论文速递

该文把语音智能体可靠性定义为固定 306 通电话总体中无功能性失败且达成目标的百分比，用音频实测计时失败、用固定判分模型加工具轨迹判定语义失败，最强证据是去掉音频事件后分数平均虚高 24 分而排序仍受部署参数扰动，代价是单账单域与合成主叫限制了外推。

针对串联语音对话缺少训练时中间引导的问题，该研究用目标回答加随机采样回答构造引导流，在合成对话上达到与大模型模拟相当的回答质量，并在 3.8k 小时真实对话上提升轮转顺滑度和听感自然度，代价是打断处理仍弱且真实数据模型回答分略低于合成基线。

LUMO 针对无网与隐私敏感场景，在树莓派 5 上用本地语音识别加 4 比特量化小模型加本地合成组成全离线流水线，在短指令上报告低噪声下较低词错误率与约 3.2 秒端到端延迟，代价是强噪声下错误率明显上升且小模型推理能力有限。

MuseTimbre 冻结 Stable Audio 3 Medium 并用二值琴卷与微调 CLAP 分别控制音高与音色，在 304 对零样本复调迁移中报告音色命中 57.6% 且帧 F1 为 0.316，代价是音高保持仍低于 TokenSynth 类基线。

针对混合音乐中乐器种类与数量未知的问题，论文用 stem 嵌入生成器逐个发现音频查询再驱动查询分离器，在正确检出的干声上达到人工查询相当的分离质量，主要代价是检出召回不完整与自编码器引入的听感瓶颈。

在只用内容与专家判断、不吃听众行为的音乐发现栈上，论文把 38.17% 否决拆为声音与语境两类并分别送入候选过滤与表征重加权，两轮 1200 次评审把否决率降到 28.83%，但两次机制同批上线因而只能做算术归因。

针对单通道带噪混响语音中房间信息易被噪声掩盖的问题，论文采用纯混响对比学习、带噪混响对比学习、冻结教师对齐学生三阶段学出噪声鲁棒的房间嵌入，并以声学参数探针和条件化深滤波增强验证其可读性与一致增益，代价是弱识别器仍受增强伪影影响且动态多通道场景未验证。

针对声音到人脸一对多映射导致口型不一致的问题，该文把可见发音拆成张开、展圆、前突三个方向，先用语音发音记忆检索方向运动再用网格拓扑组合成表面一致的顶点运动，在保持整体重建的同时改善了唇部距离与速度误差，代价是两阶段训练且不建模上半脸随机动态与口内结构。

针对非侵入感知语音解码中时空表征不足与跨被试泛化难的问题，论文提出融合 MEG 与 fMRI 并显式提取被试一致成分的 SICMD，以 43.5%、82.7% 和 93.4% 的 Top-1、Top-10 和 Rankacc 报告最高性能，代价是仍需目标被试的个性化微调与双模态配对数据。

针对音频预填充随主干增大而变贵与音频微调损伤文本能力的问题，论文用与主干同层数的窄卷积注入器直接生成层相关键值缓存，在冻结 Qwen3-0.6B 下以音频预填充激活参数从 1108M 降至 552M 为代价逼近微调基线，并用噪声旋转位置编码与键值尺度匹配解决长句泛化。

针对合成器声音匹配中通用音频表示难优化、直接搜索需反复渲染的问题，Synth-JEPA 学习音频与参数互相预测的联合嵌入并以此为免渲染目标做两阶段搜索，域内匹配最优且听感偏好达 85.1%，代价是 53M 模型与随预算增长的测试时计算。

针对高棉语无词空格与数字词嵌在普通词中的问题，Tha 用整行最短路分类加音节边界过滤器实现文本归一化与逆归一化，在谷歌基数测试与 2906 句真实语音提示上取得高一致率，代价是拼写变体与歧义仍需词表维护与上下文信息。

该文在固定 BigVGAN 的 F5-TTS 管线中用配对重合成把检测分离归因到声学梅尔生成，再用不含检测器的对抗微调抬高固定检测器的等错误率，并用只见过微调输出的检测器适应把两类输出重新检出，代价是遗留基准性能随适应语料不同而回落。

针对大词典直接偏置会引入无关词的问题，该文用同一预训练语音大模型一次生成初识结果并标出疑似领域词错误片段，只用这些片段做音似检索再做第二遍重识别，在医疗、空管、金融三域上把每句查询从十余次降到约 1 次并降低了领域词错误率，但低频词增益在领域词占比低时变小且仍依赖提示与检索排序质量。

针对同时有语音和文本时如何低成本得到实际读音的问题，该文用词典与工具生成受限候选再以冻结语音转读音模型做整句负对数似然贪心选择，在日语三语料上把字符错误率降到 0.04 到 0.17%，代价是仍依赖候选覆盖与按语言校准的阈值。

论文把多人说话视频的谁说了什么拆成以声音或画面为锚的跨模态检索，用受控玩具体验揭示时间编号与位置编号的三阶段绑定，并证明瓶颈在音视对齐，进而用现成说话人检测框加不到 300 步微调带来可复现的提升。

问题是单库训练的语音筛查在新语种、新任务和新录音流程下出现方向反转与局部崩溃，方法是用留一库评估审计 70 个可解释指标并把源库选出的 4 个证据锚与冻结 XLM-R 文本分数加权融合，最强证据是平衡融合平均说话人 AUC 为 0.769 到 0.785 区间、最重锚融合最差域 AUC 为 0.615，代价是在接近饱和的 Chou 域上融合轻微拉低分数且最难 …

共分析 34 篇语音/AI 论文

针对助听器难辨非语音环境声的问题，RALCT 把随机音频增强、MFCC 与 log-mel 拼接、CNN 降维与 Transformer 建模串成一条流水线，在 UrbanSound8K 上以约 310000 参数达到最高 94.56% 验证准确率，代价是增强强度受内存限制且部分易混类别仍偏弱。

该工作把双工对话拆成先写意图关系再测语音时刻的合成管线，用 42 种现象的双通道数据证明因果语义 VAD 能学到起止边界且 Moshi 微调后接管轮次从 0.44 升至 0.85，代价是稀有打断类与自由生成的精确对齐仍弱。