Interspeech-2026 论文

针对只改一两个词的部分语音伪造，论文用神经编解码器压缩原声并以时间重复最低有效位方式预先藏回自身，再比较接收信号与自重建的动态时间规整差异做检测，在单双词替换下把等错误率降到约 9% 和约 5%，代价是发布前必须嵌入且极短篡改仍难检。

针对卒中后构音障碍朗读中停顿是否恰当难自动评的问题，论文用逐字 Whisper 转写加 MFA 对齐与 VAD 修正再交大模型分类，专家评定上轻中度组宏 F1 达 0.68，加入不恰当停顿特征使构音障碍检出宏准确率提升 8.4 个百分点，但重度组因转写不可靠未纳入定量评价。

针对语音理解中后处理不一致与训练条件不可比导致的选型困难，SURE 用统一评估流水线加场景压力套件加智能体辅助的匹配训练转换组织三条轨道实验，最强证据是级联系统在会议与干净感知任务上仍具竞争力而情感等任务普遍困难，代价是受限开放数据预算下的从零训练结论只具初步探索性质。

ADDSE 把语音增强转写为以带噪码为条件生成干净神经音频编解码码的条件分布，用吸收式离散扩散和 RQDiT 并行解码，在两套跨语料噪声测试上以非侵入指标取得可比质量，尤其在低信噪比和少采样步数下保持稳定，代价是侵入式指标和相位重建能力明显弱于判别式基线。

针对注意力编解码器逐字生成慢而 CTC 贪心快但易错的问题，论文提出在同一联合模型内用 CTC 贪心做初稿、注意力解码器只重写低置信位置的 SASD，并在 AISHELL-1 等数据上报告接近注意力重打分的字错率与 2.8 到 3.5 倍加速，但跨硬件的非同条件数值只能定性参考。

针对无源域数据、只有多个预训练源分类器和极少量有标签目标数据的语音情感分类问题，MOCHEE 用软置换对齐加元学习合并权重构造靶向分类器，在 CAFÉ和 Oréau 上报告最高准确率与 Macro-F1，但对齐与内外层划分等细节仍有未验证边界。

论文追问澳大利亚英语词尾/p,t,k/如何实现清音，用声门接触的电信号加喉头镜直视做交叉核对，发现鼻音前/t/靠收缩、/k/靠张开而词尾三处都倾向收缩，但样本小且只做描述性平滑。

针对开放词汇情绪推理中全局音频编码丢失话语内微韵律的问题，AcoustEmo 用时间戳同步滑动窗口加话语感知声学 Q-Former 提取片段级声学 token，在 EMER-Fine 上取得平均 67.55 分的最佳可运行结果，代价是依赖转写时间戳且需同时保留全局分支。

该研究用 4 名英国英语男声在 6 种嗓音设置下的朗读语料检验 CPP、频谱倾斜、HNR 与长期共振峰，发现气嗓与鼻音在组层面抬高频谱倾斜但个人实现高度不一致，因此声学测度只能做说话人内的相对指示而不能做跨人绝对映射。

论文以 49 名三代厦门话母语者的图片命名发音为对象，用归一化基频曲线比较本调与变调是否声学等同，报告显示即使记作同一调值仍存在音高与斜率差异，且青少年压缩本调空间却扩大 44 变 22 与 24 变 22 的对立，老年则基本中和。

针对声音与文本矛盾时模型只信文本的语义主导问题，论文用对抗合成基准 ASPIRE 和解耦网络 ACR-Net 做诊断与分离，在极性冲突上把声学准确率做到 68.4%，代价是依赖合成语音和额外解耦超参数。

针对八种英语口音的识别退化问题，该工作把口音差建模为编码器激活空间中的可加均值偏移方向，先做逐层敏感性定位再在中间层做无参数推理时干预，最强证据是在平衡评测集上原生口音词错误率下降约 19.92 至 33.80 个百分点，代价是尾层干预会引起严重崩溃且非原生口音增益较小。

论文把问题定义为让麦克风处物理叠加信号逼近干净目标的主动声重构，用 Transformer-Mamba 生成抵消器信号并以多项声学损失联合训练，在去噪、去混响、去削波三类合成声学通道实验中报告了高于适配后传统与深度主动噪声控制基线的客观分数，但代价是依赖精确仿真通道、未来样点预测和较大生成器参数量。

针对微型扬声器低频重放不足导致固定有源降噪滤波器易机械过冲的问题，论文提出先只约束低频增益再扩展为全目标频段约束加正则的方法，仿真与消声室列车噪声和白噪声实验显示其在保低频限幅的同时恢复了目标频段降噪量，但低频段本身降噪仍明显低于无约束维纳解。

针对双麦克风手机上换姿势就失效的贴近麦克风语音检测问题，Ada-Mic 用广义互相关向量隐式携带到达方向信息辅助距离判决，在保持主干不变的可插拔双分支结构下过渡距离与噪声条件下取得最高约 24% 的准确率提升，而额外计算量仅为 ProxiMic 的 7.6% 与 HuBERT 的可忽略水平。

针对唤醒词对未见过相似负例泛化差的问题，ADALA 用强化学习优化大模型持续生成高混淆难负例，再与真实数据半监督融合，在 xiao fei xiao fei 上报告平均唤醒率 90.43% 与相似词误唤醒率 3.19%，代价是两阶段大模型与语音合成训练约 90 小时八卡 A800 开销。

该研究用同一房间连续呈现 10 句三词句的方法，比较早沉浸、晚沉浸与非沉浸三组听者在非声码与 8 通道声码条件下的词识别率与瞳孔峰值扩张，报告声码使识别率明显下降而适应变化趋势在各组间相近，且瞳孔扩张随句序总体下降。

论文把说话人确认改写为音频问答，用零样本评测暴露短板，再以 18M 参数的 LoRA 微调加规则难例采样把性别与语言条件 EER 降到 4.87% 和 2.93%，代价是整体仍落后专用模型且依赖成对构造与打分换算。

针对文本大模型做语音持续预训练时会严重遗忘文本能力的问题，该文选择冻结原模型、只训练新插入的四分之一层，用 48k 小时英语识别数据证明交错插入在识别上接近全量微调而文本退化小一个数量级，代价是推理时多 25% 层开销且纯文本使用需丢弃新层。

该工作在 Whisper 加自注意力音视融合基线上对比前缀拼接、交叉注意力和门控加权三种注入方式，用噪声嵌入管融合、用说话人嵌入管解码，在 LRS3 多噪声条件下相对基线取得噪声与说话人适配增益并相对 AV-HuBERT 取得优势，代价是额外参数与推理耗时且两类嵌入信息冗余而无法叠加。