论文速递

论文以 Newcastle English 使用者为对象，用模拟语音助手加半结构访谈研究他们如何评价地方口音与标准口音的合成语音，以及识别失败时如何调整发音、语速和用词，证据显示熟悉感与权威感的矛盾评价和向主流口音靠拢的应对同时存在，但结论只来自被试的自我报告而非声学实测。

论文把复调钢琴转谱做成每帧 88 个音高的多标签分类，用 252 维对数频率 CQT 做输入，以双向 LSTM 加前端改进多头注意力建模时间与频谱依赖，在 MAPS 与 MAESTRO 联合训练下最好达到 F1-score 88.20% 与准确率 78.90%，代价是 4.43M 参数与约 11.6 ms 帧分辨率等启发式后处理的局限。

该综述把音乐音频生成归纳为表示、生成范式与条件三类设计选择，用同一符号讲解编解码、扩散与偏好优化，并以系统对照表说明长歌曲、编辑与实时演奏各自的代价与评价限度。

针对低码率下残差向量量化每帧固定用量化器造成的帧间冗余，该文提出在编码器与解码器之间按帧选择完整量化的关键帧或只量化帧间残差的增量帧，并用只看因果信息的比特银行调度器把实际码率推向目标值，在 LibriTTS 上 DAC 在 1.5 kbps 附近达到接近 2.0 kbps 固定量化的重建质量，代价是每帧 1 比特模式标志和最长增量游程约束下的有限码率调节范 …

本文用 DAW 插件做声场设计加 Teensy 单片机网络分担解码来解决集中式多通道声卡贵且难同步的问题，三阶 16 通道实例显示包长 523 字节且模块间约 200 ns 同步，但仍需手工配置且未做主观听音评估。

论文把理想高阶 Ambisonics 重建写成一个从传声器观测出发的逆问题，用只在理想信号上训练的扩散先验加物理前向算子在推理时做后验采样，并以阶数掩蔽和分数混合解决可观测分量校正与不可观测高阶生成之间的矛盾，代价是 90 步约 150 次网络求值的迭代推理开销。

论文用全合成的舌、脉、声数据先给出 8 类证候族分布，再用 25 道结构化问题做贝叶斯追问，一次性 600 例确认中成本敏感信息增益把族准确率做到 95.5% 而细项准确率仅 42.5%，且提问数并未少于 tested 固定顺序。

把合成器当黑盒，用 101 步单参数扫描打分再用 128 次 Sobol 扰动的输出方差独立验证，在四个确定性引擎上排序高度一致而在有渲染噪声的引擎上失配，结论只在中点工作点和单音触发条件下成立且总代价约 66000 次离线渲染。

该研究在 7 个未见过的在线西班牙语课堂会话上比较 6 种转写配置，发现用 38 个课堂会话做 LoRA 适配能把 MOSS 的词错误率相对降低约 38% 并接近商用 Muse，但学习者、英语独白和语码混合语音仍然明显更难，且转写最好不等于说话人归属最好。

论文用异质共振神经元替换脉冲储备中的积分神经元，使储备对输入频率敏感，在十个时序与事件视觉任务上提升分类精度，并以稀疏脉冲计算保持低能耗。

本文针对整句说话人相似度无法定位口音差异的问题，提出整句打分加子词标注的分段评测流程，用 200 对内容匹配的苏格兰和澳大利亚语音实验证明局部标注能给出不同于整句打分的系统排序，而七种客观距离与听辨标注最多只有 0.22 的弱相关。

该文把 3 秒音频的 57 个数值声学特征先变成高低符号标签，再对多层感知机最后 32 个神经元按激活强弱分组并做概念归纳，在流派和乐器两类任务上分别确认 9 个和 10 个神经元概念，其中 7 个和 9 个通过曼惠特尼检验，但结论只在给定特征映射、阈值和验证集下成立。

本文把到达方向估计做成 32 类分类，用 U-Net 输出逐帧后验，再用保形预测集合的大小与形状决定相信神经网络还是相信时间连续性，实验显示该平滑在 0 dB 突发方向噪声下能降低平均绝对误差，但在无噪声低混响时提升很小甚至略变差。

论文针对端侧设备装不下深层语音识别模型的问题，用表示相似性分组把深编码器折叠成少数共享块循环执行，再用蒸馏和用户条件适配恢复精度，代价是循环次数决定的计算量仍需保留且极小块数下仍有残余误差。

论文追问自回归零样本克隆 TTS 表示了什么声音属性、能否用少数特征预测和在生成时调控，用 SAE、PCA 与随机方向做稀疏探测与转向对比，并在 Qwen3-TTS 上做定量自动解释，最强证据是 SAE 在人工标注概念稀疏预测和 684 个自动验证新特征上的优势，代价是转向效果因概念和模型而异且伴随可懂度和自然度损失。

论文用疼痛这一词汇中性但声音有变化的任务，比较七个音频大模型在只听声音与听明示评分时的表现，并用探测、感知和文本化线索回填定位信息在编码器早期存在但到语言层不可用的瓶颈， pairwise 加文本线索最多提升 32 个点。

针对字符输入与 12.5 赫兹离散声码器对齐时会丢掉短辅音的问题，论文用 50 赫兹先展开再下采样到 12.5 赫兹的办法做合成，在单说话人 Idayu 数据上把字符错误率从 27.11% 降到 21.86%，平均意见分从 4.12 提高到 4.30，但结论只在该数据和评测条件下成立。

论文从八工具的 OmniAgent 出发，先按功能剪枝再把音频与视觉工具合并为全模态字幕与问答两个工具，在三个基准上保持准确率的同时把工具调用和估计推理成本降低约七成，长视频上的智能体优势更明显。

EmpDPO 用现成重读检测器先给真实语音打伪标签做监督微调，再用同一检测器从模型采样中挑出好坏偏好对做扩散模型偏好优化，只用 5171 对和 1 万步就在六种语言上让目标词的重读更明显，同时保持自然度和音质。

本文在六种非洲语言上控制每语言数据量，对比三种语音识别模型，发现 Phi-4 整体字符错误率最低、数据饱和点因模型而异、领域数据对不同模型效果不同，而结论只在所测语言、数据来源和单次训练条件下成立。