Interspeech-2026 论文

针对长上下文音频推理缺数据、开放生成难评测的问题，该工作用全开权重三阶段流水线合成 8800 段首诊医患对话与 1329 小时音频及 SOAP 病历，最强证据是级联系统在忠实度上明显优于端到端大音频语言模型，代价是参考病历仍由大模型生成且声学难度未完全复刻真实诊室。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对医院工作者日常压力随科室与活动变化而单靠语音不稳的问题，该研究用语音编码器加移动轨迹编码器的晚期拼接融合做天级二分类，并在 TILES 医院数据上报告融合相对音频基线 F1 提升而轨迹预训练与高低移动条件决定收益大小。

针对端到端全双工语音模型语义弱而双通道对齐易被打断的问题，TurnGuide 用语音活动检测加停顿合并做轮次切分并在轮内交错生成文本与语音，在 Fisher 上显著提升语义连贯性与轮次转换行为，代价是块级交错带来约 0.69 秒量级的理论首包延迟与对码本和声码器的依赖。

该研究用被试内普通话四情绪识别任务对照人声与 AI 克隆陌生或熟悉音色，报告人声在高兴、悲伤和生气上准确率更高且反应更快，而熟悉 AI 音色仅对高兴有补偿、对恐惧反而延迟，且心率变异性未区分条件。

针对早期帕金森与健康对照的二分类问题，该基准用固定说话人无关划分与四种训练资源设置比较三种可运行方法，最强证据是 RECA-PD 在 DDK 与句子任务上平均最优而元音任务最难，代价是数据集泛化差距大且聚合与阈值迁移仍不稳定。

针对耳机通话中常规有源降噪会连带压制语音的问题，该文用因果 WaveNet 增强参考信号以滤除语音保留噪声，再沿用常规有限冲激响应控制滤波器降噪，最强证据是多种信噪比与真实噪声下误差信号的短时客观可懂度与 DNSMOS 均优于可运行基线，代价是约 9.53 M 参数与每秒约 38.12 G 乘加运算的参考增强开销。

该研究用 123M 参数的缓存感知流式混合 RNNT/CTC 模型解决日语流式与完全开放不能兼得的问题，在五个测试集上以 12.4% 平均 CER 超越大 5-8 倍的开放基线，代价是预训练筛选与多域微调加解码器容量三者组合时会在讲座域明显退化。

针对单码本语音 token 同时建模内容与音色且固定帧率浪费码率的问题，DySTCodec 用 32 个固定长度全局说话人 token 加相似度动态聚合语义帧，在 LibriSpeech 上以 0.7 kbps 固定帧率和 0.57 kbps 动态帧率保持可懂度和音色相似度，但 25 Hz 激进压缩仍出现可懂度下降。

针对双麦克风相近方向下空间线索不可靠导致轻量双通道模型退化的问题，论文用空间不变的单通道教师加动态仲裁蒸馏约束双通道学生，在 0°–15°难例上提升质量而大角度基本不掉点，代价是训练期要多跑一个冻结教师且只在教师更好时才蒸馏。

针对语音质量评价依赖背景声学和细粒度 cues 而常用自监督表征对此不变的问题，该文用局部谱时编码加帧级谱聚合的新编码器与包含直接混响比和窄带宽带的新声学任务做联合预训练，在冻结编码器下以较小参数在多数据集上达到可比大模型的平均意见分预测，并以消融显示新任务的增益与小数据训练的代价。

该研究用一遍输出完成句子准确度、流利度、韵律与词音素准确度五维评级并附带自然语言解释，在 SpeechOcean762 上以监督微调加有界偏好优化缓解类别不平衡，句子级解释自洽但词音素级定位仍不可靠。

针对现代标准阿拉伯语学习者语音少、合成错音与真实错音分布不一致的问题，该研究用预训练编码器加因果空洞时序卷积做音素识别，先在大规模母语加合成数据上学通用映射再在约 2 小时真实学习者数据上适应，并用 6 个检查点混淆网络融合加 N 元重打分稳定输出，在 QuranMB.v2 盲测上音素级 F1 达到 0.7201，相对基线 0.4414 提升 63.1%，代 …

该文以链接成功率为逐说话人指标，在两种匿名器、三类攻击者与三种语音量下评估近五千人，发现分布高度两极化但易暴露人群高度不稳定，风险来自三者交互而非说话人固有属性。

该研究用自适应能量包络检测朗读中的浊音 burst 与停顿，把六个跨语言一致差异的时间特征按语言匹配对照标准化平均为 CTSI，在 89 例 HD 与 82 例对照中与 cUHDRS 等临床分数强相关，最高为 SDMT 的 r=-0.77，代价是仅用时长信息且未做纵向验证。

该研究用矩形房间大量仿真房间脉冲响应做预训练，再只用 10 个 L 形与不规则房间微调解码器，在未见过的 40 个目标房间上把均方误差降低 56%，但代价是仍依赖仿真数据与固定采样设置且未验证真实测量房间。

针对新型鼻式电子喉数据稀缺与声学特殊问题，论文在统一序列到序列框架下比较梅尔谱与 WavLM 特征并用局部线性嵌入合成配对数据预训练，最强证据是梅尔谱 ETN-VC 把可懂度字错率从 72.0% 降到 63.0%，代价是主观自然度评分仍落后于 WavLM 系统。

该研究用 7 名女性流利者的读语句料和广义加性混合模型分析 524 个重读元音，显示塞音语境对第一共振峰影响小而对第二共振峰影响大且贯穿整个元音，代价是仅覆盖青年女性和朗读体且无法分离前后协同发音方向。

针对脉冲噪声下函数链接型非线性有源降噪被盲目展开拖累的问题，该工作在最小输出方差约束的滤波-s 最小 p 幂框架上加入重加权零吸引稀疏项，在 α=1.6 仿真中把稳态误差压低 1–2 dB 并把稳定步长上界从约 0.022 推到约 0.034，代价是每步乘法量从约 2L 升到约 5L 但仍保持 O(L)。

该展示论文要解决如何让学习者在移动端直接听到和比较虚构角色的日语风格差异，选择人物条件大语言模型加角色专用合成语音加点击查词的完整交互环，不做离线评测与学习效果验证，代价是风格化口语不适合正式场合且噪声下依赖文本输入保底。