论文速递

论文把双人回馈模型搬到多人混合音频上发现预测头失效在先、跨听者泛化失效在后，用冻结特征探针、重训、条件化与对抗等对照定位到回馈行为本身的人际差异大而可迁移声学成分小。

该研究把同一源语句同目标口音的多次随机合成看作候选池，用口音与保持度的波形评估选出其配对离散码作为监督，在相同训练条件下口音准确率提升 2.49 个百分点，代价是词错误率平均上升 0.29 个百分点、说话人相似度基本不变。

论文针对客观质量模型是否真与人耳一致的问题，构造保持听感不变但大幅改变波形的四种扰动，用听音验证透明参数并显示模型距离与主观评分排序错位，其代价是扰动只覆盖所验证的参数与单声道条件。

针对 6.25 Hz 下语言信息与声学细节难以兼顾的问题，Q-SPT 用两组独立可学习查询分别压缩语义流与声学流并以自回归文本损失监督语义，在 LibriSpeech test-clean 重建与下游识别合成中取得同帧率最优，但合成可懂度仍弱于 FlexiCodec 且需更大训练开销。

针对图表与语音数值推理中远端接口只收固定媒体的问题，ReCast 用本地文本中间记录改写实体主题并映射数值再重建同模态替身，远端只做选操作数写程序、本地恢复原始操作数后执行，在 4000 个 ChartQA 与 NMSQA 样本上保留 92.43% 远端原生精度而求解器侧泄露为 7.95%。

针对一次参考且内容不一致时无法可靠配对帧的问题，StateVC 用源与参考混合拟合的共享高斯状态估计每个状态内的均值平移并以后验加权更新源帧，在 LibriSpeech 一次转换协议上以 8.01% 词错误率和 3.22% 字错误率为内容保持最优，代价是说话人相似度并非全部最高且评估限于英语朗读语料。

论文用视觉估计的相机旋转与平移方向约束同一视频前后两段立体声的方位预测，并叠加左右声强差约束，在野外步行视频与仿真对照上验证了该弱监督的有效性与重叠声下的局限。

针对无编码器语音大模型缺乏说话人判别力的问题，论文用性别情感说话人等元数据监督加即时多说话人拼接与适度掩码做预训练，在匹配数据下优于随机初始化编码器并接近大语料预训练编码器，但大规模纯转写预训练对说话人归属增益有限且存在任务差异。

针对原生全双工语音会在用户说完前开口的问题，论文用共享模糊前缀加可控停顿构造迟发意图基准，以提前响应率与有害或良性参与率联合评估四个模型，发现三者有害参与上升而一者全面退缩，且停顿放在意图揭示后则效应大减，但代码当前不可用限制了复现。

共分析 16 篇语音/AI 论文

针对声码器伪造与编解码伪造分布差异大的问题，论文用本地 FedProx 加逐层按到中心距离加权的聚合做联邦伪造语音检测，最强证据是双客户端下平均等错误率降到 0.266% 接近集中联合训练，代价是仍略逊于集中训练且只验证了两客户端严重非独立同分布情形。

针对联合音视频扩散后训练中跨模态作用位置与多奖励冲突随训练漂移的问题，该工作用双向跨注意力预门响应做 token 与层级路由，并用分支内冲突系数对先验权重做残差修正，在 LTX-2 与 LTX-2.3 上以更均衡的多奖励轨迹提升质量、对齐与同步，但统一奖励与跨架构泛化仍未解决。

针对只有静音视频和候选文本的配音唇同步评审问题，论文用候选相关的 CTC 单调对齐提供局部与全局证据再交由大语言模型推理，在七语基准上报告平均 AUC 达 0.920 并通过消融证明校准全局分对时序不可或缺。

针对音频语言模型怕噪声、怕遮挡、怕注入文本误导的问题，AnchorPrompt 冻结模型只训练解码器输入处的 8 个软提示向量，用干净输入的教师答案做自蒸馏目标并在证据不足时学拒答，报告显示九组干净准确率中有六组提升且重度破坏下幻觉回答大幅下降，代价是拒答目标的零样本外推仍有两组混响一致性下降。

该文用声学到发音反演伪标签把声道滤波器锚定在发音运动学上，源用基频能量加流匹配细化，以频谱保真度小幅下降换来可验证的源滤波解耦与发音级口音编辑。

AudioJev 把波形、问题与调用方候选直接映射为候选分布，用随机错排配对与语义对齐对称 KL 训练顺序校准，在完整 MMAU 与 MMAR 上报告 68.88% 与 55.33% 平均准确率并降低乱序 SKL，推理保持单次前向。

针对语音语言模型中显式思维链延迟高且难以表达细粒度声学线索的问题，AURAL 用高斯混合隐状态加联合块预测做两阶段训练，在 Qwen2.5-Omni 上把首个答案 token 时间从 1.22 秒降到 0.10 秒，代价是需要先构造 68.3 万条简洁思维链监督并依赖质量门控奖励来调节推理深度。

针对运动神经元病患者构音与认知混杂的问题，该研究只用一分钟字母流畅生成阶段音频，以 WhisperX 转写加 Silero 语音活动检测校准词与停顿边界再提取临床可解释特征回归估计言语流畅指数，最强证据是 P 词全自动 LASSO 达到 R² 0.856、NRMSE 0.053，代价是 S 词在构音障碍语音上误差明显增大且样本仅 42 人。

AVSD-Scenes 针对城市声景只有粗标签而缺少听视细节的问题，用两阶段自动管线先分模态生成事件与描述再用大语言模型融合成段，并用检索、对齐、分类与主观评价显示多模态描述在场景级检索与分类上优于单模态且能补充声视嵌入，代价是实例级区分力弱与仍存在幻觉风险。

该文用同一批俄语录音的长单元与短窗口对照微调并做全尝试连续合成评估，报告在约 1200 词时自回归模型的长目标训练大幅降低词错误率，而流匹配模型的绝对错误率仍高于 90%，代价是转录格式与语料构成等混杂尚未完全分离。