Interspeech-2026 论文

针对未见关键词与未见说话人双重零样本问题，ZP-KWS 用音素监督的关键词分支与 GE2E 预训练的紧凑声纹分支做乘法晚融合，在 LibriPhrase Easy 目标专属模式下把 FRR@1% 从 PK-MTL 的 72.79% 降到 29.47%，代价是保留约 1.55M 参数与阈值调节依赖。

该文研究话语级多维构音障碍评估，用冻结 CTC 音素识别器的后验不确定性加音素错误率构成 11 维 PED 特征，在四个主要维度上达到平均 AUROC 0.80，接近 HuBERT 的 0.81，代价是精细等级排序仍弱于黑盒表示。

针对净化后仍能克隆的语音伪造问题，该工作把身份比特藏进 100-1000 Hz 音素稳定区并用 Mamba 编码与对抗净化训练实现迁移，在 11 人 165 条克隆语音上报告近 100% 溯源而 MH-Mamba 净化后保持率报告 92.34% 且代价是需强制对齐与两阶段训练。

该研究以首音节目标元音时长为主要证据检验十元音长短对立假设，发现长元音约为短元音 2.08 倍且五组元音均显著分离，代价是短元音样本偏斜且结论限于朗读式产出数据。

针对微调中损失曲线不能反映口音感知变化的问题，该研究用合成与真值元音空间形状的重叠面积与普鲁克鲁斯特归一化差异跟踪学习，并在新西兰英语与印度英语上报告与口音相似度评分的强相关，代价是只覆盖角元音与元音系统且需额外合成切分与共振峰流程。

该研究把声带双质量振动与一维声道波动方程写成无监督物理损失，用分支输入声道形状、主干输入时空坐标的深度算子一次学习五个元音的稳态周期解，最强证据是基频误差约 0.1-0.2% 与声门流量和唇端声压波形接近传统求解器，代价是训练约 80 小时且目前只验证已见形状的稳态推理。

针对级联语音翻译中识别错误传导问题，论文先量化越南语各类语音替换错误对翻译的破坏，再用基于 XPhoneBERT 音节相似度的文本替换增强做微调，在 FLEURS 越英上把 PhoWhisper 前端的语音翻译提高了 2.04 BLEU 且没有拉低干净文本翻译。

针对冻结神经音频编解码器丢失词义性基频的问题，论文提出旁路音高注入残差适配器 PIRA，用 1.25M 至 1.65M 可训练参数和每帧 5 比特边信息把平均编解码器引入声调错误率降低 35.7%，同时保持英语质量不变且可完整移除。

针对自然语言细粒度表达难控与参考音频风格泄漏问题，Poly-InstructTTS 用 1000 小时影视多模态指令数据训练无提示音频的 GPT 加流匹配声学模块，在 InstructTTSEval 上取得高指令跟随分，但以词错误率上升与复杂声学条件不稳为代价。

针对长时多方对话中说话人活动不均衡与重叠导致归属困难的问题，论文提出以目标到来方向为空间先验的多通道目标说话人抽取前端 PATSE，在回放与真实对话上以词错率和 diarization 错误率衡量获得一致增益，代价是仍需已知目标方向且对极小角度间隔更敏感。

本研究用三音节人工语言检验音节缩短位置对切分的影响，发现中间音节缩短促进切分、末音节缩短损害切分、首音节缩短无明确作用，说明缩短只有对齐词内可预测结构时才起帮助作用。

针对端到端语音识别中专有名词易被替换为高频近音词的问题，该文提出只读转写文本的多视角检索 grounding 框架，用 G2P 细粒度发音、Soundex 粗粒度编码与上下文语义嵌入做归一化融合排序，在 69542 个对齐药物实体上把 Whisper-large-v3 的 Recall@1 从 38.27% 提升到 74.67%，代价是依赖预定义闭集词典与实 …

该研究用同一批德语朗读在排卵期与黄体期做二分类，以可解释的手工特征与情感任务微调的自监督嵌入分别建模，最强证据是手工特征在随机森林与逻辑回归上达到 62.5 % 整体准确率，代价是统计检验经多重校正后无显著特征且嵌入特征未超机会水平。

针对移动噪声源方向变化时方向选择固定滤波切换滞后问题，该文用多帧参考信号驱动的卷积循环网络预测下一帧到达方向并提前切换 36 个预训练控制滤波之一，在真空吸尘器噪声恒速与正弦变速仿真中维持高于 15 dB 的降噪，代价是仅处理单声源且依赖离散方向网格与预训练滤波库。

该研究用 5357 句覆盖 10 种印度语言的受控基准和 12 万余次成对比较回答多语言 TTS 如何可靠排序，发现 Gemini 2.5 Pro TTS 总体领先且表达力最能预测总体偏好，代价是需要百名量级母语评委和千句量级句子才能稳定排序。

针对视频推理中只看画面或只用语音转文字会丢失语调环境音的问题，Flash-VAReason 用音频时间融合加全局去重保留独特音频令牌，在 CharadesEgo 上取得 Overall 2.3789 的同时把单样本推理控制在 6.10 s，代价是长音频仍需截断且未做细粒度音频事件建模。

论文把 Wav2Vec2 与 HuBERT 微调到两种富含搭嘴音的 Khoisan 语言上比较搭嘴与非搭嘴音素误差，报告搭嘴误差显著更低且单语 HuBERT 整体最优，但冻结基座与盲目增大规模或语言数都不能保证更好。

针对级联丢失韵律而端到端难控情感与知识的问题，PRISM 把感知、管理、回应、发声拆成四智能体并用韵律转语言稳定推理，在 AvaMERG 上以自动、人工和大模型评测同时占优，代价是只微调回应器且依赖外部识别与合成模块。

该工作把实时语音匿名拆成年龄与女性化程度两个可控编辑量，用余弦相似度度量隐私、用 DNS-MOS 度量质量并做线性回归与听感验证，发现隐私下降快于质量下降并在约 0.25 标准差附近形成可操作区间，但大改动与联合编辑仍损失自然度且最优方向因性别年龄而异。

论文把自动语音识别中的幻觉定义为对齐后的编造插入词，用因果中介与注意力行为定位到偏向文本的多头自注意力，再用连接时序分类门控与跨注意力构建 AudioSLM，在 LibriSpeech 上把开发集幻觉错误率从 52.01% 降到 8.69%，代价是正确率与替换删除略有回退且大骨干仍出现逆扩展。