Acl-2026 论文

针对医疗语音数据稀缺与问诊能力缺失问题，论文用 405k 文本注入知识再用 198k 合成语音做模态重对齐，在多轮问诊与单轮问答上报告最优分数，代价是仍以普通话合成为主且只验证文本语音两种模态。

论文把新语言低资源表示学习定义为跨语言元学习，用多任务自适应预训练构造适应 эпизод并以一阶双层优化实现可扩展更新，在三语平均上用 1 小时无标注适应追平 6000 小时域内上限，但零样本起点变弱且外环仍依赖源语言音素标注。

该研究在德语到巴伐利亚语意图分类和德语到瑞士德语话题分类上对照文本直用、语音直用与先转写后分类，报告标准语上文本最好而方言上语音最好且级联分化严重，代价是方言语音为单说话人朗读且结论限于亲缘变体。

论文研究主用户与第三方同处一室时的打断处理，用可定制的应答策略加声学优先训练解决语义走捷径问题，最强证据是合成与真实录音上策略跟随与有用性同步提升，而代价是需要大量合成双说话人数据与难负样本约束。

论文针对句子重音改变语义这一被忽视的能力，提出 StressTest 基准与 Stress-17k 合成训练管线，微调得到的 StresSLM 在真实录音上显著超过现有语音模型，同时基本保留原有识别能力。

论文把多轮语音风格保持定义为首轮指令后的逐轮指令遵循率，用同一话题与同一模拟用户测五类模型，报告首轮尚可但后续迅速退化，并显示显式回忆能部分缓解但需额外轮次代价。

针对流利度评分既要看整体节奏又要抓局部停顿且等级有序的问题，该研究用专家特征锚定 Whisper 时序表示做深度融合，并用距离感知的顺序平滑损失建模等级远近，在 SpeechOcean762 上报告 83.40% 准确率，代价是依赖冻结声学表示与有限人群验证。

针对多人重叠会议中内容、说话人与时间边界相互纠缠的问题，TagSpeech 用解耦的语义与说话人双流加交错数字时间锚统一解码，在 AMI 与 AliMeeting 上以只训练投影层的低成本取得 diarization 误差的明显下降，但重叠区外的时间边界精度仍不及专用级联系统。

针对一句内多情绪与多语速控制问题，TED-TTS 选择冻结预训练自回归语音合成模型、只在推理时重组条件可见性与终止控制，消融表显示完整方案在过渡平滑与说话人一致性上优于去掉对齐或局部调速的变体，但局部加速仍带来实时因子上升的代价。

针对多人对话中谁在何时说话与内容难以联合对齐的问题，TellWhisper 在语音编码器内用时间说话人旋转位置编码联合建模时间与说话人活动，并用双曲空间说话人日志估计帧级活动，在真实会议数据上取得内容加说话人加时间的一致改进，但支持说话人数限于 1 至 4 人且编码器与双曲分类器仍处在不同几何空间。

针对统一大音频语言模型偏向平滑上下文而漏掉短暂声学线索的问题，论文提出只在推理时对比原始与时域模糊音频的对数几率并做门控稀疏修正，在 MMAU 上 Qwen2.5-Omni 平均达 73.2%，代价是每样本多一次慢路径预填充前向与双路解码缓存。

针对功能磁共振时间分辨率不足以区分言语与语言加工阶段的问题，该工作用词 onset 对齐的皮层脑电高频信号做时空预测微调，在三个语音模型上提升脑对齐且保持下游任务，同时以时间平均与打乱对照证明毫秒结构带来额外增益，但数据仅为 9 人单播客因而覆盖与多样性受限。

论文把音频地理定位做成音频语言模型基准，用四步声学过滤加正负类别加权的定位性分数筛出 1444 段录音，最强闭源模型仍只在部分样本上精确定位且高度依赖语言线索。

论文针对音频问答中统一长度推理导致的简单题冗余和难题推理不足，提出随模型感知难度调节长度奖励的 GRDR 与 GA2DR，在保持准确率的同时报告平均推理长度下降至少 50%，代价是 GRDR 在强噪声与高难度集上更易出现奖励投机与不稳定。

针对粗粒度标注刻画不了语速情感韵律时变的问题，论文用直接听音频写细粒度描述的 FCaps 数据与分两阶段做全局加细粒度对比学习的 CLSP 模型，在检索与人评一致性上报告更强证据，代价是仅英文与大规模算力依赖。

针对自动音频描述缺少细节与上下文的问题，该工作用专家模型抽取语音、音乐、通用声音和视频线索再由大语言模型融合成纯音频描述，并用 120 万条描述与 600 万问答对证明检索与理解收益，代价是融合带来细节提升的同时幻觉风险上升且需离线专家与过滤成本。

针对噪声下单流纠错被音频质量卡住的问题，论文用独立 ASR 与 VSR 双路 N-best 假设加可靠性提示词做语言空间组合，在 LRS2 上把基线相对误差降低约一半，代价是依赖上下游识别头质量并增加大模型串行纠错开销。

针对语音与音乐联合训练中的任务冲突和数据不均衡，论文用动态容量混合专家做按词元分配计算的三阶段课程训练，在语音内容一致性和音乐美学指标上报告了超越专用基线与稠密联合基线的结果，代价是更复杂的专家初始化与路由调参流程。

UniSonate 用指令与内容双流加动态音效令牌统一语音音乐音效生成，在语音可懂度和音乐连贯性上报告最优值，而音效保真度仍落后于专用模型并受短时长与推理开销限制。

针对语音生成评价依赖主观平均意见分且单指标奖励不透明的问题，UniSRM 用四任务统一数据加两阶段推理评价与推理一致奖励，在 UniSRM-Bench 上提升多任务准确率，但多轮对话与跨域泛化仍受数据覆盖和计算开销限制。