Newest papers

Uncovering Audio-Text Alignment in Large Audio-Language Models through Cross-Modal Concept Neurons

Tzu-Quan Lin, Chih-Kai Yang, Yi-Cheng Lin, Hao Tang, Hung-yi Lee · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28189 · open-access PDF

Russian

В то время как спина языковой модели предварительно обучена только тексту, большие аудиоязыковые модели (LALMs) могут в значительной степени распознавать акустические атрибуты, такие как эмоции, пол говорящего и разговорный язык. Тем не менее, неясно, как аудиопрезентация интегрируется, если вообще, с другим текстом, прежде чем модель производит текст. Мы предполагаем, что существует совместное подпространство, где аудио и текстовые представления выравниваются. Чтобы проверить эту гипотезу, мы идентифицируем кросс-модальные нейроны, которые отвечают за представление как аудио, так и текста.

Machine translation (Meta M2M100); the English original follows.

Abstract

While the language model backbone is pretrained on text alone, large audio-language models (LALMs) can, to a great extent, recognize acoustic attributes, such as emotion, speaker gender, and spoken language. However, it is unclear how the audio representation is integrated, if at all, with the other text representation before the model produces text. We hypothesize that there is a shared subspace where the audio and text representations are aligned. To test this hypothesis, we identify cross-modal neurons that are responsible for representing both audio and text. We find alignment between audi

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange