Icassp-2026

📄 Beyond Mapping: Domain-Invariant Representations via Spectral Embedding of Optimal Transport Plans #领域适应 #最优传输 #谱图嵌入 #音频分类 ✅ 7.5/10 | 前25% | #领域适应 | #最优传输 #谱图嵌入 | #最优传输 #谱图嵌入 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：未说明 通讯作者：未说明 作者列表：Abdel Djalil Sad Saoud (Universite Paris-Saclay, CEA, List), Fred Maurice Ngol`e Mboula (Universite Paris-Saclay, CEA, List), Hanane Slimani (Universite Paris-Saclay, CEA, List) 💡 毒舌点评 本文巧妙地将最优传输计划从一种“点对点的映射工具”重新解释为“跨域连接图的邻接矩阵”，并通过谱嵌入获取表示，这一视角转换避免了直接映射带来的偏差，思路新颖且自洽。然而，其优势似乎更体现在精心设计的小规模跨噪声/跨物理条件基准上，在更广泛、更具挑战性的大规模领域适应场景（如视觉领域）中的有效性和可扩展性有待进一步验证。 📌 核心摘要 要解决什么问题：解决机器学习中训练数据（源域）与推理数据（目标域）存在分布偏移导致模型性能下降的问题。 方法核心是什么：提出SeOT方法。它不使用最优传输计划来估计从源域到目标域的映射，而是将（平滑后的）传输计划解释为连接两个域样本的二分图的邻接矩阵。通过计算该图的拉普拉斯矩阵并进行谱嵌入（取前k个最小特征值对应的特征向量），获得跨域的、具有领域不变性的样本表示。对于多源域情况，先计算源域的Wasserstein重心作为中间域，再构建包含重心、所有源域和目标域的统一图。 与已有方法相比新在哪里：不同于大多数基于OT的领域适应方法（如直接进行重心映射或标签传播），SeOT的核心创新在于利用OT计划的谱图结构来提取表示。这种方法不直接依赖于映射本身，而是利用OT计划所蕴含的跨域几何连通性信息。此外，论文提出通过最大化“谱间隙”来选择嵌入维度k和正则化参数ε，提供了一种启发式的参数选择方法。 主要实验结果如何：在三个数据集上进行了评估。在音乐-语音识别数据集（MSD）上，SeOT平均准确率达到97.45%，显著优于源域训练基线（68.18%）和其他多种方法。在音乐流派识别（MGR）上，平均准确率为59.03%，虽低于WBTreg，但比源域训练提升超过18%。在电缆故障诊断数据集（CS-RT）上，SeOT平均准确率为62.07%，大幅超越所有对比方法（次优者平均37.25%），显示了其在工业应用中的优势。 实际意义是什么：为领域自适应提供了一种新的、基于图谱理论的视角和实用算法，尤其在需要对齐不同物理条件或噪声环境下采集的信号（如音频、工业传感器信号）时表现出色，验证了其在实际工业检测场景的应用潜力。 主要局限性是什么：论文未提及该方法在大规模数据集或复杂视觉任务上的验证，其通用性有待考察。计算上，虽然利用了图的稀疏性，但拉普拉斯矩阵特征分解仍具有O(n^3)的复杂度潜力，对超大规模样本可能构成挑战。此外，对Wasserstein重心的依赖也引入了额外的计算和参数设置环节。 🏗️ 模型架构 SeOT方法并非一个传统的端到端神经网络模型，而是一个基于最优传输和谱图理论的特征表示学习框架，其“架构”更侧重于数据处理流程。 ...

📄 Bimodal Fusion Framework for Dynamic Facial Expression Recognition In-The-Wild #语音情感识别 #多模态模型 #跨模态 #音视频 #预训练 ✅ 7.0/10 | 前25% | #语音情感识别 | #多模态模型 | #跨模态 #音视频 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：Bohui Yang（东南大学计算机科学与工程学院） 通讯作者：Chunfeng Yang（东南大学计算机科学与工程学院）， Wentao Xiang（南京医科大学生物医学工程与信息学院） 作者列表：Bohui Yang（东南大学计算机科学与工程学院）， Luo Lilin（未说明具体单位，仅在作者列表中）， Xiaojia Wang（未说明具体单位，仅在作者列表中）， Chunfeng Yang（东南大学计算机科学与工程学院）， Wentao Xiang（南京医科大学生物医学工程与信息学院） 💡 毒舌点评 这篇论文的框架设计精巧，将视觉Transformer的参数高效微调（PEFT）思想成功移植到音频-视觉双模态动态表情识别任务中，三个模块（MSA、BFA、CMTM）分工明确，消融实验设计得当，有力支撑了其有效性。然而，其核心创新——在预训练模型中插入适配器（Adapter）进行轻量微调——并非全新概念，论文在探索更深层或更具解释性的跨模态交互机制上着墨不多，主要贡献是工程上的有效整合与验证。 📌 核心摘要 该论文针对野外动态表情识别（DFER）中单模态方法难以捕捉跨模态关联的问题，提出了一个名为BFF-DFER的双模态融合框架。该框架的核心思想是利用预训练的音视频Transformer模型作为骨干网络，冻结其大部分参数，仅通过训练三个轻量级模块来实现高效适配：1) 模态特定适配（MSA）用于增强单模态特征；2) 双模态融合适配器（BFA）用于融合跨模态特征；3) 跨模态时序建模（CMTM）用于建模时间动态。与先前单模态微调或直接融合的方法相比，本工作强调在保持预训练模型完整性的前提下，设计专门的模块来显式建模模态内与时序/跨模态关系。在DFEW和MAFW两个大规模野外基准数据集上，BFF-DFER取得了具有竞争力的性能（DFEW: 67.52% UAR, 78.28% WAR; MAFW: 44.46% UAR, 58.41% WAR），超越了多数现有方法。消融实验证实了各模块的贡献，可视化显示其学习的特征具有更好的类内紧凑性和类间可分性。该工作展示了在资源受限条件下，通过参数高效方法整合多模态预训练知识的有效路径。其主要局限性可能在于框架的复杂性（多个适配器模块）以及未探讨更极端的数据或计算受限场景。 ...

📄 BioSEN: A Bio-Acoustic Signal Enhancement Network for Animal Vocalizations #生物声学 #时频分析 #模型比较 #数据集 ✅ 7.5/10 | 前25% | #生物声学 | #时频分析 | #模型比较 #数据集 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0 | 置信度 高 👥 作者与机构 基于当前提供的论文内容： 第一作者：Tianyu Song (九州大学 生物资源与生物环境科学研究生院) 通讯作者：Ton Viet Ta (九州大学 农学院) 作者列表：Tianyu Song (九州大学 生物资源与生物环境科学研究生院)，Ton Viet Ta (九州大学 农学院)，Ngamta Thamwattana (纽卡斯尔大学 信息与物理科学学院)，Hisako Nomura (九州大学 农学院)，Linh Thi Hoai Nguyen (九州大学 国际碳中和能源研究所) 💡 毒舌点评 本文精准地瞄准了生物声学信号增强这一“蓝海”问题，并通过三个针对性设计的模块（MSDA， BHME， EAGC）有效提升了性能，其计算效率优势显著，体现了扎实的工程优化能力。然而，论文中的消融实验结果存在明显的指标矛盾（如CSCConv-AE+MSDA的SNR为负），且核心贡献主要是在现有语音增强框架上的适配与组合创新，缺乏根本性的理论或架构突破，代码和模型权重的缺失也削弱了其即时影响力。 ...

📄 BiRQ: Bi-Level Self-Labeling Random Quantization for Self-Supervised Speech Recognition #语音识别 #自监督学习 #低资源 #预训练 🔥 8.0/10 | 前25% | #语音识别 | #自监督学习 | #低资源 #预训练 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Liuyuan Jiang（罗切斯特大学 ⋆， 访问学生期间在IBM研究院 †） 通讯作者：未明确说明（论文未明确标注） 作者列表： Liuyuan Jiang（罗切斯特大学 ⋆， IBM研究院 †） Xiaodong Cui（IBM研究院 †） Brian Kingsbury（IBM研究院 †） Tianyi Chen（康奈尔大学 ‡） Lisha Chen（罗切斯特大学 ⋆） 💡 毒舌点评 亮点： 框架设计巧妙，将“自标签”与“锚定标签”结合成优雅的双层优化问题，在保持BEST-RQ式高效计算的同时，实现了HuBERT式的标签迭代优化。 短板： 双层优化部分的理论分析（Lemma 1及其条件）对非优化背景的读者不够友好，且论文未提供任何代码或预训练模型，大幅限制了其实际影响力和可复现性。 📌 核心摘要 问题： 语音自监督学习面临伪标签生成效率与质量的权衡。HuBERT等方法标签质量高但依赖外部编码器和多阶段流程，效率低；BEST-RQ方法高效但标签质量较弱。 方法核心： 提出BiRQ双层自监督学习框架。其核心是复用编码器（例如前k层）自身作为伪标签生成器，其输出经随机投影量化后生成“增强标签”（上层目标）；同时，直接对原始语音输入进行随机投影量化，生成稳定的“锚定标签”（下层目标）。训练被建模为一个可微分的双层优化问题，并采用基于惩罚的单循环算法高效求解。 创新之处： 与HuBERT相比，BiRQ无需外部标签编码器，复用主编码器部分，实现了端到端训练且内存效率更高。与BEST-RQ相比，BiRQ引入了基于模型自身中间层表示的增强标签，实现了标签的迭代精炼，从而提升了伪标签质量。 实验结果： 在多个数据集（960h LibriSpeech, 5k YODAS）和多种Conformer配置（137M, 155M, 275M参数）上，BiRQ均一致优于BEST-RQ基线。例如，在137M模型、100 epoch设置下，BiRQ在LibriSpeech test-other集上的WER从BEST-RQ的20.5%降至19.1%，并在训练300 epoch后进一步降至17.2%，优于HuBERT式的多阶段离线重标记方法。消融实验证实了中间层选择k≈0.7K的有效性。 实际意义： 为语音自监督学习提供了一个简洁、高效且性能更强的端到端训练框架，降低了构建高性能语音表示模型的门槛。 主要局限： 论文未公开代码和模型，限制了可复现性。双层优化的理论保证依赖于一定的条件假设。超参数如损失权重w1, w2的选择依赖经验。 🏗️ 模型架构 BiRQ的整体架构基于一个K层的通用声学编码器（如Conformer），其架构图（图1）展示了核心数据流： ...

📄 Bleed No More: Generative Interference Reduction for Musical Recordings #音乐源分离 #生成模型 #对抗学习 #数据集 ✅ 7.0/10 | 前25% | #音乐源分离 | #生成模型 | #对抗学习 #数据集 学术质量 5.5/7 | 选题价值 1.0/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Rajesh R (University of Illinois Chicago) 通讯作者：未说明 作者列表：Rajesh R (University of Illinois Chicago)、Rashen Fernando (University of Illinois Chicago)、Padmanabhan Rajan (Indian Institute of Technology Mandi)、Ryan M. Corey (University of Illinois Chicago) 💡 毒舌点评 本文精准地切入“干扰消除”而非“源分离”这一细分赛道，用条件生成对抗网络给出了一个干净利落的技术方案，在跨风格测试（印度古典音乐）上展现出不错的泛化能力，是“小题大做”的典范。然而，核心生成器工作在幅度谱上并复用输入相位，这几乎是音频增强领域的“经典妥协”，导致SAR指标普遍偏低，论文对此的讨论止于局限性陈述，未能提出更优的相位处理方案，略显保守。 ...

