Aaai-2026 论文

该研究陈述针对带口音语音识别中口音表征混入说话人身份的问题，提出用宽松划分对比与探针等方法度量纠缠，再以梯度反转去说话人化加有界条件适配在冻结 Whisper 上缓解，但全文是研究计划而非已验证结果，未报告词错误率数字与公平性收益。

针对仅用咳嗽声会丢掉年龄症状等背景风险、简单拼接又学不到两者配合的问题，DeepGB-TB 用表格概率嵌入加一维卷积做两路表示、双向交叉注意力做相互提炼、漏诊加权损失压低假阴性，在 1105 例七国数据上报告 AUROC 0.903 与 F1 0.851，代价是依赖回顾性病例对照数据与特定预处理和调参条件。

针对语音、声音、歌声与音乐四类音频造假统一检测问题，论文提出冻结语音自监督模型并只学习提示词的小波提示调优方法，在四类联合训练下以远少于微调的参数取得更低的平均等错误率，但单类训练仍难跨类泛化。

DialoGen 针对双人对话手势同时生成问题，用权重共享的双路扩散加互交互估计保持同步，用监督对比学习的身份解耦风格引导保留个人风格，在 TWH 上报告了 FDg 1.18 与 FDk 2.33 的主结果，代价是仍依赖长风格样本与对话语音内容特征。

针对通用视频背景音乐在时间对齐与多视角特征融合上的困难，Diff-V2M 用节奏预测器从视频估计低分辨率起音检测函数并以情感先行、语义与节奏并行融合的分层交叉注意力约束音频潜在扩散，在域内混合测试与域外 V2M-Bench 上取得更优的客观指标与主观偏好，代价是依赖场景切分与帧差等粗粒度视觉动态且缺乏显式风格控制。

DIFFA 针对语音理解仍依赖自回归解码的问题，选择冻结 Whisper-small 与 LLaDA-8B-Instruct、只训练语义与声学双适配器的两阶段路线，在 960 小时 ASR 加 127 小时合成指令数据下 MMAU 平均 49.71% 与 MMSU 平均 56.04%，代价是音系与副语言细粒度感知仍弱于语义推理。

针对扩散零样本语音合成中时长预测长期游离于感知指标优化之外的问题，DMOSpeech 2 用分组相对策略优化对时长预测器做强化学习并引入教师引导采样，在 Seed-TTS 上把英文 WER 降到 1.752、相似度提到 0.698，代价是教师引导模式需同时保存师生参数并增加采样步数。

论文指出当前音频-视觉分割模型依赖视觉显著性而忽视音频，用 AVSBench-Robust 的正负音频对照和分类器引导的相似度学习把单源 G-mIoU 做到 87.672 并把负样本误激活压到近零，代价是正样本分割分数略有回落。

该研究用 10982 词、84932 条语义维度标注检验多模态大模型能否从发音形式推断意义，发现模型在多数维度上超过 0.50 基线并在深层更关注标志性音素，但与人类的维度分布仍有明显差距。

针对文本大模型向语音统一理解与生成迁移时模态鸿沟大、单一种词元难以兼顾语义与声学的问题，该文提出理解驱动分词器与双词元建模并用约 4500 小时数据验证，理解与生成可相互促进，但细粒度声学保留与翻译类任务仍有代价与边界。

针对构音障碍语音与正常语音特征空间差异大的问题，EA-VAE 只用变分自编码器加嵌入对齐、分布对齐和时长对齐做重构，在 UASpeech 上把平均词错误率降到 62.19% 并取得平均 MOS 4.48，代价是仍需平行语料预训练与波形级时间拉伸来保证帧数条件。

针对同声传译需在部分语音下增量输出的问题，EASiST 用多延迟语义分块构造单调交错数据、全单向语音编码器加 LLM 与轻量读写策略头经三阶段训练实现自适应低重算推理，在 MuST-C 与 Europarl-ST 英德英西上取得更好的延迟质量权衡，但自适应增益依赖分块对齐质量与阈值调节。

EgoEMS 针对院前急救中多成员协同与强流程性难以建模的问题，用 233 次模拟试验同步采集第一视角视频、音频、手表惯性与按压真值并标注 67 类关键步骤，基准显示监督变换器在分类达 62.3% 而零样本大模型仍明显落后，代价是模拟与真实出警之间仍有分布差距。

该文把语音驱动的人脸运动看作情绪条件下的运动隐空间分布，用正交运动字典加情绪子空间保留发音与情感耦合，再用逐层跨注意力融合音频与情绪去调制流匹配速度场，在 MEAD 上取得 82.05% 情绪准确率与 22.58 dB PSNR 并以十步采样实现实时推理，代价是仅覆盖英语与七类基本情绪且对大角度头部转动验证不足。

针对零样本语音合成中误读、可听噪声与异常停顿导致的不稳定问题，论文用能同时输出错误时间范围、转写文本与整句质量分的 Vox-Evaluator 做局部遮罩重改与细粒度偏好优化，在 Seed-TTS 上把 F5-TTS 的字错率从 1.73% 降到 1.42%，代价是最多两轮迭代改写与偏好训练过久后奖励饱和回落。

针对半监督歌声旋律提取中频域增强敏感与一致性正则化丢弃约半数无标注数据的问题，论文提出分频带扩散增强、全局-类别置信筛选与通道交叉注意力三模块组合，在 ADC2004 等四套测试上相对 MCSSME 的 OA 提升 0.9% 至 7.7%，代价是引入扩散迭代与记忆库等额外结构与调参面。

针对音频驱动人像动画中动作自然度、唇同步、视觉质量互相冲突的问题，该工作用 Talking-Critic 学三维奖励并自动构建 410K 偏好对，再用 TLPO 分专家独立优化后做时步-层自适应融合，报告显示主指标和用户评分全面提升，代价是两阶段训练与多专家推理融合的额外复杂度。

针对生成式输出分散在文本、规划序列、时序与图像音频且缺乏可复现比较流程的问题，GAICo 选择事后基于参考的统一比较框架与可扩展指标库，在三管线旅行助手案例中分离编排与执行故障，但仍不覆盖公平性与延迟等维度。

论文把信噪比失准归因于瞬时相位距离不可靠，用全向相位导数重写相关项得到 GOMPSNR，并在声码器与编解码器上验证其与听感指标更相关且导出损失能提升重建质量，但线性幅度等组合在小数据上存在过拟合代价。

针对全局视觉条件丢失局部发声细节的问题，SS2A 用检测与跨模态翻译感知多模态声源，经单声源对比流形解歧义再用注意力混合生成，论文报告其在图像到音频的相关性与多源配比上占优，代价是依赖检测质量与预训练生成器且需单源数据训练。