论文速递

论文针对语音驱动三维人脸动画中口型到位但过渡太平的问题，提出经过辅音途经点的唇部路径比度量，在四个方法上发现相对真实语音的整形缺失，并用受控阻尼校准与感知试验说明削弱是可感知的。

针对印地语带时间戳转写问题，论文在 Whisper 编码器输出上加一个字符级线性 CTC 头做强制对齐，时间戳精度与依赖外部模型的 WhisperX 相当，并用 CTC 输出长度约束缓解短语音幻觉，但结论只在原文四个测试集和人工标注条件下成立。

针对在线日志人数偏多偏少都看不出来的问题，该文只改基线跟踪器何时注册新说话人，用候选池积累证据加确认后才输出，在九个数据集上把宏观人数误差从 225% 降到 21% 并降低宏观 DER，代价是全部输出平均多等 0.109 秒。

论文把合唱录音同时做音符检测和女高女低男高男低声部分配，用共享编码器加分声部头、整体监督和音域与连贯先验构造训练目标，在 YouChorale 上以 0.225 的声部平均音符 F1 超过合并转谱加事后分配的 0.175，但绝对值仍低且跨数据集会漂移。

该文把“候选音频是否为原曲衍生版本” 作为成对判断，用 COPYCAT 的 35 万对比较检验了冻结的版本识别表征，并用坐标级位移分类器把总体 F0.5 从 0.612 提高到 0.803，代价是保留 512 维原始位移并依赖有监督训练。

论文用 163 段儿童临床互动录音检验通用大语言模型能否沿 BOSCC 决策树答题复刻两项语音编码，最强零样本平衡准确率超随机 19.3 个百分点，而说话人角色标注是最稳定的增益，音频与示例增益不一致且不足以独立使用。

该论文用配对中性与情感合成加激活补丁，定位出条件前缀源头和每种情感约二十余个注意力头与多层感知机，证明它们能恢复或抑制大部分晚期情感读出偏移并引起解码波形的音高能量变化，但结论只在单说话人单参考英文受控条件下成立。

论文用只接受音频条件的 MixAudio 记录每个声部用了哪段提示和共用上下文，再用 musicDNA 在训练库中检索复现，条件跟随实验与人工听辨的记忆审计共同说明记录何时成立、代价是只覆盖旋律声部且结论限于本次曲库。

针对无性别限定的风格提示导致合成语音性别偏斜的问题，论文用冻结模型上的组偏差向量加开发集强度搜索做推理时校准，在 12800 条 held-out 提示上把聚合校准误差降到 0.80–5.86 百分点，代价是自然度最多下降 0.076、可懂度变化在 -4.13 至 +3.26 百分点之间。

该文针对冻结语音基础模型加层融合与线性头的适配方式，先在任务未知时稳定全部隐藏层表示再只用干净样本扩大分类边距，在三基座四任务十二组合上平均把鲁棒准确率提高 50.4 个百分点，代价是干净准确率下降 3.2 个百分点。

针对音频大语言模型能听懂内容却难分辨说话人的问题，论文提出先在音频编码器做说话人监督、再冻结编码器训练语言模型做成对判断的两阶段低秩适配方法，在 VoxCeleb 同域上把等错率从 7.01% 降到 4.37%，但跨域到 CN-Celeb 时未带来额外增益。

针对无声视频配音需要同时保住可懂度、音色和口型同步的问题，UltraDub 用唇动引导的双路检索学习速度场、再用视觉节拍锚定推理修正，在四个数据集上同步和音色最好，但部分类别字错率仍非最低且推理要多算分支。

针对仿真训练在真实远场混合上泛化不足的问题，UltraM2M 用同一增强网络同时接受仿真监督、混合重构约束和冻结语音识别损失的弱监督，在 CHiME-4 真实集上降低词错误率，多通道时还提升感知质量，但结论只在该数据集和给定评测识别器条件下成立。

论文用同一批 96 千次每秒录音比较全频带、低通和只留超声三种输入，发现 22.05 千赫兹以上的超声带能把孤立乐器识别和复音检测提高约 4 到 6 个百分点，但代价是需要 2.18 倍存储和宽带采集链路，且结论只在录音室隔离分轨和留出完整录音的划分下成立。

UniData 把用户的一句简单需求先扩展成多样事件，再用文本为中心的多模态指令生成器逐轮生成九种模态的对话，并用轮间相似度校正重复与偏题，在 GPT 评测的四维质量上高于对照方法，但多轮增益与跨模型迁移都依赖评测集与微调条件。

论文用冻结的 W2V-BERT 2.0 加两套混合小波提示分别适配说话人验证与伪造检测分支，仅训练约 7M 参数就在 SpoofCeleb 评测上得到 0.03% 伪造检测等错率与 0.038 最小 a-DCF，代价是推理时要做两次提示条件前向。

针对幅度谱损失丢掉相位、难以端到端学准基频的问题，GOLF-inv 用加性声门源加状态空间格型声道滤波器做可微合成，以谐波支路波形误差加全信号谱损失做无监督训练，在歌声上实现相位对齐重建并直接读出瞬时频率与声门闭合时刻，但频谱失真仍不及使用外部基频的 GOLF。

针对健康机动与故障在声音上容易混淆的问题，该工作用去噪加机动条件重构只学习健康声音，用重构误差做异常分，在同一划分下完整模型 AUC 达到 0.884，但误报率上升到 0.296 且端到端延迟约 20 ms 主要来自去噪网络。

针对目标说话人标注中注册库不能直接当归一化 cohort 的问题，论文提出只看分数分布形状的双项校准，在合成与会议语料上都提升了标注准确率，且不依赖外部数据。

针对阿拉伯语方言泛化和声学信道鲁棒两类偏移，论文冻结 W2V-BERT-2.0 并用小波提示微调加跨层聚合得到多个检测器，再按赛道分别做多窗口大融合与中心截断小融合，在官方终测上取得 Track1 1.96% 和 Track2 1.04% 的等错误率，代价是融合分数依赖整个评测集做标准化因而不能逐文件独立复现。