging Multimodal LLMs for Robust Audio-Text Retrieval
von: Yoo, HaeJun, et al.
Veröffentlicht: (2026)

Causal Tracing of Audio-Text Fusion in Large Audio Language Models
von: Chen, Wei-Chih, et al.
Veröffentlicht: (2026)

Look, Listen and Recognise: Character-Aware Audio-Visual Subtitling
von: Korbar, Bruno, et al.
Veröffentlicht: (2024)

MRSAudio: A Large-Scale Multimodal Recorded Spatial Audio Dataset with Refined Annotations
von: Guo, Wenxiang, et al.
Veröffentlicht: (2025)

TW-Sound580K: A Regional Audio-Text Dataset with Verification-Guided Curation for Localized Audio-Language Modeling
von: Xie, Hao-Hui, et al.
Veröffentlicht: (2026)

When Silence Matters: The Impact of Irrelevant Audio on Text Reasoning in Large Audio-Language Models
von: Li, Chen-An, et al.
Veröffentlicht: (2025)

Bridging Language Gaps in Audio-Text Retrieval
von: Yan, Zhiyong, et al.
Veröffentlicht: (2024)

Thinking with Sound: Audio Chain-of-Thought Enables Multimodal Reasoning in Large Audio-Language Models
von: Xiong, Zhen, et al.
Veröffentlicht: (2025)

Bypassing Direct Reconstruction: Speech Detection from MEG via Large-Scale Audio Retrieval
von: Xiao, Boda, et al.
Veröffentlicht: (2026)

UniAudio 2.0: A Unified Audio Language Model with Text-Aligned Factorized Audio Tokenization
von: Yang, Dongchao, et al.
Veröffentlicht: (2026)

Audio Hallucination Attacks: Probing the Reliability of Large Audio Language Models
von: Seth, Ashish, et al.
Veröffentlicht: (2026)

StyleBreak: Revealing Alignment Vulnerabilities in Large Audio-Language Models via Style-Aware Audio Jailbreak
von: Li, Hongyi, et al.
Veröffentlicht: (2025)

ChronosAudio: A Comprehensive Long-Audio Benchmark for Evaluating Audio-Large Language Models
von: Luo, Kaiwen, et al.
Veröffentlicht: (2026)

AudioKV: KV Cache Eviction in Efficient Large Audio Language Models
von: Wang, Yuxuan, et al.
Veröffentlicht: (2026)

ATIR: Towards Audio-Text Interleaved Contextual Retrieval
von: Zhao, Tong, et al.
Veröffentlicht: (2026)

SAR-LM: Symbolic Audio Reasoning with Large Language Models
von: Taheri, Termeh, et al.
Veröffentlicht: (2025)

ChildVox: A Speech, Audio, and Large Audio-Language Model Benchmark in Understanding and Characterizing Sound across Childhood
von: Feng, Tiantian, et al.
Veröffentlicht: (2026)

A SOUND APPROACH: Using Large Language Models to generate audio descriptions for egocentric text-audio retrieval
von: Oncescu, Andreea-Maria, et al.
Veröffentlicht: (2024)

Focus Then Listen: Exploring Plug-and-Play Audio Enhancer for Noise-Robust Large Audio Language Models
von: Yin, Han, et al.
Veröffentlicht: (2026)

Semantically consistent Video-to-Audio Generation using Multimodal Language Large Model
von: Chen, Gehui, et al.
Veröffentlicht: (2024)

A Benchmark for Audio Reasoning Capabilities of Multimodal Large Language Models
von: Christop, Iwona, et al.
Veröffentlicht: (2026)

A Survey of Large Audio Language Models: Generalization, Trustworthiness, and Outlook
von: Luo, Kaiwen, et al.
Veröffentlicht: (2026)

Refining Knowledge Transfer on Audio-Image Temporal Agreement for Audio-Text Cross Retrieval
von: Tsubaki, Shunsuke, et al.
Veröffentlicht: (2024)

From Contrast to Commonality: Audio Commonality Captioning for Enhanced Audio-Text Cross-modal Understanding in Multimodal LLMs
von: Jia, Yuhang, et al.
Veröffentlicht: (2025)

Can Large Audio Language Models Understand Audio Well? Speech, Scene and Events Understanding Benchmark for LALMs
von: Yin, Han, et al.
Veröffentlicht: (2025)

Retrieval-Augmented Text-to-Audio Generation
von: Yuan, Yi, et al.
Veröffentlicht: (2023)

Words at Play: Benchmarking Audio Pun Understanding in Large Audio-Language Models
von: Su, Yuchen, et al.
Veröffentlicht: (2026)

Audio-Maestro: Enhancing Large Audio-Language Models with Tool-Augmented Reasoning
von: Lee, Kuan-Yi, et al.
Veröffentlicht: (2025)

Can Audio Large Language Models Verify Speaker Identity?
von: Ren, Yiming, et al.
Veröffentlicht: (2025)

MeanAudio: Fast and Faithful Text-to-Audio Generation with Mean Flows
von: Li, Xiquan, et al.
Veröffentlicht: (2025)

SLAM-LLM: A Modular, Open-Source Multimodal Large Language Model Framework and Best Practice for Speech, Language, Audio and Music Processing
von: Ma, Ziyang, et al.
Veröffentlicht: (2026)

MMEDIT: A Unified Framework for Multi-Type Audio Editing via Audio Language Model
von: Tao, Ye, et al.
Veröffentlicht: (2025)

Listening Between the Frames: Bridging Temporal Gaps in Large Audio-Language Models
von: Wang, Hualei, et al.
Veröffentlicht: (2025)

Dasheng AudioGen: A Unified Model for Generating Coherent Audio Scenes from Text
von: Mei, Jiahao, et al.
Veröffentlicht: (2026)

MUKA: Multi Kernel Audio Adaptation Of Audio-Language Models
von: Bensaid, Reda, et al.
Veröffentlicht: (2026)