论文速递

OmniCompass 针对视频理解只考问答或只用文字指代的问题，用同一目标的文字与图文配对、视觉与视听双轨道、时间定位加空间定位加问答三任务来诊断模型，并用 50 个模型的评测显示问答强而定位弱、跨指代不一致、开源模型在视听绑定上差距更大，但多帧与时间戳等输入预算会改变结论的适用条件。

OpenPA 针对闭合跟读与开放自由作答两种条件，用 Whisper 编码器-解码器加``标记同时做单词级和语句级评分，只在 speechocean762 上训练，在域内和 MultiPA 零样本上报告了单词级 PCC 提升，代价是韵律相关语句指标未全面领先且病理语音迁移仍是探索性结论。

论文针对单一媒体语音协议无法反映部署泛化的问题，把 16 个公开来源整理为 26 个固定试音对集合与 11 个场景组，用冻结键值和统一打分比较 18 个检查点的场景画像，发现平均误差相近的系统失效模式不同且同场景内也存在来源差异。

COAX 在预训练选专家时按数据类别加软偏置，让低资源类别被引向更大的指定专家子集，在多语言与多模态混合上改善了低资源验证损失，而推理时可去掉偏置保持标准 MoE 流程，代价是小规模下可观的训练吞吐开销。

PACT 把语音到语音翻译分成语义文本、说话人音色和语用表达三路，把源语音的语用线索映射到目标语言表达空间并做成连续提示去引导冻结的合成器，在西班牙语英语双向 TOPI 评测里内容、音色和表达同时更好，但结论只在 30 对重演条件下成立。

PAG-Agent 用最爱的歌曲与用户背景先提炼显式审美档案再生成专辑，并在 Personal-100 上用一致性与特异性指标验证个性化效果，而通用音质并未同步提升。

论文把实时语音系统放到 176 段闲聊的真实停顿和话轮末尾，比较它是否像真人一样保持沉默或接话，最强证据是托管 API 几乎从不沉默而全双工模型才会沉默，代价是历史输入通道不同且标注和触发方式影响结论适用范围。

论文针对语音同时带来有用人口线索和有害刻板联想的问题，提出区分是否被明确要求使用人口信息的三轴评测，用八个语音大模型显示能听出性别年龄不等于会恰当使用，且显式标签同时提升个性化和刻板选择。

针对多语言混合语音中不同输入提取难度不同，该研究用样本级难度估计加共享多出口提取器做自适应路由，在 PolyExtract 上以 0.30 GFLOPs 达到 15.07 dB 宏平均 SI-SNRi 并把下游平均词错误率从 16.8% 降到 14.6%。

论文把保留内容与韵律的单码本语音单元同时用作统一模型的输入与生成目标，在相同框架和数据下比较识别、判别与合成，并在问答微调后检验保留情况，但合成只用自动指标且局限于英语朗读语音。

PhysicsSliders 用在线模态仿真产生的接触声训练流匹配生成器，学习硬度、尺寸、速度和阻尼等物理输入，并在 18 类真实敲击录音的等效阻尼目标上验证了目标跟随与双目标联合控制，代价是持续摩擦声覆盖范围不足且需要厚度信息才能同时定准频率。

论文要解决演唱录音缺专家诊断配对的问题，把 Reddit 评论整理成 Focused QA 和 Overall Feedback 来微调音频语言模型，在 VocalCoachBench 上把有效诊断加纠正的比例从 21.3% 提高到 61.0%，代价是严格匹配专家诊断仍很低且识别类辅助任务没有带来开放式指导增益。

论文把 Freesound 上的下载量和平均评分转成下载三分类与评分四分类，用元数据、平台声学描述子、eGeMAPS 和 MERT 四类特征比较随机森林、XGBoost 和 MLP，发现下载量靠元数据预测最好而音乐评分靠平台声学描述子最好，但 eGeMAPS 和 MERT 在短音效上基本失效。

Prime-EVC 把目标情感的音高能量与说话人相关的风格提前做进条件 μ 中，再用 DiT 条件流匹配解码器一步生成梅尔谱，在 ESD 英文集上以单步取得 UTMOS 3.37 与 EECS 0.87，代价是条件分支更复杂且结论只在相同划分与声码器下成立。

论文把压缩语音表示送入 8 比特变分量子电路做瓶颈变换，在匹配经典对照下主要改善固定阈值下的部署代价与校准，最强域外证据是 AASIST 上 EER 相对降低 28% 而真机验证只证明可行且代价不稳定。

论文提出查询条件下的同类多声源集合定位任务，用 40,000 场景基准检验包含缺席查询在内的集合恢复，Q-RSet 以查询加权的声源槽与证据汇聚实现最多 3 个同类源的活动与方向预测，主测试 F1 为 50.36% 但方向误差与空查询误报仍有明显代价。

RASSG 针对流式语音中用户修正参数会导致已启动工具产生不可逆陈旧执行的问题，用三次识别一致启动加校准无效风险在最后可取消时刻否决继续执行，在受控执行时钟下把 ReCAST 修正子集的陈旧率从 50.00% 降到 3.15%，代价是保留 3.676 s 成功延迟并依赖固定工具时间假设。

针对自然语言查询在音频中所有出现位置都要找全找准的问题，RefTAG 让模型先写草稿区间再做数量与边界诊断并给出修订，并用最终定位质量与修订效果的联合奖励做强化学习，在 8228 条查询上把平均定位精度做到 51.01%，代价是一次回答要走完草稿加诊断加修订的完整结构。

RespFocus 针对只有周期类别而无事件标注的呼吸音分类，用共享异常证据引导的双分支多示例学习分别汇聚短促爆裂音峰值与持续哮鸣多点响应并组合成四类判决，在 ICBHI 与 PedResp2026 上取得 69.55% 与 72.91% 的 Score，代价是依赖已给周期边界与双预训练特征且儿科新队列规模仍有限。

论文以英语口音分类为对象，用 DistilHuBERT 做声学编码加分类头，在文件级与说话人隔离、平衡外部扩展和教师学生伪标签对照下，说明说话人重叠抬高库内成绩，而平衡外部训练只在部分折改善留出跨库表现且高置信伪标签并未带来提升。