📄 Bloodroot: When Watermarking Turns Poisonous for Stealthy Backdoor #音频安全 #水印 #鲁棒性 ✅ 7.5/10 | 前25% | #音频安全 | #水印 | #鲁棒性 学术质量 6.5/7 | 选题价值 2.0/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Kuan-Yu Chen（Kuan-Yu Chen^{1,2}，根据作者顺序判断） 通讯作者：Jeng-Lin Li^{2,⋆} 和 Jian-Jiun Ding^{1,⋆}（根据作者名后星号判断） 作者列表：Kuan-Yu Chen（台湾大学通讯工程研究所, Inventec公司AI研究中心）、Yi-Cheng Lin（台湾大学通讯工程研究所）、Jeng-Lin Li（Inventec公司AI研究中心）、Jian-Jiun Ding（台湾大学通讯工程研究所） 💡 毒舌点评 本文巧妙地将音频水印技术“黑化”为一种隐蔽后门，实现了“在眼皮子底下投毒”的效果，实验数据也显示其在感知质量和鲁棒性上确实优于传统土法炼钢的触发器。不过，这篇论文更像是把一个已知工具（水印）巧妙地应用到了一个已知场景（后门攻击），缺乏对水印本身可能被更复杂防御手段破解的深入探讨。 📌 核心摘要 要解决什么问题：现有音频后门攻击方法（如修改音高、插入超声波）在生成的有毒样本上会引入可被察觉的声音失真，且容易被常见的信号处理或模型剪枝防御手段所破坏。 方法核心是什么：提出Bloodroot框架，将原本用于版权保护的音频水印技术重新用作后门触发器。其核心是利用预训练的音频水印模型（AudioSeal）生成不可感知的扰动，并嵌入到少量（1%）训练数据中。进一步提出Bloodroot-FT，通过LoRA对水印生成器进行微调，以优化触发器的鲁棒性和隐蔽性之间的平衡。 与已有方法相比新在哪里：这是首个系统性地将音频水印作为后门触发器的研究。与传统的、针对性设计的声音模式（如超声波、环境音）相比，水印触发器天生具备更好的不可感知性和对常见信号处理的鲁棒性。 主要实验结果如何：在语音识别（SC-10/30）和说话人识别（VoxCeleb-125/全集）任务上，Bloodroot-FT相比现有最优基线，在感知质量（PESQ）上提升了约2分，STOI提升了约0.5。同时保持了超过95%的攻击成功率（ASR）和接近基线的模型准确率（BA）。关键抗防御实验结果如下表： 方法 ASR（无滤波） ASR（带低通滤波） PBSM 92.62% 9.52% Ultrasonic 97.26% 1.28% Bloodroot-FT 93.85% 53.49% 在模型剪枝防御下，Bloodroot系列也能保留约70%的ASR，而其他方法在剪枝率增加时ASR迅速下降。 实际意义是什么：一方面，它展示了如何利用水印技术实现更隐蔽、更鲁棒的数据所有权保护（正向应用）。另一方面，它警示了水印技术的“双刃剑”特性，可能被恶意利用进行更难检测的模型投毒攻击（反向风险），推动了AI安全领域对此类威胁的研究。 主要局限性是什么：研究主要集中在特定的语音任务和模型架构上；对于更复杂的防御（如对抗训练、水印检测算法）未做深入探讨；虽然声称是第一个系统性工作，但水印本身作为“触发器”的潜力挖掘可能还未到极致。 🏗️ 模型架构 论文没有提出一个全新的端到端网络架构，而是提出了一个攻击框架，核心是复用和微调一个现有的音频水印模型。 ...

