论文速递

针对多车同时遮挡的非视距预警问题，该工作在原始 8 通道波形上做隔帧未来潜表示预测预训练，再用双向长短期记忆网络做三头微调，在 T 路口验证取得方向与计数与车型同步提升，代价是仅验证至多 2 辆车且跨场景需少样本适配。

针对单数据集训练的语音阿尔茨海默检测在换录音与采集条件后大幅掉点的问题，论文用三种表示能力的模型对比无监督域适应，并提出交替做对抗对齐与高置信伪标签自训练的 IAST，在 Lu 目标域上取得最强或并列最强跨域准确率，但源域精度有时轻微下降。

ScorePrompts 针对用自然语言探索 MusicXML 乐谱结构的问题，选择先用固定 MIR 组件栈构造音符、拍、小节、乐曲四级对齐表示再做受约束语言生成与确定性问答， demo 贯穿单谱四阶段流程，代价是只面向机器可读西方调性乐谱且未验证生成句与证据的语义忠实性与音乐学正确性。

StepAudio 3 Realtime 针对实时语音交互中深度推理与低延迟的矛盾，用听-说-想-做循环组织感知、双工话轮管理、边说边想与异步工具调用，在 MMSU 90.6、全双工 98.9 等报告结果上保持领先，但多轮约束保持与零售工具任务仍有明显短板。

针对发音评估既要认准音素又要定准边界的问题，该工作把每个音素展开为有序子音素状态并用最优时间传输做稠密单调训练，在朗读、自发与二语语音上改善切分并保持可比识别，主代价是更细帧率与更长拓扑会推高识别错误并需要权衡诊断增益。

VoiceMOS 2026 把语音评估拆成增强语音的绝对分与比较分、情感合成的自然度与情绪匹配、编解码合成的说话人与口音相似度 3 类任务，用 18 支队伍的提交显示多数队伍超过基线，而比较分与口音相似度仍最难，优胜系统普遍用预训练特征加听众建模加集成换取排序一致性。

针对随机切分让同一艘船同时出现在训练与测试导致虚高的问题，UniqueShip 按 MMSI 隔离船舶、按天隔离背景构建 2460 小时船舶音频与 4218 艘船的基准，最强 Swin 加 Mel 基线在无泄漏下准确率为 0.665，而引入泄漏可抬高 0.08-0.21，且船数翻倍增益 2.4-2.6 点约为时长翻倍 0.8-1.3 点的两到三倍。

共分析 19 篇语音/AI 论文

针对自己声音堵塞效应个体差异大、难以重复呈现的问题，该工作用大耳罩物理去除空气传导再经实时滤波重放，并在人工头上验证了对多档堵塞增益与插入损失组合的独立仿真能力，代价是低频仍有残余上限与约 6.5 ms 系统延迟。

针对从零训练的解码器语音合成的内容幻觉问题，论文把只作用于优选样本的轻量 CTC 对齐项折进直接偏好优化，在 Seed-TTS 英文集上把严重幻觉率从 4.4% 降到约 0.6%，代价是需要切到 eager 注意力读图且过强加权会转入自信但错位的过锐区。

针对两头同龄雄性幼鲸近距离身体接触时连续重叠喀哒声串难以归属的问题，论文用单通道恒 Q 变换谱加步间间隔节律做声学解交织，再用三元紧凑阵列到达时差定位投影到视频验证，在简单场景聚类误差为 0.0%、最难场景达 25.79%，并以 10 度容限实现主要发射者最高 100% 水平视觉一致，代价是垂直方向系统性偏差与近平面阵列几何盲区导致两个场景无法最终归属。

针对舞蹈线索稀疏而作曲需要稠密结构的问题，CMA-OT 用 Jukebox 多尺度专家对 DiT 隐表示做由粗到细的课程对齐与尺度自适应 FGW 软对齐，并以流匹配生成损失联合训练，在 AIST++ 与 TikTok 上报告了节奏与质量提升，代价是训练侧引入多尺度 OT 与课程调度。

该研究把听者重叠贡献分为回馈、协作与打断，把说话人行为分为不变继续、回合内适应与让出，用 300 个人工确认线索对比录音人与 PersonaPlex 的配对延续，最强证据是 66 个协作对中录音人 68.2% 适应而模型仅 34.8%，代价是其余行为分流为不变继续与让出且评估依赖转录打分与受限复现条件。

针对文字难以规定节拍、旋律与演绎细节的问题，该工作用与主干同构的模板把控制音频转成逐层键值记忆注入冻结的生成分支，在单控制评测中把五类控制依从指标推到基线之上，同时自动音质与文本对齐分数与基线大体相当但存在指标级回落。

针对自然语言到二维均衡参数的连续控制任务，论文用约 9 万次用户交互构建非参数偏好密度奖励面，先以 GRPO 做在线结构对齐再以 DPO 做峰值注入精修，在分布外概念上以 1.5B 模型达到与 GPT-4o mini 可比的听感，代价是混合管线对分组数敏感且仅适用于低维空间。

DriftSE 把语音增强写成潜空间分布对齐问题，用冻结编码器的帧级漂移场在训练时牵引生成分布、推理时丢弃漂移只做一次前向，在四个数据集上以 1 次函数求值取得词错误率最优，但纯声学潜空间会出现幻觉而非配对训练会损失语义保真度。

DuplexDrama 针对全双工对话训练数据稀缺问题，用四阶段管线同时合成人设场景、三种全双工行为、表情语音与剧本对齐的声音事件，最强证据是相同语音加背景仅带来 UTMOSv2 与 NISQA 的可控下降，主要代价是全双工轮次占比仅 3.8% 且剧本合理性依赖 LLM 判断。

针对大模型预测高码率语音 token 难、表达性数据难对齐的问题，Kraken 用 25 Hz 单层 VQ 低码率 token 加 LLM 与声码器双路源语音条件，在 150k 小时多任务数据上实现可复述的端到端语音到语音翻译，并在 FLEURS 与 CVSS 上保留说话人与韵律，代价是音频质量指标弱于用理想参考音色的大模型。

针对平面阵下圆形方位排序在 360 度回绕处带来学习负担的问题，该工作用两个正交折叠直线排序分别训练分离网络再按方位打分二选一，在混响会议室评估中对圆形排序取得小而一致的提升，代价是需要方位估计且推理侧要维护多个网络。

MP-Bench 用合成四人语音与显式、隐式、消极三类轮次条件测语音智能体，12 个系统的最强证据是带完美说话人标签的文本上限接近满分而实时语音系统在游戏轮次上徘徊于随机水平，代价是完全受控合成、无重叠与单决策点评估。