论文速递

针对掩码预测偏向语言内容而重建目标理解偏弱的矛盾，SPEAR-Gen 用任务对齐融合构造离散目标并联合对数梅尔重建与残差流匹配，在保持 SUPERB 语言性能的同时把重合成质量从 PESQ 1.20 提升到 2.94，代价是需要外部标注做目标构造与双解码器联合训练。

针对参考条件下的跨语言语音二选一诊断任务，论文用约 300 组人类偏好筛选并校准声学度量为非约束性概率提示以扩展出万级监督，再比较监督微调、在策略蒸馏与强化学习的不同分工，报告显示维度一致性提升 6.3 个百分点但强化学习主要改善高共识样本且可能降低维度诊断分。

针对连续音频流中的关键词检测任务，论文把已训练好的卷积主干切成以池化结尾的子模型并按静态调度稀疏执行，在保持识别精度的同时报告最高 82% 和 46% 的每秒计算量下降，但分类间隔拉长带来了可控的平均延迟增加。

针对答案监督学不到局部音画配对的问题，SyncRA 用原生时间区间在同一视频内做对称 InfoNCE 中间层对齐，在四种骨干与二十组基准上一致超过答案微调，代价是依赖区间划分与训练期投影头。

针对语音语言模型生成后须经编码器重读记号并发生替换的问题，Redwing 用替换图谱基与分离求解的嵌入检测函数实现可复现的鲁棒水印，在 Moshi 经 8 次 Mimi 重合成后保持 80.7% 检出率，代价是与 KGW 相当的语音质量变化。

该文用 Top-k 稀疏自编码器分解五种神经音频编解码表示并做激活转向，以分类器预测的朝目标偏移为证据探查年龄、性别、口音信息的稀疏可分性，代价是内容词错误率上升与感知质量下降且转向强度不可单调控制。

针对助听级单片机算力与功耗约束，论文用卷积网络估计最小方差无失真响应权重加轻量变换器逐帧修正，并以交错执行与混合精度在 GAP9 上实现 15 毫秒帧延迟，部署后报告 STOI 97.65%、SI-SNR 20.26 dB、宽带 PESQ 3.676、平均功耗 45.9 毫瓦，语音占空比下可超 16 小时续航，代价是权重刷新周期拉长到 564 毫秒且依赖语音 …

该研究把问题定为按多热查询减去 1-3 类触发音并保留残差声景，用 6 毫秒分块的流式双路径网络实现 10 毫秒算法延迟，并在 30 名误音症受试者中报告困扰下降 2.37 点但抑制后仍高于基线地板。

针对窄带语音缺失高频且稀疏瞬态难以恢复的问题，UDSS-BWE 用双流 Swin-1D 格型生成器建模幅度和相位，并用五个决策科学与不确定性判别器做尾部敏感监督，在 VCTK 与 MLS 法语上以 18.5M 对 72M 的参数量取得更优感知质量，代价是训练期判别分支带来的额外开销。

该文针对多说话人场景下谁说了哪句话的归因失败，用动物合成诊断集揭示按画面位置顺序配对语音顺序的偏置，并用 400 个位置与顺序解耦的合成视频微调在真实基准上为 Qwen2.5-Omni 带来平均 8.27% 增益。

该研究用时间定位解释截出影响判定的音频段，再用大音频语言模型描述并用大语言模型聚成类级别概念，在受控的干净与虚假相关数据集上报告出对掌声加笑声等三组明确捷径的检出与一组模糊检出，代价是依赖解释阈值与模型集成来压制幻觉。

该研究用共享交叉注意力接口统一文本线索和注册语音两种目标指定方式，在 30000 个双说话人混合评估上以五字文本加注册语音达到总体字错率 8.80%，代价是单线索推理弱于并行融合且依赖 oracle 文本跨度。

无配对漂移只优化干净语音的边缘先验而丢失内容与音色，本文用内容锚、身份锚和键控条件先验把输出拴回退化输入，在 VoiceBank-DEMAND 上把词错误率从 11.7% 降到 10.1%、说话人相似度从 0.490 恢复到 0.879，代价是背景质量随键强度下降且去混响质量未改善。

针对闽南语缺少大规模真实语音加方言与普通话配对转写的问题，该文用约 10000 小时多源媒体加三系统投票与翻译或字幕抽取构造配对语料，并在人工核验基准上显示微调后闽南转写字错率降至 15.21%，普通话转写平均指标接近商用系统，代价是保留了低质量历史剧集录音与转写非逐字对齐带来的跨基准不可比。

针对声码器到神经编解码器合成范式迁移导致的泛化下降，论文先用共享线性分类器比较 12 种声学表示，再提出双视角 MN-P 融合 token 级分层 XLS-R 与话语级 pooled 无人声残差，在合并测试集上把最强重训基线的等错误率从 5.986% 降到 2.744%，未见编解码器子集从 15.692% 降到 6.136%，代价是依赖离线人声分离与冻结大模 …

论文把双片段线索选择与下游执行拆开测量，发现四模型在近全数组合条件下问答与转写都大幅退化，而格式与思维链只能解释部分失败。

针对 Whisper 解码器逐词生成耗时的问题，Whisper-Flash 用读取编码音频与已接受解码器状态的两层并行起草器一次提出 8 个词并由冻结 Whisper 验证，在完整 LibriSpeech 测试集上达到贪心解码 3.16 倍与 2.85 倍的音频吞吐且输出词元完全一致，代价是编码器固定开销占比上升与大批量下加速比收窄。

YuE2 用同一模型先写包含旋律与和声的可读乐谱再生成语义与声学表示，在相同检查点对照中符号规划提升了专家感知的整体质量，并以可编辑的乐谱接口支持改编与零样本翻唱，但多候选筛选与自动指标仍带来额外代价与解释边界。

共分析 93 篇语音/AI 论文

论文以语种识别为可控分类任务，研究仅由声学损坏引起的域偏移，构建 CWWS 小库并用 DomainBed 比较 ERM、MMD、DANN，发现域内性能不能预测跨域鲁棒性且显式域不变约束未稳定超越 ERM，并在 MMS-LID-126 大系统上验证了多样声学暴露主导鲁棒性但转移不对称、未知严重失真仍困难。