Interspeech-2026 论文

针对只有无标注混响语音时的单说话人去混响问题，USDnet++ 在 USDnet 混合重建约束上增加对 WPE/WPD 信号处理结果的重建约束并配合多阶段迭代与 SPD 特征输入，在 WSJ0CAM-DEREVERB 上把无监督基线从 PESQ 2.64 提升到 2.94 左右，代价是需要先训练 USDnet 再交替计算 SPD 与微调且推理可能要跑两个模型 …

针对啮齿类超声发声在声谱图上窄带、短时、稀疏难检的问题，USV-DETR 在 RT-DETR 上加入 P2 高分辨率层与 DEIM 稠密监督，在 SqueakOut 上达到 78.7 的 AP，代价是引入 P2 后解码器注意力计算量上升且参数增至 34.5 M。

该研究用多变量函数主成分分析同时建模 F1 和 F2 在归一化时间上的形状，在 57,269 个悉尼自发语音元音上检验年龄、性别、阶层和语音环境的制约，最强证据是各元音第一或第二主成分均显示年轻人向预期变化方向移动且女性领先，代价是主成分是对原始共振峰的抽象且依赖未手校的自动追踪与严格过滤。

论文研究约 1 万使用者的胡拉语如何做社区所有的文档化，方法是社区发起的众包翻译加长者审校平台 Vavanagi，最强证据是 77 名译者与 4 名审校者产出 12124 对平行句且一次通过率 91%，代价是目前仍以文本为入口、语音只作附件且下游翻译与识别模型尚未建成。

针对越南语说话人识别数据少且依赖人脸关联身份的问题，该工作用说话人日志分割加元数据驱动的大语言模型身份推理构建了约 902 小时 4715 人的 VieSpeaker，并在跨数据集评测中显示更强的鲁棒性与预训练迁移收益，代价是身份恢复准确率随节目类型变化且仍需声纹聚类与人工核验。

针对需要在混合声源和时间变化上做多步取证的音频问答，VISA 选择不做重编排智能体而是把大音频语言模型当工具，辅以声学描述、事件定位与频谱视觉线索并用投票加细粒度路由稳定输出，最强证据是在官方终榜以 77.40% 准确率居首、推理质量 66.23% 居第二，代价是多模型多次采样与视觉分析带来的系统复杂度。

论文把语音隐私从信号比对转向四属性组合的等价类与单试次重识别，证据是 72 人集上真实属性 38.9% 唯一、推断属性仍 31.9% 唯一且匿名后攻击错误率最低仅 0.58，代价是分类器误差相关反而帮助攻击、匿名并未针对属性保护设计。

针对少见说话风格上零样本语音合成出现域偏移而失真的问题，VoiceTTA 在推理时冻结主模型、只用组相对偏好优化更新轻量可学习前缀，并以基频与能量变异系数差异加说话人相似度和可懂度为奖励做在线适配，最强证据是在五类少见场景平均上取得词错误率 3.12 与说话人相似度 0.64 的同时保持自然度，代价是每个说话人需做 50 步候选采样与奖励计算的测试时优化开销 …

针对流式语音转换中冻结声纹嵌入与帧级声学生成失配的问题，VOSSA 从冻结内容编码器中间层经注意力统计池化提取声纹并与转换目标联合训练，在六个数据集上以相近的 NISQA-MOS 和 WER 换来更高的归一化目标相似度、更小的 F0 误差和更小的元音 F1 分布距离，代价是仍需双路径重建加对比约束联合优化且推理仍保持约 73 ms 延迟。

该研究用 CUCO 库比较鼻中隔成形、鼻内镜鼻窦手术、扁桃体切除与健康对照在术前、术后 2 周和术后 3 个月的元音鼻化，显示 A1-P0 对病理差异更敏感且效应集中在/u/，只有扁桃体组出现术后早期的短暂鼻化减弱而无长期改变。

论文把语音后期识别定义为效果存在、预设类别、数量与强度回归的多粒度任务，用固定六效果链加 2520 种组合的可复现渲染器构造数据，并以 AudioMAE 多任务基线证明鲁棒增强能缓解采集与平台退化的跨语料下降，但细粒度预设分类仍困难且存在效果间差异。

针对大语言模型时代文本转语音与声音转换带来的分布漂移，VoxENES 2026 用英西双语 53628 个样本与 10 种后处理复现部署条件，不微调评测 8 个预训练检测器，最好的等错误率也只有 28.98%，多数接近随机猜测，代价是现有检测器依赖的细粒度伪影不再可靠。

论文针对合成语音普及后水印检测缺乏统一跨分布评测的问题，用 10 种水印与三类扰动构建大规模基准并提出两阶段基线 AudioWMD，最强证据是白盒下 AudioWMD 在 Test1 取得 0.7715 的 AUROC 而单查询基线仅 0.4863，代价是黑盒 HSJA 谱域攻击下其检出率大幅下降。

针对塞音嗓音起始时间、闭塞时长与有无爆破三项细粒度标注问题，wav2VOT 把 wav2vec2 改成 1 毫秒帧分类器，先在日语 CSJ-C 大规模训练再向英语多语料微调，在未见数据上与 AutoVOT 相当、微调后显著提升，但小样本微调在录音差异大的语料上会暂时损伤性能。

论文把目标说话人提取重构为线索结构与可用性可变的条件学习问题，用解耦的线索前端与分离器主干实现可配置组合，并在注册、空间、视觉、文本及缺失线索条件下以相同优化流程验证了互补性与稳定性，主要代价是缺失时仍需占位表示且强空间先验依赖准确方向估计。

论文以口吃语音为案例提出意图转写与逐字转写是两种并存的正确答案，用 11 个模型证明最优排名随参考答案翻转，自回归模型偏向意图、CTC 模型偏向逐字，而 ISR 与 MUR 事件是两类任务共同的误差主力。

论文用时间对齐自监督表示上的积分梯度定位判决证据，再经 100 条样本人工标注与掩蔽反证，显示 AASIST 看非语音环境、CA-MHFA 看局部音素、SLS 看词边界与频谱完整性，而重压缩是三者共同的失效条件。

该工作以口腔与口咽癌患者可懂度评估为任务，用 PWCCA 逐层度量 Wav2Vec 2.0 表征与 eGeMAPS 低层描述符的线性相关，最强证据是频谱组 0.77 与韵律组 0.71 在末层仍高度相关而嗓音质量组仅 0.65，代价是只做相关性解释而不证明因果与可部署替代效果。

该研究用信息结构受控的面对面纸牌任务比较独白与对话中说话人间距，报告时长 9 对、基频 excursion 8 对、头部 4 对、舌体 2 对出现趋同，并以伪配对检验排除模式切换的一般效应。

该研究把德语桌游解释中表面肯定但自评未完全理解的反馈定义为不一致回声，用声学、头部运动与话语结构特征训练可解释分类器，在交叉验证与保留集上达到约 0.71 的 ROC-AUC 和 0.73 的准确率，代价是依赖回放自评标签与较小的德语特定样本。