论文速递

论文用响度、内容丰富度和情感表达三组单变量受控操纵审计六个语音裁判，发现成对比较会系统性偏好更响更丰富更欢快语音而理由很少点名真正起作用的声学线索，人听校准显示部分偏好超出人类权重。

针对直接图像到语音中图像可多述且与语音单元无单调对应的问题，MGSA 用语义语音单元统一多说话人内容目标、以单调查询对齐器生成位置相关条件再做块级掩码扩散生成，在 Flickr8k-Audio 上达到与单说话人基线可比的字幕指标并支持未见说话人的零样本合成，代价是内容准确性仍是主要局限。

论文把带宽扩展限定为只补输入截止频率以上频带，用冻结的 48 kHz 编解码器加一个在量化深度上自回归的变换器完成码字，在 MUSDB18 四个输入率上客观指标超过两个基线，代价是 8 kHz 主观听感只与较强基线相当且仍依赖单一冻结码字分布。

为把只支持至多双声道的 GMLv2 扩展到 5.1 声道，论文比较信号、预测、隐变量、特征四层融合，提出特征带组注意力 FGAtt 在感知主干前自适应融合空间组，在五个 5.1 测试集上总体 PCC/SCC 达 0.9063/0.8303，代价是需 5.1 主观数据训练轻量融合模块且冻结主干。

针对通用智能体能推理却做不出跨模态多产物的问题，论文用分层技能加声明式执行图与资产注册表做编排，在 UniM-90 上把两类宿主的输入支持率提到 100% 并把相对语义质量分提到 74.94 与 77.78，代价是依赖外部专家后端与显式建图验证。

针对环境噪声与竞争语音干扰下的音频视觉问答，OP-CAD 用干净音频视觉加验证答案的冻结特权教师，在学生受损输入生成的同一前缀上做在线蒸馏，并按音频移除与损坏两路敏感度加权，在受损平均准确率与配对保持率上超过同教师的均匀在线蒸馏，代价是每样本四路教师前向与三阶段课程训练的额外开销。

针对混响导致跨房间泛化下降的问题，PG-SELD 用相同声场景的自由场表示作参照对混响分支做特征级蒸馏与课程训练，在 STARSS23 真实录音上报告了一致改善，但混响表数值因证据绑定不合格本文不复述具体指标值。

针对预测层分支分配隐式的问题，BC-MLF 用 BCHead 做样本自适应最小约束混合、用 FTCL 按连续情感亲和整理融合表征，在 CMU-MOSEI 与 CH-SIMS 上超过复现的 DeepMLF 基线，代价是增加约 0.1M 量级的门控参数与训练期对比正则。

论文在 SLAM-ASR 管线上做音频编码器自顶向下剪枝并在每层重训投影器，发现 Whisper Large 剪 2 层时聚合词错率从 21.6% 降到 21.1% 却让 Black 组上升 0.9 个百分点，到剪 8 层时 Black 与 Asian 差距从 13.5 扩大到 24.5 个百分点，而 LoRA 虽降低各组误差却让优势组获益更多。

针对噪声与混响下固定频率加权和严格对位匹配不可靠的问题，QK-GCC 用双通道幅度相位频点表征的查询键局部匹配替代手工匹配，并在仿真混响与变信噪比条件下报告了优于 GCC-PHAT 与神经 GCC 变体的帧级精度，同时保持轻量双通道算子结构。

针对训练有 16 kHz 高分辨率音频而部署只有 1.25 kHz 低分辨率音频的活动识别错位，RAST 先把教师表示压缩为离散令牌与邻域结构做预热再做局部难负例对齐，在 SAMoSA 和 AudioIMU 上相对低分辨率基线提升约 6.1% 至 7.8%，代价是仍需配对高低分辨率训练数据与三阶段流程。

针对 84 类、60 种采样率混合语料的物种分类问题，论文用原生采样率连续滤波器组保留带宽并统一为固定尺寸特征，再用傅里叶神经算子做全局频率时间建模，最强证据是 SFI-FNO 达到 0.906 准确率与 0.899 宏 F1，代价是未做增强时对采样率扰动敏感、需用温和采样率增强抑制捷径。

针对离散扩散语音克隆中词正确性与说话人保持未被直接优化的问题，RAWD-TTS 用识别与说话人波形奖励算组内优势并加权前向掩码重建，在 500 条俄语克隆提示上把词错误率从 3.18% 降到 2.42% 并把说话人余弦从 0.733 提到 0.748，代价是单奖励会损伤另一属性且训练奖励上升不等于评测单调变好。

论文固定 ReDimNet2 骨干，用七语料约 63934 说话人加编解码与波形增强、分阶段适配加大间隔微调，把本地 4 秒窗下混合 VoxCeleb1 EER 从 2.42% 降到 0.824%、26 条件压力 EER 从 7.21% 降到 1.99%，再用图重排把检索 Pr@kk 推到 0.7687，但多因素同时变化使单因素因果无法分离。

论文用长度匹配的重复与对照配对证明重复本身导致语音合成计数失败，在 k≥6 时对照组 94.3% 完全正确而重复组仅 18.2%，且该差距经解码、识别器和分析规格多重检验仍稳定存在。

该文研究精神科双人对话中按角色删除一方语音后的漏删核验问题，用四种开源权重模型在推理模式下扫描删减后音频与转写文本，最强证据是 14 个转写引导配置的或集成达到合并 F1 0.478，代价是精度仅 0.330 而召回 0.870。

针对 Qwen3-TTS 内层 MultiCodeDecoder 每帧 15 次自回归调用的主导延迟，论文复用冻结的逐位置 LM 头并只训练 3 个残差偏移向量做草稿加稀疏树验证，在保持 top-k 采样分布无损下实现约 2.47 个 token 每次调用和 2-2.2 倍实测加速，代价是每次验证调用查询长度增大带来的 10-20% 额外开销。

针对长直播中按子句渐进表现的需求，论文把音高能量语速写成相对上一同说话人子句的变化、停顿写成绝对时长区间，用时间路由器定作用范围、用标签专属码本权重按残差码本分配强度，再用多奖励 GDPO 联合优化控制与质量，最强证据是相对文本标签微调在音高能量上的百分点提升，而代价是只做说话人内适配且依赖强制对齐与说话人相似度等自动指标。

针对注意力模型整句依赖未来音频而难以流式化的问题，论文用年龄版本编码把每块未来视野锁定为常数块，再用逐词触发器只推迟不确定的词，在完整测试集上以 6.5% 词错率达到 306 毫秒中位延迟，代价是无预算时尾延迟高于静态基线且训练与重编码开销增加。

针对被动听语音脑电转波形只优化声学的问题，SENSE 用电极几何图编码加只在一致试次上对齐冻结语义空间的调节，在 N400 数据上以检索等表示层证据支持语义对应，但波形可懂度仍有限且自然语音只验证到表示层。