论文速递

该文把双耳两通道加头动四元数作为输入，用卷积循环网络逐时频估计方向性音频编码参数再合成一阶全景声，最强证据是无噪声消融中加权平均角度误差做到 11.82 度且主观空间质量与参数真值无显著差异，代价是声源增多和背景噪声下误差与定位准确度明显下降。

该文把成人 PhonoQ-2.0 适配到儿童语音，对比三种强制对齐监督与两种初始化，用 58 名儿童 1352 个辅音人工标注检验，显示清浊全面提升、发音方式依赖儿童对齐、部位对比与纵向变化保持可解释，但增益因特征类而异且临床样本很小。

论文在同一协议下比较交叉熵与七种辅助目标，用位移除以 spread 的尺度感知诊断显示余弦一致性的位移下降来自空间缩小而非更稳定，且四个坍缩到近常数输出的运行被等错误率和 t-SNE 掩盖，没有辅助目标在种子、架构和语料上都优于交叉熵。

该研究用 1636 个问答和 20 组多轮对话检验语音智能体按文档作答的能力，发现级联系统接地最稳而端到端实时系统在长上下文和多轮后出现断崖与遗忘，且重注文档只对部分架构有效。

针对端侧语音推理中循环层每步稠密矩阵乘开销大的问题，DuSpaR 用前馈加反馈双状态回路调制输入并对矩阵乘向量做 ReLU 稀疏，在相近参数下比 GRU 在关键词识别和语义理解上省算力且精度更高，在语音增强上省约一半算力并保持质量，但稀疏收益依赖输入分布与部署是否支持跳零。

针对多模态情绪冲突、缺显式表达指导与文本误差向后传播问题，EmAvatar 用多视角并行感知加多轮问答裁决做情绪识别，再用合成脚本加迭代精修指导音视频合成，在 AvaMERG 四任务上报告了可核对的提升，代价是情绪识别阶段约十秒级额外推理开销。

该文把 1926 年前管弦乐历史录音复原写成盲逆问题，用五阶段维纳-哈默斯坦退化函数合成成对数据，训练潜空间条件流匹配模型 SAMECFM，并在无参考指标与 MOS 上报告最优，但生成质量提升伴随保真度代价。

针对伪造语音类型持续新增且原始语音不能集中共享的问题，FedCFM 让每个客户端在嵌入层训练条件流匹配生成器并交换生成器，再用生成回放加知识蒸馏更新分类器，在相同训练数据组合下报告了低于所比较集中式与联邦基线的等错误率，但生成器交换轮带来约 164.1 MB 的单客户端通信开销。

针对开放式耳机的空间选择性有源噪声控制问题，论文把期望语音保持误差改成频率加权二次惩罚并保持时域低延迟控制，在实测脉冲响应多说话人场景下报告 LTASS 与 oracle 加权在更高 SI-SDR 处取得最大可懂度提升和相当音质提升，而 SII 与 MIRS 的最大音质提升出现在更低失真容忍度之外。

该工作把每条语音先转成转录文本、声学描述和说话人属性三组可读概念再让大语言模型只看概念判情感，在三个语料上用零样本与微调对照和固定预测器的单概念删除，显示转录主导与声学依赖随语料而变，而删除声学概念会改变个体预测即使总分几乎不动。

该文把可审计的生成来源链作为行为归因的前提，提出合成语音研究对象与五遍审计法，并在 113 条日语护理交接合成资产上验证了哪些归因问题被允许、哪些仍被缺失戳记阻断，代价是仍不提供因果归因与临床有效性结论。

以 ACE-Step 1.5 为案例，用线性探测追踪仅由歌词驱动的歌手可解码性从歌词编码器经交叉注意力到生成音频的传播，最强证据是编码器输出 0.344 的百类歌手分类准确率，代价是探测只证相关不证因果且 CoT 路径带来稀释与翻唱式复现的混杂。

论文以 150 语言共享中训底座解决通用翻译，再用通用、指令、梗三专家插值加针对性蒸馏保留约束能力，并为语音、音节控制、长文档单设训练路径，最强证据是 9B 长文档均值 0.7891、0.7683、0.8848 与 35B 通用翻译 0.8794 等，代价是质量与约束控制之间存在可测 trade-off。

该工作把逆向合成拆成调制去向分类、去向条件 LFO 回归与振荡器波形恢复三步，用可微合成器连接音频损失，在合成与 Serum 2 数据上验证了去向正确性的关键作用，代价是滤波器与振荡器类型仍受限且感知损失需与直接参数监督配合使用。

针对小时级音视频问答无法把整段录像放入上下文的问题，LEAP 用 600 秒分块定位加至多 9 窗有界回答，在四个主基准上高于同栈整体读取基线，代价是每题需要多遍定位且文本通道只在语音证据充分时可替代媒体扫描。

MAV-C 针对本地渲染等无编码失真场景的视听复杂度估计问题，用熵类音频特征与梯度色彩运动类视觉特征经对数压缩与加权融合得到连续分数，在合成语料上显示单调性与模态隔离，在游戏语料上显示视听分量不相关且仅视觉分量随内容类别变化，代价是尚无主观评分校准且空间模式依赖轨迹元数据。

针对一步零样本语音转换中内容编码器耗时约为主流程十倍的问题，MeanVoiceFlow2 用教师 MeanVoiceFlow 做转换蒸馏并联合训练轻量内容编码器与平均速度网络，再以真实数据重建、扩散判别器混合对抗和教师增强条件扩充提升真实感与解耦，在 VCTK 上自然度高于教师且推理约快 9 倍、说话人相似度基本持平。

针对定位误差导致分离质量下降的问题，该工作把单点质量优化改为同一音频窗内多位置波束形成加质量加权平均，在真实办公室与商场录音上用更大初始误差验证了更快更稳的纠正过程，代价是质量估计智能体单次响应时间随测试点数增加。

针对低码率神经音频编码导致深伪检测错误上升的问题，论文用混合配对协议定位真假两侧不对称失效，再冻结 DAC 并加入码率条件残差适配器做检测器引导微调，在 ASVspoof 2019 LA 上 0.5 kbps 处把 AASIST 等效错误率大幅降低，同时只增加约 1.75% 参数并保持重建质量基本相当。

问题是扩展新模态时文本检索遗忘与模型膨胀，方法选择是冻结文本主干并以其自身对密集级联标题的嵌入为教师目标，只训练投影器与编码器 LoRA，最强证据是 0.9B 保持 49.57 文本分并覆盖五新增模态、2.3B 以 51.39 总体均值超过闭源对照 49.51，主要代价是 0.9B 在语音音频图像视频上落后于更大开放多模态基线。