📄 Bone-Conduction Guided Multimodal Speech Enhancement with Conditional Diffusion Models #语音增强 #扩散模型 #骨传导 #多模态模型 ✅ 7.5/10 | 前25% | #语音增强 | #扩散模型 | #骨传导 #多模态模型 学术质量 7.0/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Sina Khanagha（汉堡大学信号处理组） 通讯作者：未说明 作者列表：Sina Khanagha（汉堡大学信号处理组）、Bunlong Lay（汉堡大学信号处理组）、Timo Gerkmann（汉堡大学信号处理组） 💡 毒舌点评 本文的亮点在于将扩散模型这一强大的生成范式引入骨传导引导的多模态语音增强任务，并通过设计精巧的条件注入策略（IC/DC），在极低信噪比下实现了显著的性能飞跃（例如在-10dB SNR下POLQA提升超过1分）。然而，其核心短板在于扩散模型固有的多步迭代采样带来的推理速度瓶颈（论文仅简要提及需要数十步，未量化延迟），这使其在助听器、实时通信等需要低延迟的应用场景中面临严峻挑战，论文对此缺乏深入探讨和解决方案。 📌 核心摘要 问题：传统单通道语音增强模型在极端噪声环境（低信噪比）下性能严重下降。虽然骨传导信号（通过颅骨振动采集）对声学噪声免疫，但其带宽有限、清晰度差，如何有效融合这两种互补模态是一个挑战。 方法核心：提出了骨传导条件扩散模型（BCDM），一个基于复数域条件扩散模型的多模态语音增强框架。模型将干净语音作为生成目标，以带噪的空气传导语音为条件引导扩散过程，并创新性地引入骨传导信号作为额外条件。论文比较了两种将骨传导信号注入主网络的条件化策略：输入拼接（IC） 和 解码器条件化（DC）。 创新点：首次将条件扩散模型框架应用于骨传导引导的语音增强；提出了IC和DC两种有效的跨模态条件注入方法；在广泛的声学条件（SNR从-10dB到15dB）下进行了全面实验验证。 实验结果：在ABCS+CHiME3数据集上，所有BCDM变体在所有SNR条件下均优于基线模型（包括单模态扩散模型SGMSE+和多种多模态预测模型）。例如，在极具挑战性的-10dB SNR下，BCDM-DC-L的POLQA分数为2.37±0.45，而最强基线BiNet为2.35±0.40，SGMSE+仅为1.30±0.35。关键对比数据见下表。 模型 SNR=-10dB POLQA SNR=-10dB PESQ SNR=-10dB ESTOI SNR=5dB POLQA SNR=15dB POLQA Noisy Mixture 1.09 1.08 0.21 1.55 2.42 SGMSE+ 1.30 1.15 0.36 2.83 3.55 BiNet 2.35 1.80 0.63 2.62 2.78 BCDM-IC-S 2.36 1.86 0.75 3.00 3.53 BCDM-DC-L 2.44 2.02 0.76 3.20 3.70 实际意义：为助听器、可穿戴通信设备等在极端嘈杂环境下（如工厂、战场）保持清晰语音通信提供了新的技术路径，证明了多模态生成模型的潜力。 ...

📄 Brainprint-Modulated Target Speaker Extraction #语音分离 #语音增强 #多任务学习 #多模态模型 #鲁棒性 🔥 8.0/10 | 前25% | #语音分离 | #多任务学习 | #语音增强 #多模态模型 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Qiushi Han（南京邮电大学电子与光学工程学院 & 柔性电子（未来技术）学院） 通讯作者：Liya Huang（南京邮电大学电子与光学工程学院 & 柔性电子（未来技术）学院） 作者列表： Qiushi Han（南京邮电大学电子与光学工程学院 & 柔性电子（未来技术）学院）（†共同第一作者） Yuan Liao（香港中文大学（深圳）人工智能与数据科学学院 & 研究生院）（†共同第一作者） Youhao Si（南京邮电大学电子与光学工程学院 & 柔性电子（未来技术）学院） Liya Huang（南京邮电大学电子与光学工程学院 & 柔性电子（未来技术）学院）（⋆通讯作者） 💡 毒舌点评 本文最大的亮点在于“脑印调制”这一概念的提出，巧妙地将通常被视为噪声的个体EEG差异转化为可用的生物特征信号来指导音频分离，思路新颖且实验验证充分。不过，论文的短板在于对“个性化”的论证稍显单一，主要依赖于SID和AAD任务的监督，缺乏对脑印嵌入空间本身可解释性、跨会话稳定性以及在真实助听器设备上实时性、功耗等方面的深入讨论，使得这项工作的工程化前景存在不确定性。 