Interspeech-2026 论文

针对相似音色混合尾部误差大的问题，论文用在线说话人对难度矩阵加温度 Softmax 课程采样多练难对，在 Libri2Mix 上以初始温度 20 保住或小幅提升平均 SI-SDRi 并改善底部 30% 表现，代价是温度过低会损害平均分且首尾两段必须切回均匀采样。

针对口语英语评分数据稀缺问题，论文用 16 专家混合专家分工捕捉多模态线索并以一阶 MAML 学可快速适应的初始化，在 ETS Vericant 上 SEE 总分达到分类 F1 84.88% 与回归 MSE 0.225，代价是仍依赖预训练特征且切段可反映整段的假设待验证。

AdaptLingo 针对固定难度对话练口语容易过难或过简的问题，选择用时间声学特征预测初级中级高级流利度并以此控制 EIKEN 词汇生成与 TTS 语速，最强证据是标注数据上 95% 宏 F1 但噪声用户语音上仅 47% 准确率，主要代价是野外泛化不足与母语背景差异大。

针对语音语言模型中语音 token 过长且时域冗余的问题，论文提出在编码器后按成对余弦相似度自适应合并的 AdaTS，用阈值 0.85 附近约 2 倍压缩在 ASR、问答与翻译上保持或超过均匀下采样，代价是阈值过低与只在对齐阶段压缩会明显掉点。

针对音频伪造检测标注少、跨域差的问题，ADD-DINO 先在 100 万无标注音频上做全局-局部非对比自蒸馏预训练、再用 20% 标注微调教师骨干，在 19LA 上接近全量监督并在跨域上把平均等错误率从 15.31% 降到 12.25%，代价是仍需大规模预训练与微调增强且未公开代码权重。

针对已很强的德英多语识别基座，论文用两步合成数据加贝叶斯低秩适配证明瓶颈在知识整合而非数据复杂度，以保持单语为代价换来语码切换词错误相对下降 32.87% 而标准微调则大幅退化。

针对实测方向响应中未知空间平移破坏有限阶球谐处理的问题，论文提出最大化有限阶能量比的有限阶质心做声学校准，并在插值平滑、方向已知编码与 HRTF 对称性校准三类任务上显示其可用性，代价是高阶目标变平坦需正则与分频段搜索且不能解决非平移失真。

针对大模型语音识别中罕见实体难识别且提示词注入易幻觉的问题，AFG-Bias 用声学检索先定位再用门控注入偏置，在金融和医疗集上报告最高 74.1% 相对字错率下降，代价是需额外训练轻量增强模块并依赖检索质量。

针对非洲语言在朗读基准上被低估的部署误差问题，AfriVox-v2 用 14 种语言的自发野外对话加 10 个应用领域标注来重测现代模型，最强证据是区域优化的 Sahara-v2 在 AfriVox-v2 平均词错误率 20.49 仍显著低于通用大模型，但数字 20.32% 与命名实体 23.11% 的高误差说明关键信息转写仍不可靠。

该研究以沙溪白语 30 人的送气与不送气擦音为对象，用同一标注框架提取时长比、频谱质心差和 H1*-H2* 并做线性混合效应建模，显示时间与频谱效应稳健而发声效应弱且不稳定，青年组出现对比弱化与协同模式重组，但青年组仅 3 人使结论需谨慎对待。

该研究在同一乡村社区内比较青年和老年听者对/a(:)/的感知，用时长五步与 F1、F2 各三步正交合成的 90 个目标刺激做二选一辨别，报告组水平以时长为主、F1 其次、F2 最小，老年组中有 6 人以 F1 为主，不一致刺激反应时更长且无年龄交互，支持线索权重正在转移但仍待生产数据验证。

本文追问现行人工智能透明度义务为何只盯合成语音输出而漏掉可携带的说话人嵌入模型与多分支合成工作流，并以文本转语音、声音转换、说话人验证与语音识别的趋同证据说明监管语言需要补上模型全生命周期与工作流环节，代价是需要处理助残与身份认同等特殊用途的例外设计。

针对依赖正则音素与强制对齐的发音评估问题，ALFreeD 用教师语音做参照，经 HuBERT 表示、DTW 对齐、帧级偏差与 i 向量压缩再用 MLP 打分，在 SpeechOcean762 上用 300 到 2500 个标注样本达到 0.68 到 0.74 的皮尔逊相关，代价是仍需同文本教师语音且只验证了句子级总分。

该文用 228 篇文献的范围综述加 40 名口吃者与 30 名言语语言病理师问卷，报告研究集中于口吃辨识分类而用户更需要何时何地检测与可解释转写，并以英语中心与低开放共享为代价提出分类法与协作指南。

该研究以三个方言区 18 名发音人的词表与自然对话比较/CECi/与/CECa/中/E/的第一二共振峰，报告和谐语境下一致的 F1 降低与 F2 升高，但 F1 效应量随方言与语体组合变化且不能据此断定范畴性音系过程。

针对无线声传感器网络中集中式传输代价大而 DANSE 依赖协方差估计与迭代求逆、在低信噪比和非平稳下不稳定的问题，论文提出全神经的 ANDFilter 经单节点滤波、节点选择与多节点融合直接合成复数滤波器，在 LibriSpeech 加 Freesound 仿真上 PESQ、ESTOI 和 DNSMOS 全面超过 DANSE 等基线，代价是每节点仍需传输一路 …

针对语音语言模型多码本延迟交织与无分类器引导难以装入文本单流连续批处理的问题，该文用主辅分解加在片声学解码与条件加无条件配对同批共前向的办法，在单卡 H100 上报告最高 108×加速与保持 80% 非引导吞吐，代价是小模型先触及显存带宽墙与半精度下约 34 步后出现数值漂移。

针对病理性语音的个性化语音重建，该文用带情景说明的最佳最差排序区分可懂度和整体重建，并用面向高可懂度分布与原始病理分布的双参照分布分数预测听感排序，代价是低可懂度重度组仍只有极少数零样本系统能超过原录音。

该研究针对塔斯马尼亚澳大利亚英语词表 onset /p,t,k/，用两层 Praat 切分把释放段拆为清送气与叠加气声，报告 689/1638 约 42% 含气声、女性与双唇齿龈更高发、气声多在 8 ms 至 30 ms，代价是时长模型中部位效应不显著且需人工听辨边界。

该研究用八次网络认知行为治疗的会话语音追踪隐居患者的纵向声音变化，以基线校正后的 MFCC 轨迹区分改善与恶化，并报告 Wav2vec 2.0 与 MFCC 加基频融合在各年龄性别组取得最高 F1，但样本小且中段无临床量表监督。