Interspeech-2026 论文

该研究以 301 名学习者的 pepeha 朗读为样本，用语音学家听辨、流利者按音节接受或拒绝打分、F1 与 F2 声学测量三角验证单双元音的可接受边界，发现单音中高接受的央化与后缩变体在双元音语境下接受度分化，代价是目前仅覆盖部分元音且未做评分者一致性检验。

针对连续流关键词检测在 0.5 至 0.2 次误报每小时下交叉熵模型漏检严重退化的问题，论文提出只做离线辅助的目标受限拉紧加间隔排斥正则，在谷歌语音命令第二版上把 0.2 误报每小时下的漏检率从 29.85% 降到 14.80%，而封闭集准确率从 95.82% 微变为 95.68%，且部署端参数量、计算量与前视保持不变。

该研究以 77 名澳大利亚英语男声的图片描述语音检验性取向、传统男性角色态度和话题对局部基频、基频动态性和基频范围的影响，最强证据是局部基频只随年龄下降而动态性和范围只在复杂交互中变化，代价是结论高度依赖年龄分组和话题条件不能简化为群体主效应。

针对稀有术语难识别且已有音频对音频关键词检出存不下大词表的问题，该文用层稀疏选择加隐维和帧率压缩构造可预存的压缩关键词库，在不微调识别模型下以 128 倍内存节省和数倍延迟下降保持实体召回，但在大而未清洗词表上仍受干扰词影响。

针对大音频语言模型在中间层重文本轻音频的注意力失衡，MATA 在推理时只放大末位查询对音频键的原始注意力分，MMAU 上把 Qwen2.5-Omni 从 71.1% 提升到 73.6%，代价是增强强度与层位需手工选定且对极小混合子集仍有波动。

针对多说话人重叠会议中仅靠频谱线索区分说话人困难的问题，论文先在系统层引入空间特征与波束形成得到多通道级联，再用空间聚类生成自适应数据并以知识蒸馏微调说话人日志模型，在相同识别后端下把时间受限词错率降到 17.86%，代价是更长的窗与额外的自适应流程。

针对自回归解码慢、非自回归精度差的矛盾，该文用音频条件掩码扩散解码器加两步自我纠正训练与位置偏置采样，在多英语基准上达到 1.8%/3.6% 等词错误率并保持并行加速，代价是仍需多步迭代且未覆盖更广泛语言域。

针对多人混合中用注册语音抽取目标说话人的任务，MeanFlow-TSE 沿用背景到目标的混合比流形并改用平均速度训练，在 Libri2Mix 上以单步推理取得 Clean 集 3.26 PESQ 与 18.80 dB SI-SDR，代价是无参考自然度指标仍落后于部分多步模型且复现依赖原文超参数。

该研究用人工标注话语时长比较同一越南语接触项目第一年与第二年前八个片段，报告儿童总话语占比从 10.9% 升至 25.3%、师生比从 8.17 降至 2.94，但英语仍占主导且组织者越南语输入下降而儿童越南语输出仅获中等强度证据支持。

该研究用无线颈带双传感器在日常连续估计声压级与声门下压之比的生态发声效率，14 名女性被试显示患者日常均值更低且波动更窄、超出个性化正常范围的发声时间显著更长，但样本小且为初步结果。

针对多通道分离中判别模型信号保真高但听感差、生成模型自然但需多步迭代的问题，MeCo 用条件平均速度场做一步校正并引入数据空间优化，在 WSJ0+WHAM!上达到 10.08 dB SI-SDR 与 3.19 DNSMOS，代价是只增加 1 次函数求值和 0.0068 实时率。

论文用单被试五十小时听觉脑磁图预训练的 Conformer 编码器，再到十八名新被试每任务约五分钟数据上微调做语音有无检测，证明任务内小幅提升而跨听觉感知与朗读产出任务提升更大，但个体差异和仅做检测任务限制了推广。

针对改歌词必须保留原旋律、节奏与总时长的问题，论文用旋律感知的时长占比预测加音频补全式流匹配解码做歌声编辑，并在六种编辑场景下以可核对的客观与主观评测显示总时长严格保留，但复杂混合编辑的可懂度仍明显下降。

MER-Live 针对离线评测与实时交互脱节的问题，选择以韵律驱动的轻量语音分支为主、视频与文本做置信度加权迟融合，用 10 折 IEMOCAP 上音频 74.03% WA、融合超 83% 为证据，代价是实时 3 秒窗精度上限约 60% 且需 TensorRT 与浏览器条件配合。

针对局部密度归一化随邻域增大而跨簇失效的问题，该工作提出按距离跳变逐样本截断邻域的簇出口检测，在五种嵌入与五个 DCASE 基准上提高了对邻域大小选择的鲁棒性，但全局平均增益温和且高度依赖数据集的异质结构。

论文以 DiCoW 与 Sortformer 为载体系统改变轮次、源域、增强与混合策略，报告显示加大重叠把 NSF-1 上合成训练 DiCoW 推到 22.1% 而把 Sortformer 宏平均推差到 27.6%，多样源混合与噪声加混响组合则分别主导两任务，合成加真实联合训练取得最优。

针对非因果教师特征含未来上下文与因果学生零前视能力冲突的问题，该文用下三角掩码的样本内时间关系蒸馏加离线双向拓扑先验，在 GSC V2 上把因果 1D-CNN 准确率从 95.12% 做到 96.91%，并在 1.0 FA/h 下把连续流误拒率从 8.52% 降到 4.15%，且不增加部署参数与单步延迟。

针对级联多说话人识别中分离残留导致串话被转写的问题，该文用独立日志模型做声学验证并经三重一致才剪词，在高泄漏子集上报告最高约 29% 相对 cpWER 下降，代价是依赖词级时间戳与相似度门限且联合分离-日志结构泛化不稳。

针对预训练语音表示漏掉低层幅度相位伪影的问题，该工作用频率音频编码器显式建模幅度与相位、用谱混合专家在冻结奇异基下适配 WavLM，在 2019 LA 上报告 0.29% 等错误率与 0.0081 最小串联代价，代价是引入跨注意力融合与多专家门控等额外结构与超参数。

针对口音导致识别错误上升而全量微调昂贵的问题，论文提出在冻结 Whisper-small 上加口音码本注入与口音度门控的混合适配器路由，并用多任务与对抗去性别泄漏约束训练，在 AESRC 上报告 7.49% 词错误率和 3.81% 字错误率，最强增益依赖解码后确定性幻觉过滤配合。