📌 核心摘要 要解决的问题：当前基于脑电图（EEG）的目标说话人提取（TSE）系统面临两个核心挑战：EEG信号的非平稳性导致跨会话性能不稳定，以及显著的个体间差异限制了通用模型的泛化能力。 方法核心：本文提出了脑印调制目标说话人提取（BM-TSE）框架。该框架首先使用一个带有自适应频谱增益（ASG）模块的时空EEG编码器，从非平稳信号中提取稳定特征。其核心是一个“个性化脑印调制”机制：通过联合优化说话人识别（SID）和听觉注意解码（AAD）任务，学习一个统一的“脑图”嵌入（brainmap embedding），该嵌入同时编码用户的静态身份和动态注意状态，并用它主动调制和优化音频分离过程，实现个性化输出。 与已有方法相比新在哪里：传统TSE方法通常将EEG中的身份特异性信息视为需要抑制的统计噪声。BM-TSE则创新地利用这些“脑印”信息，将其作为个性化的调制信号，直接作用于语音分离网络，从“被动解码注意力”转向“主动利用身份特征进行定制化增强”。 主要实验结果：在KUL和Cocktail Party两个公开数据集上的实验表明，BM-TSE在语音质量（SI-SDR）和可懂度（STOI, ESTOI）上均达到了当前最优（SOTA）。例如，在Cocktail Party数据集上，BM-TSE的SI-SDR为14.02 dB，优于之前的SOTA方法MSFNet（12.89 dB）。消融研究证实了LS-TConv、ASG、SConv模块以及LSID损失的关键作用。 实际意义：该研究为开发新一代真正个性化、高保真的神经调制助听设备提供了有力的技术路径，证明了将用户独特的神经特征融入核心音频处理管线的巨大潜力。 主要局限性：论文未深入探讨该框架在真实实时助听器设备上的计算复杂度、功耗及延迟；对于脑印嵌入在更长时间跨度（如数月或数年）下的稳定性验证不足；此外，实验数据集均为健康被试在实验室环境下录制，模型在听力损失患者及真实嘈杂场景中的泛化能力有待进一步验证。 🏗️ 模型架构 BM-TSE是一个端到端的多模态（EEG+音频）系统，整体架构如图1所示。 ...

📄 Break-the-Beat! Controllable MIDI-to-Drum audio synthesis #音乐生成 #扩散模型 #预训练 #音频生成 #模型评估 ✅ 7.5/10 | 前25% | #音乐生成 | #扩散模型 | #预训练 #音频生成 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.3 | 置信度 高 👥 作者与机构 第一作者：Shuyang Cui (Sony Group Corporation) 通讯作者：未说明（论文中未明确标注） 作者列表：Shuyang Cui¹, Zhi Zhong¹, Qiyu Wu¹, Zachary Novack¹*, Woosung Choi², Keisuke Toyama¹, Kin Wai Cheuk², Junghyun Koo², Yukara Ikemiya², Christian Simon¹, Chihiro Nagashima¹, Shusuke Takahashi¹ (1: Sony Group Corporation, 2: Sony AI) 💡 毒舌点评 这篇论文技术方案完备，从数据构建、模型设计到实验评估都做得非常扎实，成功填补了“MIDI-to-Drum”这一特定任务的研究空白，对于音乐制作工具开发具有明确的导向性。然而，其主要创新集中在对现有框架的适配和针对性设计上，在生成模型基础架构层面的突破性略显不足，且缺乏与更多元、更强的基线模型在相似音乐生成任务上的横向比较，说服力可再增强。 ...

📄 BridgeCode: A Dual Speech Representation Paradigm for Autoregressive Zero-Shot Text-to-Speech Synthesis #语音合成 #自回归模型 #零样本 #模型评估 🔥 8.0/10 | 前25% | #语音合成 | #自回归模型 | #零样本 #模型评估 学术质量 5.5/7 | 选题价值 2.0/2 | 复现加成 0.5 | 置信度 中 👥 作者与机构 第一作者：Jingyuan Xing（华南理工大学）、Mingru Yang（华南理工大学） （论文注明两者共同第一作者） 通讯作者：Xiaofen Xing（华南理工大学）、Xiangmin Xu（佛山大学） （论文标注†） 作者列表：Jingyuan Xing（华南理工大学）、Mingru Yang（华南理工大学）、Zhipeng Li（华南理工大学）、Xiaofen Xing（华南理工大学）、Xiangmin Xu（佛山大学，华南理工大学） 💡 毒舌点评 亮点在于其提出的“双表示”范式巧妙地将离散token的生成效率与连续特征的高质量重建相结合，有效缓解了自回归TTS中经典的“速度-质量”矛盾，并在实验中取得了目前最低的token生成率。