论文速递

该文针对训练与人机交互测试之间的混响加性噪声失配，在 Wav2vec 2.0 卷积层与 Transformer 层之间加入 40 维自编码器潜空间与单状态高斯混合模型估计的仿射补偿，在 MSP-Podcast 模拟训练与 PR2 机器人实录测试下用少量数据取得平均一致性相关系数提升，但全量数据时优势消失且须重训后端才能生效。

论文把事件流写成每到事件做跳变、事件之间按闭式漂移的模型，证明同时无关与穿越连续都等价于跳变可交换，并用快慢两条迹加累加器的最小 TM 层实现有序对交互，在开发集上比同读出的加性状态明显更好，但正式测试与最优精度尚未报告。

论文用 ShipsEar 五秒音频比较六种分类器在树莓派 5 上的完整音频到预测流程，发现两层 CNN 准确最高而 RBF-SVM 只低 0.31 个百分点却快 4.29 倍，因而把 RBF-SVM 部署到 Zero 2 W 仍能跟上连续音频的速度。

MiDiff 要解决严重混响与话筒染色下鼓瞬态难恢复的问题，用对齐钢琴卷帘直接条件化复数 STFT 域的分数网络，在 StemGMD 上把测试 FAD 从 1.268 降到 0.233，而无真值 MIDI 时的混合转录采样只能降到 0.676 且切换点是在测试集上选出的。

论文解决多分钟用户生成视频的内嵌式音频描述问题，用 36 小时盲聋共创标注和 TTS 渲染加判分模型的端到端评测证明加时间约束提示可大幅减少压话但叙事节奏仍落后于人工。

MixCardBench 把 10 秒多声源混音拆成逐声源的结构化卡片来分别考查发现与描述，用保留真实事件结构的合成流水线得到 4884 个场景和 9618 张卡，最强模型平均卡片字段分也只有约 60%，且声源越多检出越难。

本文新增 18 个高质量立体声源经双耳线索失真与对话增强处理得到的 148 对信号及实验室 MUSHRA 评分，并连同既有子集合并为 688 对信号与 18984 条评分的统一资源，为空间失真主导的客观质量评价提供可复用基准。

该文把混音师风格建模为效果链参数上的分布，用标签偏移假设把通用内容模型与工程师先验闭式合成，在人声链上验证了内容信号虽弱但真实存在且听感可区分，但结论只在合成先验与弱内容模型条件下成立。

论文把语言模型加支架看作待测智能体，用合成车内噪声故障检测基准分离支架各部件与模型的贡献，再用通风超材料设计案例检验技能划分如何决定成败，配齐阈值知识的智能体接近满分但弱模型与结构缺陷无法靠多思考弥补。

本文用 12.8 小时众包语音把不支持爱尔兰语的 Qwen3-TTS 适配成匿名单音色，再用词典编成的发音评价模型做一轮择优微调，把跨语料可懂度做到 CER 0.159，同时用同一评价模型量出语料中仅 229 段偏 Ulster 口音因而做不出少数口音。

针对金融解说合成中汉字多音词读错问题，论文用预期读音与易混读音的 CTC 似然差做读音级校验，在 540 句三声音对照实验上把误报从 44.4% 降到 5.0% 并保持 91.7% 检出率，代价是需要逐词维护预期读音与易混读音词表。

针对同屏出现目标与干扰声时场景级视频查询含混的问题，SelectSep 用文本加单点坐标改造视频编码器再微调分离器，在标准集和同屏干扰集上用六项指标验证了目标选择性提升，尤其在语义相近混合上更明显，但跨类同屏上仍不及纯文本基线且依赖点击标注。

论文提出从单目视频生成可自由漫游的 4D 视听场景的新任务，用前景背景分解重建几何与轨迹，再以双空间扩散同步生成可重渲染的声源信号，在 SonoScene4D 上空间方向与语义一致性优于基线，代价是依赖多个现成重建与生成模型且只建模直达声。

针对多人混合语音中只对目标说话人做语义轮次判断的问题，SpeakerTurn 在冻结声学通路下用 LoRA 联合生成目标转写与轮次状态，在合成测试上五状态宏 F1 达 0.811、目标转写 CER 为 4.20%，而结构化思维链降低了转写错误却也降低了轮次判别分数。

论文把流式 Zipformer2 transducer 编码器压缩到 2 与 4 比特并用整数流水线在 ESP32-P4 上实时运行，在 LibriSpeech test-clean 上以 4.34% 词错率比原模型高 0.40 个百分点，而整数运算本身几乎不带来损失，代价集中在权重上。

论文先保留已调好的稠密混响特性，再把反馈矩阵拟合为固定置换加小正交块的分级乘积，并在 Apple M2 上以更少的存储和更短的反馈乘法时间逼近原频响与听感，但结论只在给定延迟增益衰减与测试条件下成立。

论文针对全参考退化度量按模态割裂且在重退化区不敏感的问题，用固定参考隐式神经表示的对角 Fisher 敏感度轮廓之对称 KL 散度定义统一分数，并以 SIREN 闭式 Fisher 和超网络加速拟合支撑跨模态实验。

论文用移调、倒影、逆行与轮换生成的群把短窗折叠为轨道，用轨道熵度量动机词汇量、用部署率度量同一动机的展开程度，在 852 首键盘作品与民歌乐句主题中检验其相对随机对照的压缩与偏好。

论文把训练语音分为多人多轮会话与单轮人机指令两类，在同一标注与同一流式模型下证明会话训练能大幅减少中途停顿处的误触发，但该优势在话语级判断中只出现在会话测试上，且以更长的等待延迟为代价。

论文用自动语音识别加自然语言处理加语音合成的级联把说话人声音和文本中的个人身份信息一起去掉，在保持可懂度和接近离线系统隐私水平的同时把 utterence 起始端到端延迟做到 717 ms 量级，代价是流式切分带来的字错率上升和对识别错误的敏感。