Interspeech-2026 论文

该文把轮次结束检测改写为固定视界的语音端点预报问题，用双流 EPA-M 模型提前触发大模型与语音合成管线，在 SpokenWOZ 与 Switchboard 上优于语音活动投影基线，并在 Unmute 集成中以约 28.4% 推测计算换取 505 ms 平均延迟降低。

针对 BEST-RQ 固定随机量化器监督弱且对初始化敏感的问题，论文用在线主成分投影、迭代码本精修和中间层蒸馏码本三处在线改进，在 Librispeech 960 小时预训练加 100 小时微调下把 test-other 从 10.1% 降到 8.8%，代价是增加一个小码本与相似矩阵损失的计算。

针对静音肌电缺少逐帧语音监督且样本更少的问题，该研究在保留语音导出声学与音素监督的同时增加静音到有声的输出层与隐层表示对齐，在梅尔谱目标下把词错率从 26.75% 降到 25.14%、在软语音单元目标下从 27.78% 降到 26.55%，代价是只有具备同句平行肌电对的静音样本才能计算该约束且结论依赖多种子平均与显著性检验。

针对流匹配语音生成的音色泄漏与推理慢问题，论文用异构数据扰动切断语义 token 的声学捷径、用蒸馏加在线拉直消除分类器无关引导开销，在 3 步推理下实现约 3.25 倍加速并提升说话人相似度，代价是极端拉直带来轻微可懂度波动。

论文把唤醒词片段直接当注册语音研究无预注册的目标语音抽取，在五个真实噪声场景比较四个判别与生成模型并用大模型语音合成增强注册，发现合成注册能提升听感但语音识别错误率仍高于原始混合，存在可听度与可懂度脱节的代价。

针对成人与多环境多年龄儿童语音难以用单一模型兼顾的问题，该工作用显式分类器路由选择领域专家并结合混合投影器与混合低秩适配器建模声学与语言差异，再以归一化熵引入共享专家缓解边界不确定，最强证据是软路由加熵感知在 OGI-S 三年龄组平均词错率降到 11.08% 且 MyST 保持 8.58%，代价是专家参数增加约 5% 且熵感知目前只在 OGI-S 年龄组内验 …

论文在英日德三语 MELD-ST 上量化语音大模型情绪识别的语言依赖性别差距，并用经验风险加最坏语言内男女损失差距正则与自适应权重训练，在单模态提升约 5.5% 且多模态提升约 5.0% 的同时把总体性别差距分别缩小 0.1% 和 1.4%，代价是固定大权重会明显损伤识别性能。

论文在只用成人语音训练、冻结自监督表示做儿童测试的严格零样本条件下，比较 Wav2Vec2、HuBERT 和 Data2Vec 逐层表示，证明最好词错误率相近的层误差结构、逐句最优选择和大模型纠错可恢复性并不一致，而互补表示的理想选择在失配更重的 CMU Kids 上增益更大，代价是单层选择不稳定且文本纠错几乎无效。

针对语音到 3D 人脸跨模态映射难与级联误差大的问题，ES-3DF 用几何纹理解耦加双分支对齐与多槽记忆对比学习直接重建带纹理 3D 脸，在地标与身份特征指标上优于 CMP 与 VoiceStyle，代价是唇部等动态部位推断仍不适定且依赖受限数据集。

针对大规模语音预训练中数据集组合笨重与多节点迭代开销大的问题，ESPnet3 用配置化数据组织与分片迭代加模块化系统重构流程，在 OWSM-Base 预训练上把每轮时间从 95.3 分钟降到 74.2 分钟并保持 80% 以上 GPU 利用率，代价是配置行数增加且部分细粒度控制仍依赖配方扩展。

本文对 39 个语音伪造数据集做可核对审计，发现缺人口统计标注使公平评估不可行、共享真实语音源使跨数据集评估夸大泛化，且合成文档与许可缺失限制复现。

该文针对英译中语音翻译中词汇重音易丢失的问题，用自建中文重音语料训练音节级检出器 Syl-BiLSTM 定义跨语言评测 CETS，并用带重音标签微调 CosyVoice3 搭建级联系统，最强证据是 CETS 句级 58.30% 与人评高度一致，代价是翻译 BLEU 略低于大模型基线且仅两名录音人。

该文用 11 段纯语音与 11 段语音加背景音的 MUSHRA 听测检验 20 余种客观指标，发现 SCOREQ 在纯语音上 Pearson ρ 为 0.937、PESQ 在混合音频上 ρ 为 0.903，而 PEAQ 与多数免参考指标在混合内容上失效，代价是现有指标均不刻画立体声空间失真且样本与听音人数有限。

论文针对印地-英语混码语音的强制对齐提出两个可复述操作：用 bootstrapping 重映射词典解决 ph-f 与 J-z 自由变体，用句级混码数据训练声学模型对齐句中英语词，最强证据是混码模型平均中点误差 4.15 ms 约为单语模型的十分之一，代价是词典需人工校对鼻音与 schwa 且结论限于 MFA v1.0 与朗读语料。

论文针对自监督前端为深伪检测提供了什么依据这一问题，提出把判定轴投影到各证据子空间并用解释比例度量，在冻结、微调和后训练条件下用静音等九类证据检验，显示同质训练放大信号级捷径而多样训练与后训练能部分抑制但静音残留持续存在。

针对语音模型激活范围大导致常规校准信息损失的问题，论文把每层激活缩放因子校准写成局部均方误差初始化加全局任务误差优化，并用 CMA-ES 免梯度搜索求解，在五个语音任务上报告 INT8 基本无损、INT4 结合 PTQ 接近无损，但平均 2.31×加速等部署收益与部分 INT4 大误差并存。

针对自动标注语音情感描述符不可靠导致的可解释语音情感识别不可信问题，论文用置信度分数筛选可靠子集再用强化学习在线修正描述符，在 IEMOCAP 和 MELD 上相对基线取得 2.9% 和 3.3% 绝对增益，代价是增加置信度估计模块与控制器的训练和交替更新开销。

针对已知房间内任意发射接收位置的 RIR 预测问题，MiNAF 用 Fibonacci 射线在粗网格上采集显式局部几何并与神经声场结合，在 SoundSpaces 和 GWA 上以 T60、C50 和 EDT 为核心证据取得可比或更优的重建，同时在少数据和噪声网格下保持鲁棒，但跨场景泛化和稠密采样的探测成本仍受限。

该文在 10 个系统的语音自然度评价中比较随机、排序式 merge-rank 与信息增益式 ASAP 三种选对策略，发现 ASAP 发现显著差异最多、排序最稳，且相同听音时长下 BWS 优于 AB，但代价是 BWS 单题更长、ASAP 需序贯计算与完整回答库仿真。

该研究固定模型与采样条件，以规模抽样和多源混合两组对照说明固定生成方法下扩量收益先升后降，而 53 种生成方法、94 小时的小混合集在跨域上优于上千小时的单一大数据集，但未验证模型容量与采样策略的交互代价。