论文速递

针对低信噪比下判决引导增益过度衰减弱语音的问题，论文提出逐帧下限增益的 ABCDD 结构并用轻量 MLP 自动预测贝塔，在代表性样本上全面优于谱减法和经典 DD，在 100 条未见 VoiceBank-DEMAND 测试上把平均对齐信噪比从 9.41 dB 提升到 13.82 dB，代价是贝塔过大仍会残留噪声且感知质量未验证。

该文研究服务器只有少量标注种子、客户端只有无标注语音的半监督联邦 ASR，用每客户端在线教师打伪标签加轮间服务器有监督更新做锚点，最强证据是稳定后在线教师在域内和多数跨域上持平或超过全局教师，代价是必须把服务器增强强度和批量调进稳定区间否则发散。

针对人声与合成声部混合后全局检测失效的问题，该工作用分频段局部检测构成合成概率图再与目标声部能量掩码联合判断单个声部真伪，在人声鼓组吉他上表现较强而在贝斯上受限于分离质量。

针对儿童语音声学变异大而 Whisper 固定对数梅尔前端丢失连续包络结构的问题，该文用时域子带希尔伯特包络加可学习逐通道能量归一化替换前端，在相同 Whisper-small 微调下把 MyST 清洗测试集词错误率从 13.16% 降到 11.08%，代价是删除错误小幅上升且低频保留原因仍待验证。

在 65 条自然脊柱门诊普通话话语上比较 emotion2vec+、SenseVoice 与 FunASR 三套开源语音情感识别，以研究者共识为参照，发现非加权准确率 55.4%-61.5% 掩盖了少数情绪接近零的召回与仅约 24% 的样本加权准确率，代价是标注噪声大与类别极不平衡下无法直接部署。

针对五人以上拥挤录音中端到端 diarization 系统性少计低话量说话人的问题，论文在 EEND-TA 上加训练期门控耦合正则与按说话人加权的归约，最终系统把拥挤子集精确计数从 32.9% 提到 41.6%，代价是 CallHome 这类吸收型错误为主的域精确计数下降且需多调存在门指数。

针对单条一秒短语音说话人确认性能崩塌问题，论文在 WavLM 与 ECAPA-TDNN 之间插入可学习的向量档案映射模块，在相同一秒训练条件下把 Vox1-O 等错误率从 10.346% 降到 8.342%，代价是对三秒长输入做多余补偿导致性能回落。

针对音频文本情绪证据被说话风格与词汇内容纠缠且两模态可能冲突的问题，BiCFlow-MER 用解耦后的冲突感知条件把样本输运到 64 维情绪端点再做前后向几何打分，在 IEMOCAP 与 MELD 及零样本 CASE 上报告最好值，代价是三阶段流程与多模块超参数。

针对同一句话中真假语音共存且需逐帧定位的问题，BISL 在帧分类主任务之外增加相邻帧差分的边界学习和段内均值标准差加紧致性的段学习，在 PartialSpoof 上报告 EER 为 2.52% 与 F1 为 97.40%，代价是跨数据集到 LPS 时仍只达到 EER 为 37.10% 与 F1 为 53.61% 且推理时仅保留帧头。

论文研究无异常标签时能否预测 kNN 异常检测性能，推导 AUC 下界并用局部尺度分解内点分数方差，再用嵌入空间伪异常估计分离度，在 DCASE 2022-2025 共 208 个候选系统上显示 Diverse 伪异常的 Pseudo AUC 可超越有异常开发集选择，但代价是依赖语义元数据与伪异常构造质量。

针对真实四人对话中目标说话人长期静音与朗读式注册语音失配问题，该工作用随机 VAD 掩蔽损失把 STOI 从 0.55 提升到 0.60、fwSegSNR 从 4.35 提升到 5.12，代价是仍需保留部分静音训练并受注册相似度制约。

论文研究餐馆噪声下四人对话的同伴语音抽取，选择带说话人注册的目标说话人抽取与因果约束，用听音转写正确率与 P.835 质量分证明头部系统相对基线有实质提升，而客观指标与听感排名不一致且保留噪声与保真度不可兼得。

论文用典型相关分析和留一组合重构检验冻结的 Wav2Vec2、HuBERT 和 CLAP 能否把未见声源组合表示成各声源贡献之和，最强证据是 CLAP 在 FSD50K 重复保持组合上同时超过置换与标签重叠基线，但三者都存在不可忽略的重构残差。

针对自由文本下每条条件只有极少真实样本而难以估计条件分布的问题，DriftAudio 保留文本条件生成而在冻结特征空间匹配边际分布，从 MeanAudio 出发把 FAD 从 1.68 降到 1.11、FD 从 15.43 降到 12.71，从 FdAudio 出发把 FAD 从 1.22 降到 0.99，代价是部分起点上的 IS 与 CLAP 出现回落。

针对双麦克风线性阵列只能做一阶、难以保持波束形状随指向平移的问题，该研究用深度网络直接估计两通道复权值去逼近预设的一阶与三阶心形差分图案，在端射方向取得高于经典差分与参数化方法的信号失真比，同时保持跨指向与跨频率的形状一致，并以左右各一个转向模型演示立体声录制，代价是训练依赖无混响仿真与固定阵列几何。

针对词级重读控制难的问题，EmphTTS 冻结已微调的 F5-TTS 主体、只用带重读定位奖励的 GRPO 优化时长预测器，在 TinyStress-15k 上取得 StressLM F1 0.75 的最佳客观重读效果，但整体可懂度和说话人相似度仍明显低于大规模基线。

针对单句语音情绪识别忽略对话连续性的问题，论文提出只用前文音频做均值池化增强的 ACERT 模块，在 IEMOCAP 上以 25 秒前文将无上下文基线从 68.38% 提高到 79.08%，代价是情绪快速翻转的多人对话如 MELD 几乎无增益。

针对音频语言模型能懂语义却听不准声学细节的问题，EvoAudio 用当前模型的弱项决定下一轮练什么、工具合成波形保证答案可验证、GRPO 训练加留出集晋级做 13 轮递归进化，最强证据是五个不同骨干平均最高且总体最高提升 6.3 点，代价是工具覆盖不到的语义文化推理提升有限且后期收益变平。

针对零样本语音合成中退出说话人仍可被画廊检索重新识别的问题，GUARD 在冻结主干上用门控加逐层激活 steering 并以生成后奖励把遗忘相似度推向人群冒名者水平，在 CosyVoice2 上把遗忘相似度从 0.541 降到 0.103、150 人画廊重识别从 73.5% 降到 0.5%，代价是保留集与可懂度基本不变但新增门控与奖励调参依赖。

针对缅甸语和老挝语缺少人工标注配对数据的问题，该研究先用固定音色合成语音建立文本到语音的对应，再用真人录音加双识别器一致性加权恢复目标音色控制，证据显示内容准确率得到保持而相似度被拉回，但逆序训练仍在发音准确率上占优且一致性只是不可靠程度的代理指标。