论文速递

论文比较 CTC 与单调 Transducer 在不同剪枝和语言模型下的词错误率与搜索耗时，核心证据是外部语言模型下多数时刻活跃假设很少但困难处出现瞬时高峰，而按分数差距保留假设的动态剪枝能在保持词错误率的同时把搜索耗时降低约一个数量级。

MixAgent 针对参考引导的多轨混音任务，用分组、检索增强的效果链规划与自底向上的检测加修正流程生成可编辑混音方案，并用 45,657 条修复评论训练的数值修正器在 MedleyDB 上把重建误差相对初始混音降低约 19%，但跨库与主观质量提升仍受评估规模和指标限制。

针对连续音频视觉流没有人工话语边界且切分不准、模态质量不稳的问题，AGF-Net 用自动切分加音频引导融合、预测式动态融合与多模态负学习的组合，在 IEMOCAP 四类情绪上干净条件达到 64.92% 准确率与 65.47% F1，中度噪声下保持 62.13% 与 63.08%，代价是仍需预热调度与可靠性估计且严重噪声下准确率会被反超。

论文提出用一句话指出音频与文本在事件和时间关系上的具体出入，并用系统合成的 AT-DIFFER 数据微调 Qwen3-Omni，先判断有无差异再分类最后写句子，联合学习在合成分布上明显改善描述质量，但结论只在至多两个事件和模板文本范围内成立。

论文用三值 MLGRU 做时序滤波、用并行共振发放神经元在训练中直接产生二进制脉冲，在 LibriSpeech 上达到 6.44% 左右的 test-clean 词错误率，代价是更宽的通道、长卷积核与仍保留的逐元素连续乘法，且能耗数字只是基于 45nm 常数的建模估算。

针对文本生成同步音视频时每步都要联合去噪成本过高的问题，CAVC 在检测到音频预测进入可缓存区间后只复用音频去噪输出并跳过跨模态注意力、让视频继续精修，最后恢复几步联合去噪，在三套基准上实现 1.10-1.35 倍实测加速并改善部分动态指标。

该文解决普通话 TTS 只能做整句风格控制、不能在指定汉字上调时长音高停顿的问题，用大规模自动提取的 Unicode 韵律标记加微调 CosyVoice2 的语言模型实现字级控制，代价是阈值固定、只验证普通话和单一主干且听感评估仅为描述性比较。

针对跨语言零样本克隆把源语言口音带入目标语的问题，该文用原始参考保音色、可复用的转换锚点供发音并以闭环反馈对齐历史，在 20 名未见法语说话人上以 0.042 的 ECAPA 代价把残留法语识别量降低 73%，同时取得最低词错误率和最高发音评分。

针对声学泄漏检测中背景变了、泄漏类型变了和传感器坏了都会让 AI 静默犯错的问题，COMET 用信号有效性、物理一致性和能力包络三层各自诊断再统一成红绿灯给人看，把高噪声无泄漏和三类传感器故障的可信错答降到零，代价是名义误报约 1%，但对新型管泄漏仍留下约 27.6% 的静默漏检。

论文用位置对齐的探针与等范数干预证明，VoxCPM2 中说话人信息处处可解码，但只有早期参考音频位置的成对对齐改写能稳定地把合成语音推向目标说话人，而这还依赖下游可达的合成通路。

论文固定音乐事实只改变工具报告离答案的推理距离，发现模型会照抄直接结论但一步推导就大幅掉点，音频和中间步骤自述都救不回来，瓶颈在读工具而不在工具本身。

论文用 1383 段 coda 研究把点击间隔节奏和对数梅尔频谱分开编码再融合能否同时保留群体、类型和个体信息，主证据是随机划分下融合表示的宏 F1 为 0.901/0.865/0.597 而纯间隔特征在类型上仍高达 0.987，代价是按录音日期分组后性能明显下降且个体识别仍不如简单的间隔加时序梅尔拼接特征。

EmoFI-TTS 用一张人脸图像同时推断情绪类别和三级强度、用另一段参考音频决定说话人音色，再用强度门控的残差模块增强梅尔谱，在说话人不重叠的 MEAD 测试上达到 64.4% 客观强度准确率，代价是仍依赖离散强度标注训练且 L1（最弱）强度段绕开增强。

该文把被动检测改写为多证据假设推理，用方向引导的三分支编码器加语言模型输出结构化报告，在仿真白噪声与混合海洋背景下实现可靠检测与方位估计，但距离估计未超越中值基线且结论限于仿真网格环境。

该文解决固定阵列训练的目标提取模型换阵列就失效的问题，用目标导向矢量和 GCC-PHAT 空间掩蔽代替抽象位置编码做几何条件，在随机与圆形阵列上都提升提取质量，但目标方向误差超过 20 度后优势不再。

针对自回归语音识别在教师强制训练下的曝光偏差，论文用最小化字符错误率的组相对策略优化对 Whisper-large-v3 解码器做后训练，在噪声和低资源语言上获得更稳的改进，但单语言最优和跨库泛化仍受限。

针对无机器标识的混合机器声音异常检测，HARMONY 用锚点引导的几何重分区把缠结特征整理成紧凑 Voronoi 区域再做分层检索，在 DCASE 2020 上达到 90.00% 平均 AUC，分层检索在同一 CPU 上实现 7.8 倍加速且只损失 0.20 个百分点。

针对资源受限语音增强要在小算力下保留频谱细节的问题，HC-AINet 用三角形 ERB 子带压缩增益预测、用带噪谐波位置图在原始频点上补充谐波分支并做幅度条件相位重建，在 VoiceBank-DEMAND 上 64 带达到 PESQ 3.20 而参数约 0.27M，代价是频带加倍时运算量明显上升。

针对多声源混合中弱声源在最后才分离时被压制的问题，论文用提前分出对象特征并逐层融合精炼的 PARASITE 分支解决，在 ASA2 上分离达到 14.24 dB SI-SDRi、SELD 分数 0.147，在 STARSS23 上 SELD 分数 0.240，代价是增加三层精炼分支的参数与计算量。

论文用同一段音频配对的状态查询与变化查询考查七个冻结大音频语言模型，发现窗口逐段打分能验证局部配器状态并在短分段编码器中随前文恢复对乐器离开的判断，而直接说出起止时间的提示几乎不能暴露这些信息，但绝对分数仍然不高且结论只在配器查询与受控构造下成立。