论文速递

论文把受约束加性 U-Net 等价为临界采样完全重构滤波器组，再用全速率残差路由把学习目标转为任务相关的取舍，在 TIMIT 上以相同识别器把测试音素错误率从 28.60±2.09% 降到 25.76±0.41%，代价是保留双路全分辨率表示带来的过完备冗余。

该回顾把四代系统的进步归因于规划器与渲染器之间接口契约的四次搬迁，用同篇消融支持表示与归属判断，以分阶段联合训练解决低码率与跨模块协同问题，代价是更长的训练流水线与更复杂的条件控制。

论文用六个语料的成对偏好任务检验无参考语音质量分，发现有瑕疵时接近人类上限而双干净时跌到随机，最强证据是干净端单分数与时长基线持平，而域内校准复合与等权复合分别在评测和奖励端缓解但仍远离上限。

针对约鲁巴语 TTS 中字符错误率看不见声调错误的问题，论文提出只读输入变音符号作金标、只读基频作预测的 DunDun 指标，用压平基频与翻转答案键验证其声调敏感性，并显示微调主要降低字符错误率而声调早已接近母语锚点，代价是可用区间只到 0.596 且依赖可靠标调文本。

论文把传统编码再经神经音频编解码器转码后的来源识别定义为取证缺口，用分层因果与时序注意力建模 RVQ 序列，在固定码率下取得 97% 以上准确率，而 18 类联合任务为 89.34% 且高码率 MP3 与 Opus 仍易混淆。

针对开放泰语识别被离线模型主导而真流式时崩溃的问题，论文用缓存感知编码器恢复流式能力并在解码时做浅融合来引导词汇，在 1 秒前视下把字符错误率降低约 4.5 倍并把关键词召回从 16.6% 提升到 20.7%，额外开销不足 3%。

该研究把时间戳与说话人归属做成对给定转录本的单遍占位填充，用双向大模型同时输出全部标签，在相同训练数据下比同类自回归模型更准且标注快一到两个数量级，但流水线总速度仍受前置语音识别限制。

共分析 59 篇语音/AI 论文

论文针对日常录音下声音亲缘验证线索稀疏且跨库泛化难的问题，选择卷积局部编码加变换器长程聚合与注意力池化的两阶段度量学习路线，在自建普通话非受控库 ARKIN 上报告 CONVTRAP-TN 优于三元组基线，但从 KAN-AV 跨库到 ARKIN 时性能大幅下降且少量微调难以恢复。

针对逐轮改歌时单轮编辑器记不住上文的问题，AURA 用多模态大模型把完整对话蒸馏成 9 个概念令牌并以帧对齐方式注入冻结的 MusicGen，在 Slakh 与 MoisesDB 上以 0.78 对 0.37 的 SSIM 和 +11.32 dB 的 SI-SDR 改善保持性，代价是抽取类任务仍弱于专用分离模型。

论文要解决希腊语混英语电话与会议转写同时过九道生产门的问题，选择不再找单一训练配比而是用路由加解码干预加组合绕行，最强证据是三模型词投票把门覆盖从单模型 4 到 7 项拉到 9 项并把重叠语音词错误率从 53.35% 降到 37.87%，代价是单模型在该规模下希腊噪声门与英语语种识别门所需步数相差近 6 倍而无交集。

针对未见伪造攻击泛化难的问题，CRAF 以 SSL 为主、ALLM 为高层引导做残差感知融合，在 ASVspoof 5 上 Kimi-Audio 配置报告评估 EER 为 5.96% 与 minDCF 为 0.1192，但攻击间差异与门控依赖仍是代价。

CVSS-X 把同一批英语真人录音经机器翻译转写为二十八种目标语言文本再用多语合成配音，构造每语言约二十四万对的英到多语并行语音，同管线复测显示其合成可懂度可用但自然度低于只合成英语的 CVSS，代价是受制于翻译质量与众包录音瑕疵。

针对连续隐变量自回归扩散在长句和难句上的发音错误与语义幻觉，DiTAR+ 用扩张上下文采样扩大历史视野、用分层声学遮蔽先对齐语义再渲染声学，在 ZH-Hard 上把词错误率从 12.478% 降到 9.893%，在 25 到 35 秒长句上把说话人相似度从 0.741 提升到 0.759，同时词错误率从 2.778% 降到 2.173%，代价是质量主观分相对 …

针对单做 Mel 需外接声码器而失真、单做复谱难学且伤识别的问题，DualSpecSE 用 Mel 分支保可识别成分、复谱分支保波形细节并以交互与融合连接，在 DNS2020 上 WB-PESQ 达 3.25、CHiME-4 波形输出 WER 降至 14.76%/13.21%，代价是双分支与多损失联合训练的复杂度。

针对音频频谱变换器被 SpecAugment 零值块拖慢训练的问题，该文把掩码对齐到切块网格并只合并全零块，在 Balanced AudioSet 上 r 从 0 增至 100 时吞吐从 43.3 提至 49.3 samples/sec 而 mAP 维持 34.07 到 34.08，代价是可合并比例受掩码块数量上限约束。

论文研究长音频中分散证据的定位与整合问题，采用离线结构化元数据加按需音频片段的混合检索智能体路线，最强证据是混合检索加多模态证据比单模态平均答案准确率提高约 10 个百分点、理由准确率提高约 6 个百分点，代价是声学任务仍需灵活选择证据模态且答案正确会高估真实 grounding 能力。

论文报告六说话人描述任务基线低于随机猜测，用 100 个头的注意力对数偏置把输出转向目标到 90% 以上，而纯文本任务选出的头可原样迁移，但饱和强度下增益多来自提示与汇点且随机对照本身波动极大。

该研究以 391 首多轨录音为对象，用起音时间差与 Mel 谱相似度推断是否同室录音，报告有串音歌曲的时值波动中位数更低，但串音只是同室的非充分不必要指示且存在混淆。

针对流式中视觉先成熟、音频后到达导致的过早跨模态承诺问题，OST 用未来声明加到期验证加谱系回撤加回答门控组织记忆，在冻结 Qwen3-Omni-30B-A3B 上提升流式与音视基准并在诊断集上降低视觉诱发的听觉幻觉，但重写对比与多阶段训练带来额外推理与训练代价。