论文速递

针对语音伪造检测中元学习域泛化的元训练与元测试梯度冲突问题，论文提出以元训练梯度为锚、只修正元测试梯度的域梯度手术及其逐层变体，在多组跨数据集评估上报告了平均相对等错误率下降，但部分数据集上仍存在未胜出项与方向敏感性代价。

针对免提通话需要因果低延迟联合回声噪声控制的问题，DiffVQE2 用因果卷积加单向 GRU 改造混合扩散框架并辅以有限前视，在 ICASSP 2023 AEC 盲测上以更低算力取得更高的主观 MOS，但客观双讲指标仍有代价。

针对流匹配语音合成多步积分代价高的问题，论文用出发点局部微分恒等式做蒸馏、用一致性代价图做全局步数规划、用四步模型做对齐自蒸馏，最强证据是 Seed-TTS 上一步达到 1.80% 词错率接近 32 步教师的 1.76%，代价是说话人相似度和预测质量仍低于教师。

该文提出以人类高成功对话为参照、比较行为分布距离的对话分布分数，用语速、节奏、轮替共八个可解释特征加语义基线评价系统，在域外目标导向对话上复合分数复现六组听众比较中的五组，但短片段与单一尺度下排序并不稳定。

论文用冻结 HuBERT 加 12 个事后融合模块做对照，问 64 维韵律监督表示是否在参数量相同的零输入融合之外再降词错误率，最强证据是三语料上 Learned 与 Null 差值仅 +0.07、-0.09、+0.00 个百分点且不显著，代价是干预实验显示模型仍依赖该表示。

针对未见攻击类型与声学条件下的语音伪造检测，论文提出域自适应双门控混合专家 DADGMoE，用原始波形与 SSL 表示的双路 Sinc 滤波加可学习域原型计算路由权重，再用轻量批量归一化仿射专家变换特征，在 21DF、ITW、FoR 上相对 XLSR-AASIST 基线取得约 31.2% 至 40.8% 的等错误率相对下降，代价是增加约 0.17M 参数并需 …

针对生成式语音增强在新声学域上微调会遗忘旧域、零样本又适应不足的问题，论文用冻结的 GPT 式主干加域专属 LoRA 逐域增量学习，在四个异构数据集上以平均 SpeechBertScore 保持旧域并适应新域，代价是域不可知时依赖熵选适配器且推理需多路前向。

针对全双工语音每秒输入必须在下一秒前变成一秒语音的截止期问题，DuplexCadence 把时钟速率与保留界声明给运行时，用按需定址的携带缓存与精确形状图回放在合成尾段实现约 2.85 倍加速与约 38.8% 峰值内存下降并保持逐字节一致，代价是一次性捕获预热与自回归阶段仍在无损范围之外。

针对视频配音等场景的时长错位问题，DuraS2ST 用先推理选词控音长再生成语音的两阶段流程，结合 DuraSet-440K 监督与时长容限强化学习，在 CVSS-T 中英双向测试上同时保持翻译质量并把时长误差压到最低，但当前验证仍限于中英离线生成。

该文用跳字模型在贝多芬与披头士和弦序列上学习 24 个大小三和弦嵌入，证明移调增广能恢复五度圈、调中心分离与可转向的调区域，并用和弦到调距离与上下文距离构造张力量，与匹配的音调区间向量量中等对应、与人类紧张度中等对齐，但输入丢掉了转位与织体信息。

OmniDream 把静音单目视频先扩成全景视频与三维几何，再为每个发声对象生成干声并用光线追踪仿真脉冲响应来渲染一阶 Ambisonics，在自建集与 YT360 上报告了空间对齐提升，但全景扩展耗时约 1680 秒是主要代价。

该文把说话人级遗忘定义为逼近去掉遗忘集后重训模型的分布，用五种近似遗忘方法在 E-Branchformer 上比较效用与成员推断隐私，发现梯度上升类在简单攻击下最接近理想权衡，但复杂方法会被知晓遗忘的攻击识别，多人同时或顺序遗忘则同时损伤效用与隐私。

针对听与说需随对话演变的交互 3D 头生成问题，论文用用户面部视频加双人音频驱动测试时训练与双路快权重适应，在最难跨域划分上随对话推进改善表情统计，但逐帧对齐误差与颈部统计仍有代价与边界。

该研究用直接处理原始语音的双头语音大模型同时做认知状态分类与自然语言解释，在六个数据集任务条件下取得最高平均准确率并能迁移到未见任务，但解释监督来自模型生成且临床标签为量表阈值定义，解释只能作辅助核查。

FlowAct-R2 要解决长时间直播中边播边换参考仍保持身份与连续的问题，用流式多模态参考扩散变换器实现连续视频生成、用离线规划加在线调度的主动交互智能体决定演什么与何时演，在与 Vidu-S1 的人评中取得视频质量 +54.76% 与实时交互 +40.48% 的 GSB 分，代价是原文未公开训练数据、定量协议与延迟成本细节。

该研究把六首有文献记载背景的流行歌曲旋律抽出后交给同一可解释和声器重新配和声，对比发现高旋律适配分不等于保留原有持续、重复与非调式特征，部分曲目保留经济型 I-IV-V 结构，部分则扩张声部词汇或压制标志性进行。

该文把增量作曲定义为持久 ABC 工件上的操作感知状态转移，用 496038 条对话记录对 Llama 3.1 8B Instruct 做 LoRA 适配，在 1750 次尝试下检查器准入从 29.37% 升至 99.37%、条件合规从 0.7205 升至 0.9798，代价是结论限于爱尔兰传统音乐域且不证明审美优越或无人抄袭。

该文把可控多说话人对话语音合成从一次生成改为计划—合成—评论—修改的闭环，用统一做指令合成与情感语速响度编辑的 ControlEdit-TTS 做局部修改，在中英基准上把语句指令遵从 Yes 率做到 95.5% 并在对话偏好上占优，代价是最多 10 轮的评论与重改开销和风格与音色难以同时满足的回弹。

针对麦克风布局与数量变化时的三维波达方向估计，GAMF 用候选方向阵列传输函数做声学描述，分别构建可学习的麦克风对齐匹配与解析的归一化匹配，并以门控融合，在仿真噪声混响下学习分支更稳健，而八麦克风 LOCATA 上混合达到球面平均误差 3.76 度、方位角 2.87 度，但干净低混响下解析方法仍有优势。

针对自监督检测器偏向全局语义与跨域层重要性漂移问题，GLAD 用语言声学交叉注意加信号卷积的多粒度融合与样本级门控组织证据，在只训练 19LA 条件下报告 21DF 等域上更低的等错误率，但以双自监督加卷积分支的更大推理开销为代价。