论文速递

针对远场多通道会议中混响噪声与重叠语音的日志难题，该工作把神经 FCASA 的高斯源方差模型推广为瘦峰广义高斯与学生 t 分布的重尾模型并统一为高斯尺度混合训练目标，在 AMI、AliMeeting 和 CHiME-6 上报告了日志错误率与 Jaccard 错误率下降，但部分形状参数会退化且跨语料直接迁移仍明显变差。

针对 ASR 转写正确但唤醒意图错误的问题，论文提出在响应前加一层融合声学、语言和设备上下文并从用户后续行为中提炼纠正模式的 ASCIL，在 3667 次交互上将会话不相交失败子集错误相对降低 54.27%，在阈值 0.90 的问题标记切片上相对降低 24.39%，代价是在低阈值和干净音频上存在接受与拦截的权衡且依赖历史交互。

该工作研究无训练介入式可懂度预测，用冻结语音基础模型分层嵌入的参考测试分布距离代替人评，在英文编码增强与中文增强数据上显示 Whisper 末端层加 Fréchet Audio Distance 相关最强且跨语种比词错误率稳健，代价是需要成对参考与更大模型开销。

音频时刻检索要求在数分钟录音中按自由文本返回起止时间，基线用 MS-CLAP 加 QD-DETR 在开发测试集上 Recall1@0.7 为 13.56%，前三名以更强特征与检测网络加分数校准或多分辨率集成达到 48.59%，代价是更复杂的特征组合与后处理。

针对梅尔谱缺相位信息导致相位一对多难学的问题，PhaseGAN 用插值加 ICCRN 先恢复幅度谱再用 R3-GAN 生成相位谱，在 LJSpeech 上报告 UTMOS 4.238 等最优感知指标，代价是两阶段分别训练且推理仍需 6.42G 量级计算。

该文用逐个辅音静音加孤立词识别的方法定义掩蔽致误识率来给辅音排序，最强证据是控制另一变量后频率与误识率负相关而功能负载正相关，代价是静音为上限式探针且只覆盖单个辅音与自动识别代理。

针对嵌入式音频芯片同时卡住内存与单帧算力的问题，该研究用因果声谱分离主干加门控深滤波实现可部署分离，在芯片实测单帧 10.43 ms 内达到 4.70 dB cSDR，代价是比装不进芯片的最强基线低约 0.5 至 0.7 dB 且连续上下文训练不可省略。

SteerDuplex 针对全双工语音模型可操控性不足，用 Moshi 骨干加针对性监督微调建立语气人设语速操控，再用两阶段连续性感知的混合奖励强化学习改善打断响应与暂停等待，代价是仍存在过早让出话轮与奖励钻空子的权衡。

StepAudio 3 Gen 用 12.5 Hz 共享 16 码本离散表示把语音、歌声、音效和音乐放在一个自回归流中建模，以主干预测首码本加轻量预测器补全残差码本的分工，在四阶段渐进预训练与零初始化适配下保持文本能力，并在中文人声相似度与声音设计指令遵循上报告了可核对的胜率与一致性得分，其代价是长序列声学建模与多阶段训练流程的复杂度。

TokenMapper 针对同有效帧率但码本结构不同的语音分词器做离散域直接翻译，在 GLM、Moshi、DualCodec 六个方向上把跨模型词错误率控制在接近原生重建 2.5-6.8 个百分点内，并以省去波形桥接换来 4.8-94.5% 的传输路径延迟下降，但多码本残差声学细节仍是主要代价。

针对蝙蝠被动声学监测中标注稀缺问题，论文固定紧凑 BAT 骨干比较半监督路线与目标构造，报告伪标签在欧洲十分之一标签下闭合至多 61.5% 全监督差距并迁移到南非野外录音，同属加均匀平滑再提升物种宏 F1 达 4.73 个百分点。

论文以 129 万条英语 VoxTube 语音为共同源集，用嵌入变换、隐空间转换与负引导合成三族七种方法生成内容对齐的匿名语料，并以每版独立训练说话人验证模型与会话级链接实验，报告了强抑制压缩说话人空间而高效用版本残留可链接线索的权衡。

该工作把古兰经背诵 ASR 转写与标准文本的差异标注为带位置的类型化事件，用可执行评分器同时考核标签与跨度，并报告朴素差分、生产组件适配与编码智能体试点的对照与代价。

针对音频多模态大模型自由描述中每个词缺乏时频依据的问题，STAG 用词条件内部激活做时间定位、用频带遮挡做频谱定位再做可分融合，在四个时序标注基准上取得最佳事件定位，并在反事实删除中以目标置信下降和事件消失支持其忠实性，代价是可分假设与缺少频率真值。

针对离散语音 token 到梅尔谱的低延迟合成问题，论文用梅尔空间重参数化的平均流把 2 到 3 步推理的声学目标直接化，并用层选择的分块掩码把每包计算限定在滑动窗内，代价是需要未来块的前视延迟和多步细化开销。

共分析 27 篇语音/AI 论文

该文把声学放到一边，从任意个全音阶音出发构造半音与等价类，并以反射性和最大偶性解释为何标准十二音系统在纯句法意义下仍是可用选择，但非标准十九音等系统也能被同一语言描述。

针对无菌手术室中多设备协调控制难与语音交互延迟高的问题，论文提出分层语音流水线加智能体核心的 SurgicalRoomAgent，用 KV 缓存预热、流式提前执行与渐进式提示披露降低延迟与上下文压力，但所报告的延迟数字为理论估计且缺乏大规模临床验证。

该研究复核一篇中库尔德语语音合成公开释放，问题是论文、模型卡与文件三者是否一致，方法是逐项比对配置、评测与许可，最强证据是三系统合成分为 4.08、4.01、4.06 且与各自录音质量同序，主要代价是测试集未标记、识别器兼做转写与评分以及禁改许可限制了公开修正。

该文用每幕重采样的九任务诊断音频任务学习，显示最强模型在非语音模式绑定上可学、但在时长测量与多规则组合上崩溃，而代价是人工构造任务与小样本精确匹配评估的生态距离。