Interspeech-2026 论文

该研究用合成语音控制发音变量，对比可读性与转写错误，发现现代端到端语音识别的字错率与全局可读性指数近乎正交，而人类感知难度仍与错误相关，内部不确定性也未随文本变难而上升。

针对强噪声下轻量声学麦克风增强容量不足的问题，LAU-NetV2 用皮肤加速度计压缩出语音活动和谐波两路线索以特征调制方式控制 U-Net 瓶颈，在 TAPS 加 DNS 噪声上把 PESQ 从 1.78 提升到 2.78，代价是增加约 30k 调制开销并需经 40% 剪枝才能在 MCU 上满足 48.66 ms 推理预算。

论文用混合访谈音频考查音频语言模型能否只总结儿童语义并保留口吃特征，最强证据是端到端模型在蕴含判断上偏向肯定类而级联基线用准确转写可恢复矛盾检测，代价是重度不流畅与成人干扰下忠实度明显下降。

针对说话人确认中保持全时间分辨率导致一维通路算力随通道线性上涨的问题，ReDimNet2 在保持维度重排残差逻辑的前提下引入时间池化并用上采样恢复聚合长度，以 B0 到 B6 七档配置在 VoxCeleb1 上系统性压低等错误率，最大代价是放宽恒体积约束并在大模型上引入训练波动。

针对单个语音特征测量噪声大、难以做临床试验终点的问题，该研究在自然史数据上学复合指数权重并在独立临床试验上验证，报告复合指数 ICC 超过 0.9 且 MDC95 降到组间标准差以下，但最强单个特征仍接近复合表现且权重高度集中。

该文用共享参数的块限制注意力加动态块卷积统一离线与流式 Transducer，并以全格点对称 KL 一致性正则在低延迟流式上缩小差距，主证据是 L 尺寸统一双模加 MCR 在 0.32s 延迟平均词错率 8.24 而离线保持 6.63，代价是每步需跑离线与流式两次前向并承担额外 KL 计算与延迟定义约束。

针对中文流匹配语音合成中重音数据少且韵律难控的问题，该工作在 F5-TTS 上加重音编码器并依次做有监督微调、直接偏好优化和基于小波韵律工具奖励的在线强化学习，主测试上显著度从 0.86 提升到 1.45 而词错误率稳定在 1.63% 左右，代价是说话人相似度微降且奖励仍依赖客观显著度工具。

该文把语码切换识别当作可验证奖励问题，用组相对策略优化在仅一成合成语码切换语音上训练，以字符错率奖励消灭整句翻译、以书写保真奖励压制错文字系，并用两遍起草加改写让模型再听一次，二十成数据在人工录制的双语测试上超过全量低秩监督微调，但代价是单步采样更贵且在阿拉伯语等对上改写可能过纠。

该研究用同一被试三种发声方式的颅内脑电分别训练声谱重建解码器并做跨条件测试，以包络相关和句子排序可分性验证共享表征，最强证据是跨条件显著高于打乱零模型，而代价是想象条件句子特异性较低且非线性高相关不等于高可分性。

论文提出稳定性-码率-失真三维视角并用连续编辑距离度量几何漂移，在 26 种方言上显示连续隐变量尚稳定而量化后离散序列 катастрофически 破碎，且低资源语言要额外缴纳语言税。

论文用两维逻辑回归探针检验 ADReSS 与 ADReSSo 的声学变异性，发现固定测试集上双特征可达 0.875 与 0.831 的宏 F1，但标签置换仍可偶发高分且蒙特卡洛均值回落到 0.622 与 0.667，代价是固定划分成绩不能作为病理相关性的证据。

针对自回归测试时自适应中熵最小化实现分裂的问题，论文推导出包含词元级策略梯度损失与词元级熵损失的完整梯度，并在 Whisper 语音识别上以 20 余个噪声口音多语域验证，最强的束搜索变体带来最低词错率，但代价是每步多采样与多步更新的计算开销。

针对说话人识别训练压制同一人差异而损害语音生成表现力的问题，该文提出每人学多个子中心的判别训练，并在零样本声音转换上显示高方差配置提升可懂度和自然度，同时保持验证性能，但低方差配置在说话人相似度上更有优势。

论文在三个语音分类任务上用九个预训练实例比较八种微调配方，发现统计上不差于最优的顶组身份随 checkpoint 而变，多随机种子还会双向翻转激活成败，因此小幅领先更像实例与种子相关的唤醒匹配而非普遍更高的性能上限。

该研究以荷兰语地图任务对话中 1910 个语段交界为样本，用句法完整与边界调预测保持、附和与转换三类过渡，发现附和与两者都不同但更接近转换，而高边界调与完整句法是关键区分条件。

针对 AVA 电影数据与现实部署差距，论文构建 44.5 小时多语言多噪声多人脸的 UniTalk 基准，用同协议证明最强 TalkNCE 仅 83.2 mAP 且 Hard 子集降至 77.9 mAP，而 UniTalk 训练的模型能跨库泛化并以 3 小时 AVA 微调达到 92.4 mAP。

针对连续情绪识别中标注滞后于语音的问题，该文提出在特征上做因果滑动平均以引入群延迟来代替直接平移标签，并在 RECOLA 上显示其峰值与移位法相当但对时间参数更不敏感，代价是效价需要更长的累积窗且长窗下个别种子会失效。

该研究用 250 通法国 SAMU 真实急救电话和调度员标注的 5 级优先度比较类别情绪与维度情绪接入有序回归的效果，报告显示类别情绪无增益、维度情绪仅有说话人依赖的交互效应，而年龄与说话人角色等元数据预测力更强。

论文以奥克兰现代 67 人与历史 8 人的前后元音声学比较为证据，显示/e/与/æ/经历先升高前移后降低后移，而/ɪ/在历史组已中央化且受边音条件制约，代价是历史样本小且录音介质不一致使结论仍为初步。

针对跨语料口语语种识别的域偏移问题，该研究用音频文本双模态编码加半正样本对比损失约束同语跨域样本以弱权重靠近，印度 12 语实验显示 Whisper 版在未见域上取得最高准确率，但 IndicVoice 绝对精度仍低且推理只用音频分支。