近日，EMNLP 2026（Conference on Empirical Methods in Natural Language Processing）正式公布录用结果，阿里巴巴 Token Foundry Qwen Audio 团队 3 篇长文全部被主会（Main Conference）或 Findings 接收，涵盖视频到音频生成、大语言模型推理增强、神经编解码语音合成三大前沿方向，彰显团队在“音-视-语”跨模态协同建模与生成式 AI 基础方法上的系统性突破。
EMNLP 是自然语言处理领域的重要国际会议之一，聚焦自然语言处理中的实证研究方法与技术进展，涵盖语言模型、机器学习、多模态理解与生成、自然语言推理等多个研究方向。每年，来自全球高校、科研机构和科技企业的研究人员都会在此分享自然语言处理及相关领域的最新成果。
本次入选的 3 篇论文分别围绕跨模态音频生成、长链推理过程监督和神经编解码语音生成展开探索：MosaicAudio 通过多教师在策略蒸馏，兼顾视频到音频生成中的语义、时间、听感与空间一致性；ConsensusBench 从模型回答中提取可验证的共识节点，为长链推理提供更稠密的过程监督；MNCE 则从神经音频编解码器的码本空间出发，将近邻 token 纳入训练目标，进一步提升语音生成质量。这些成果展示了团队在“音-视-语”跨模态协同建模与生成式 AI 基础方法方面的最新研究进展。
论文题目：MosaicAudio: Multi-Teacher On-Policy Distillation for Controllable Video-to-Audio Generation
论文作者：Huadai Liu, Peiwen Sun, Qian Chen, Wen Wang, Bin Ma, Xiangang Li, Wei Xue
论文单位：阿里巴巴集团、香港科技大学、香港中文大学
核心内容： MosaicAudio 面向可控视频到音频（V2A）生成，旨在让同一段音频同时满足语义一致、时间同步、听感自然和空间定位四个目标。针对聚合标量奖励难以定位具体失败维度、不同感知目标易相互干扰的问题，MosaicAudio 分别训练语义、时间、美学和空间四个流匹配专家教师，并通过多教师在策略蒸馏，将按维度路由的稠密速度场监督整合到单一学生模型；同时引入感知流形锚点以保持音质、抑制奖励投机。在 VGGSound 与域外 AudioCanvas 基准上，该方法在四类客观指标和人工评分上均达到对比系统中的领先水平，且推理时仅需部署单一 518M 参数学生模型，无需教师或奖励模型。
论文题目：ConsensusBench: Benchmark of Consensus Nodes for LLM Reasoning via Outcome Reward Densifying
论文作者：Shi-Qi Yan, Chao-Hong Tan, Qian Chen, Wen Wang, Xiangang Li, Zhen-Hua Ling
核心内容： 以 GRPO 为代表的基于结果的强化学习（outcome-based RL）在增强大语言模型（LLM）推理能力方面表现出色，已成为主要范式之一。然而，这类方法仅依赖于最终答案，缺少对于中间过程质量的反馈，导致结果奖励与局部过程质量不匹配，使其在复杂长推理任务上表现有限。针对这一问题，我们设计了数据集 ConsensusBench，通过不同模型回答的共识聚类，自动化抽取关键的过程节点，来提供基于规则的过程监督信号，实现对模型思考质量的监督与评估。实验结果表明，融合了该过程奖励的 LLM 在多个推理任务评估结果上得到了一致的提升，展示了思考过程的质量控制对于 LLM 推理能力进一步提升的有效性，也验证了我们构建的过程数据的可靠性。
论文链接：https://arxiv.org/abs/2609.04648
论文题目：Improving Speech Generation via Multi-Neighbor Token Prediction for Neural Codec Language Models
论文作者：Wenrui Liu, Qian Chen, Wen Wang, Yuxuan Wang, Haoxiang Wu, Guanrou Yang, Rui-Chen Zheng, Weiqin Li, Guo Tao, Xiangang Li, Zemin Liu
核心内容：在基于神经编解码器的 TTS 系统中，现有方法通常将 target token 视为唯一正确的 token，采用标准交叉熵损失训练模型。本文观察到，当用码本空间中的近邻 token 替换目标 token 时，重建得到的音频在听感上仍与原始语音保持较高相似性。基于这一点，本文提出多邻居交叉熵损失（Multi-Neighbor Cross-Entropy, MNCE），在训练时不仅将真实 token 作为目标，还将其若干近邻 token 也视为正样本。这样在推理时，即使模型没有预测到 target token，也更有可能生成其邻近 token，从而减少不合理预测带来的语音质量损失。实验结果表明，MNCE 可以稳定提升多种 codec-based TTS 系统的生成质量，改善词错误率和说话人相似度。