短板是所有实验仅在英语LibriTTS一个数据集上进行，虽然方法具有通用性，但缺乏多语言或跨领域（如情感、唱歌）的验证，其真实泛化能力尚待证明。 📌 核心摘要 要解决什么问题：针对基于自回归（AR）的零样本文本到语音合成（TTS）中存在的两个关键问题：(i) 生成速率与合成质量之间固有的权衡矛盾；(ii) 直接沿用文本模型训练范式导致的语音监督信号失配。 方法核心是什么：提出BridgeTTS框架，其核心是BridgeCode双语音表示范式。该范式包含稀疏的离散token和稠密的连续特征两种表示，并设计了SparseBridge和DenseBridge两个对称的桥接模块进行双向转换。AR模型在生成时只需预测低帧率的稀疏token，再通过DenseBridge恢复出高信息量的连续特征用于高质量合成。同时，训练中引入特征损失（Feature Loss）与token损失联合优化，提供更细粒度的监督。 与已有方法相比新在哪里：不同于以往AR-TTS要么降低token率牺牲质量，要么增加token信息量牺牲效率的单一思路，BridgeCode首次提出利用“稀疏token生成+连续特征重建”的混合范式，在提升效率的同时保证质量。此外，通过联合token级和特征级的损失函数，解决了AR模型训练中的监督信号失配问题。 主要实验结果如何：在LibriTTS数据集上，BridgeTTS取得了最低的Token Rate（10Hz），相较于基线CosyVoice（25Hz）和GPT-Talker（50Hz）大幅降低。同时，其词错误率（WER）在测试集上为4.9%，显著低于VALL-E（18.5%）、UniAudio（12.9%）和GPT-Talker（16.4%），仅略高于CosyVoice（8.0%）。在语音质量（QMOS）和说话人相似度（SMOS）上，BridgeTTS与最优的CosyVoice表现相当或略低，但均优于大多数基线。消融实验证明，DenseBridge和特征损失对性能有关键贡献。合成速度（RTF）相比基线AR模型提升了约63%（0.37x）。 模型 Token Rate (↓) WER (↓) SMOS (↑) QMOS (↑) UTMOS (↑) LibriTTS Development Set GT / 2.3% 4.41 ± 0.11 4.41 ± 0.13 4.258 CosyVoice 25Hz 6.8% 4.13 ± 0.12 4.36 ± 0.12 4.253 BridgeTTS (Ours) 10Hz 3.4% 4.07 ± 0.11 4.15 ± 0.09 4.050 LibriTTS Test Set VALL-E 50Hz 18.5% 3.64 ± 0.12 3.49 ± 0.11 2.728 CosyVoice 25Hz 8.0% 4.12 ± 0.08 4.29 ± 0.11 4.148 BridgeTTS (Ours) 10Hz 4.9% 4.01 ± 0.12 4.11 ± 0.13 3.894 模型 Token Rate (↓) WER (↓) SMOS (↑) QMOS (↑) UTMOS (↑) BridgeTTS 10Hz 4.9% 4.01 ± 0.12 4.11 ± 0.13 3.894 -w/o DenseBridge 10Hz 13.8% 3.74 ± 0.11 3.74 ± 0.12 3.443 -w/o Lfeatures 10Hz 7.1% 3.92 ± 0.13 3.96 ± 0.12 3.471 系统 RTF (↓) Token Rate (↓) WER (↓) SMOS (↑) QMOS (↑) UTMOS (↑) Baseline AR 1× 50Hz 9.8% - - - BridgeTTS 0.37× 10Hz 4.9% +0.12 +0.09 +0.43 实际意义是什么：该方法为构建更高效、高质量的零样本TTS系统提供了新思路。通过降低自回归生成的计算需求，有助于在资源受限的设备或需要实时响应的场景中部署先进的语音合成技术。 主要局限性是什么：目前所有实验仅在英文LibriTTS数据集上进行，对于多语言、跨领域的泛化能力未做探讨。此外，虽然对比了多种基线，但未与最新（如2025-2026）的一些代表性工作进行直接比较。 🏗️ 模型架构 BridgeTTS的整体架构分为两大部分：BridgeCode表示学习框架和BridgeTTS自回归生成框架。 ...