论文速递

针对可穿戴少麦克风阵列在高直混比下双耳信号匹配退化的问题，论文提出由卷积循环网络直接回归视场中心与张角并加权匹配滤波器的 FoV-BSM-Net，在仿真单声源数据上把全条件改善做到 1.0 dB、高直混比下做到 1.7 dB，但评估限于仿真且本次无可验证的开源链接。

论文冻结三种音频水印的编码器与检测器，只训练约 2M 参数的 Conformer 解码器来替代平均投票等固定时间聚合，在受控攻击与交替双负载下提升精确恢复并提高检测 AUROC 点估计，但 AudioSeal 双负载绝对恢复仍低且结论限于已知网格与分布内攻击。

针对合成器反演中合成配对训练与真实录音测试不匹配的问题，论文用参数与音频双时间轴的联合流匹配统一条件与边缘建模，并用部分加噪条件推理改善真实音频重建，代价是真实无标注音频带来的额外增益很小且评价仍依赖重建距离。

针对复调录音中同音色音符互相泄漏的问题，论文用谐波与打击乐双流 NoteGrab 按音高与起止逐个抓取音符，再用自适应集合归属联合重分混合能量，在 SCNS-Eval 上中位 SI-SDR 达 7.39 dB，代价是逐音符推理与完整乐谱依赖。

该文用英语预训练的视频 Conformer 在 OLKAVS 协议上把已见句式误差降到约 10% 上下，但人口普查显示个体误差从 1% 到 52% 不等，数分钟正面视频的低秩适配器能为高误差者挽回约 2 到 3 个点且可迁移到各视角，而嘴平面以上相机带来约 6 个点的固定加性损失。

针对语音大模型在 2000 词偏置下易受近音词干扰的问题，PTC-Bias 复用同一份帧级音素后验先做检索竞争选词定位、再做解码后局部竞争纠错，在 LibriSpeech 上把 Prompt-SLAM-ASR-7B 的偏置词错误率相对降低约 2 成而非偏置词错误率基本不变，代价是依赖轻量音素 CTC 分支与固定阈值检查。

PUBG Ally 用事件驱动的语言模型做高层意图与语音、每刻运行的行为树做移动战斗恢复来解决语音协同与实时控制的矛盾，最强证据是 2B 端侧学生在能力评分上追平 31B 教师且端到端语音往返约 1.6 秒对云端约 3.4 秒，代价是安全加强后良性拒答小幅上升且残局战斗评分仍偏低。

针对同文本同状态下不同语音实现导致目标速度不同而被平方误差平均掉的问题，ReaFlow-TTS 引入贯穿整条轨迹的 utterance 级实现潜变量 z 并用 VAD 线性映射做分级操控，行为证据是跨初始噪声可复现的音高能量时长倾向，代价是效价方向灵敏度较低且操控需在小幅自然度变化内使用。

针对只用正常声音训练、测试需跨工况统一阈值判异常的问题，该文把整流流匹配搬到紧凑音频特征空间并用近邻正常样本的失配做局部校准，在 DCASE 2020-2025 六年平均分报告 71.01，代价是仍依赖微调特征与逐查询多路径前向计算。

针对历史音乐带限与噪声并存且修复标准主观的问题，RESTORE 用单次前向的六轨语义分解加独立高频生成实现可调修复，在合成与 78 转历史录音上以 FAD 与可控性为证据，代价是仍需两阶段对抗训练与配对仿真监督。

针对音频语言模型靠文本捷径答题的问题，论文用同一冻结教师有音频与无音频的对数概率差重塑蒸馏目标，在两个 3B 学生和三个基准上超过普通同策略蒸馏，代价是训练时每步要多做一次无音频教师前向。

该研究在统一协议下对 3 个核心加 8 个复现加 2 个盲测 TTS 模型做训练后量化，发现相同位宽下自然度损失完全取决于模型特异的敏感部件，最强证据是 4 比特逐通道权重让 Supertonic 下降 2.8 个 UTMOS 而 Kokoro 仅下降 0.07，而代价是逐张量缩放即使在 8 比特也会严重退化且真实部署的延迟与能耗必须逐运行时验证。

针对模态内缺失导致证据碎片化问题，SemMSA 用冻结大语言模型隐空间迭代精炼情感语义并以核 Gram 矩阵主谱成分做无锚对齐，在缺失率 0.0 到 0.9 平均上保持领先，但极高缺失与可解释性仍受限。

针对 whisper-large-v3-turbo 编码器 32 层冗余问题，用留一层词错率变化选出 6 层直接删除，再以无标签英语语音做编码器隐状态均方误差蒸馏恢复，四语平均词错率从基线 18.2% 升至零样本 21.9% 再回落到 20.1%，代价是仍残留 1.9 个百分点的绝对升高和编码器参数减少 118M。

针对语音大模型含编码器与适配器且序列被音频主导的问题，提出编码器在适配器输出处打分与解码器只看文本词元的 SBI，在三模型上以无修复剪层对照显示高剪除率下更稳健，但解码器在约 20% 剪除前仍明显退化且需权衡计算开销。

论文把欺骗检测改写为固定指令下比较 bonafide 与 spoof 标签序列似然的生成式任务，报告冻结大语言模型层会削弱声学可分性，而用 DoRA 轻量适配后的 Spooftral 在 ASVspoof5 评估集上报告等错误率为 4.25%，代价是仍需任务训练且特定攻击明显更难。

针对日常视频中增益失衡叠加噪声与混响的问题，SSE 用视频加文字引导的流匹配生成做重混与增强，在 DegradedMix 与 MuddyMix 上以分布与对齐指标优于 VisAH，但单真值重建指标上优势收窄且依赖预训练编解码与分离权重。

针对多人轮替与重叠会议转写，STAM-ASR 在冻结 Qwen2.5-Omni-7B 编码器上加内部说话人日志、残差 FiLM 调制与说话人/会话双记忆，在参考与预测说话人活动对比中显示时间证据与记忆互补，但预测跟踪误差仍是主要瓶颈。

该文把钢琴音频转录后的音符序列当作手与手指联合标注问题，用双向卡尔曼加分手隐马尔可夫的合成模型与四元三元语言模型在 PIG 上分别达到 90.8% 手部分离与 56.6% 联合准确率，而端到端管线召回降至 65.7% 与 37.0%，代价是统计模型仍受古典数据与合成音频评估限制。

该研究针对外毛细胞损伤导致的可懂度下降，用听觉模型响应的正常与损伤差异训练 dCoNNear 助听模型，并在 19 名受试者的矩阵测试中获得显著可懂度提升，但客观音质指标 HASQI 出现下降 trade-off。