Interspeech-2026 论文

针对韩语临床中英语医学术语可用英文原形或韩文音译两种合法拼写导致单参考词错率低估性能的问题，该研究构建带多参考变体的 MultiClin 合成对话基准并提出局部动态选参考评测，显示多文字感知评测大幅降低误差、训练标签统一为 100% 本地文字时最优，而 50% 混排熵最高、收敛最差，但合成语音与受限领域是主要代价与边界。

在冻结文本大模型且固定 600 bits/s 信息率下，把语音帧率从 50 Hz 降到 2.08 Hz 做可控扫描，并用因子化 FSQ 加轻量非自回归音频头补足单帧容量，最强证据是语音问答在 4.17 Hz 取峰且中间层对比对齐带来约 32% 相对提升，代价是过低帧率下生成侧词错率单调恶化。

针对耳语因缺基频和谐波结构而在漏识与幻觉间摇摆的问题，该文用基频预测与掩码谱重建自监督训练不确定性感知模块，再以全局指令加帧级注意力偏置控制解码，在 AISHELL6 耳语集上报告耳语字错率 1.31% 与噪声幻觉率 4.5%，代价是三阶段训练与引入附加接口参数。

该研究用训练量相同、仅说话人重叠不同的对照划分检验语音抑郁检测，显示重叠时微调模型可达 97.65% 而严格独立时跌至 58.74%，且域对抗去身份信息后差距仍在，代价是现有高分很大程度上依赖说话人记忆而非可泛化的病理特征。

论文比较模块化流水线、任务专用大语言模型与通用多模态大模型在多说话人长音频转写中的表现，提出时间受限语义错误率与重叠分解指标，最强证据是重叠段贡献约九成总误差而模块化多通道系统在复杂会话中仍最稳健，代价是语义指标仍依赖词级对齐且人工语义一致性尚未验证。

针对中文老年语音在自然场景下识别困难的问题，WildElder 从在线视频收集并人工标注 23701 条语音，用从零训练与预训练模型的字错率对比证明野外老年语音仍具挑战，而微调能显著降低误差但高龄与男性语音代价更高。

针对整句情绪条件会放错重音词的问题，该工作用中性与情绪词在自监督语音表征中的差向量做词级控制信号，经 32 维瓶颈压缩后由 RoBERTa 从文本和情绪预测，并在主观自然度基本持平下把词级强调自然度偏好做到对 EME-TTS 为偏好本文方法占比 55.3% 对偏好基线占比 28.0%、对 HED-TTS 为偏好本文方法占比 87.1% 对偏好基线占比 …

针对言语流畅性与图片描述中只计数不建模词间关系的不足，该工作提出只用目标词建图并把语义、语音、空间、时间差异编码为边权重的加权言语图，用一两个可解释图特征达到与完整基线特征集可比的痴呆判别效果，代价是依赖转录与时间戳质量和较小样本的特征选择。

针对粤语语用资源稀缺且纯文本评测掩盖语音线索的问题，该研究把英文语用题转写为粤语并配对录音构建问答基准，报告显示文本加语音拼接优于纯文本而纯语音落后，但先进融合与说话人多样性仍受限。

针对纯语音语言模型序列过长问题，ZeroSyl 冻结 WavLM 并用第 13 层 L2 范数峰值切分音节、22 层均值池化加球面 K 均值离散化，在 6k 小时对比中词汇句法叙事均领先同类音节系统，而扩展实验显示细粒度单元在词汇任务仍占优且音节单元在句法上扩展斜率更陡。

ZipCodec 针对语音分词器依赖重型预训练编码器和多阶段流程的问题，采用 Zipformer 编码器加有限标量量化加 Zipformer 流匹配解码器的单阶段自编码结构并辅以编码器一致性正则，在 23.4375 Hz 与约 1.97 kbps 下报告了可复述的重建与零样本合成结果，代价是仍依赖 Vocos 声码器与流匹配多步推理并需蒸馏加速。

该研究用原住民主导的半结构访谈调查 39 名澳大利亚原住民英语使用者的语音技术体验，报告识别失败常被归因于种族并迫使向白人说话方式切换，代价是挫败、放弃使用和在家中也要持续语码转换的劳动。

论文用 1657 题的三任务受控基准诊断时间推理失败，行为与因果干预显示模型在有文本时欠用音频，而重分配音频注意力比单纯增大音频注意力更有效，但瓶颈层缩放仅将平均准确率从 55.9% 提升到 59.1% 且需逐架构调参。

该研究用平行朗读语料和四项声学指标比较英汉嘎吱声生产，发现男性在 H1-H2c 与 HNR35 上更 creaky，且普通话性别差更大，但 CPP 无性别效应、朗读体与设备差异限制推广。

论文把含噪观测插值的条件扩散统一为插值随机微分方程并给出指数龙格库塔求解器 iSDE-2S-κ，在去噪等五项语音恢复任务上用 10 次网络评估达到自适应 RK45 数十次评估的水平，而 κ 过大则残留噪声需要更多步数消除。

针对组织级客户端之间说话人互斥导致的数据异构问题，论文用全局分类头与本地分类头共同指导嵌入提取器，并在服务端的全局分类头聚合中引入按说话人 ID 加权的优势因子，在 VoxCeleb2 上相对本地训练平均 EER 改善 46.5%、相对 FedAvg 改善 7.6%，在 VoxCeleb 加 CN-Celeb 联合训练下相对本地训练改善 68.8%、相对 …

针对颈表加速度区分创伤性与非创伤性发声过强问题，论文用静态、动态、比率、耦合四层特征加被试分组交叉验证，报告任务一 AUC 0.891 而任务二仅 0.728，代价是复杂特征对非创伤性亚型仍不稳定。

针对电话开场验一次后中途换人或冒充的风险，该工作用冻结 ReDimNet-B1 加三元组训练的轻量投影网络做持续比对，在 TidyVoice 上报告等错误率 2.08%，代价是系统只验证了该数据集与给定增强条件且本次未能确认代码数据可达。

针对雅思口语四项评分标准互相干扰且转写会丢失韵律信息的问题，该工作用直接处理音频的多模态语音大模型做四个分工智能体加总审校对，在 270 段 22.63 小时模考数据上比回归基线更贴近考官打分，但 30B 稀疏模型并未随规模提升且系统未公开代码数据。

该文针对句子重音检测受子词切分稀释与词重音线索未被利用的问题，在冻结 Whisper 上并联词符级句子重音头与音素级词重音头并加入词跨度正则，在 TinyStress-15K 上完整配置取得句子重音 F1 为 0.934，代价是双头不直接交互且评估限于合成语音。