Interspeech-2026 论文

针对文本查询同时检索语音库和文本库时分数不可比的问题，论文用 Z 分数归一加基础音频语言模型标注构造跨模态排序数据，再用 LoRA 微调音频语言模型做重排器，最强证据是混合域下重排显著超过 Z 分数基线，代价是对目标函数和音频切窗策略敏感且依赖合成语音数据。

针对开放词汇声音事件检测中仅用查询向量检索而缺乏语义理解的问题，该文提出语义锚点加双向注意力和查询增强，在 AudioSet-Strong 稀有类上报告 34.9 的 PSDSr 并在 DESED 零样本上报告 44.1 的 PSDS1，代价是引入 400 个锚向量与两层双向解码等额外结构。

该研究从 71174 段音频描述中抽取归一化来源属性事件并用音频对齐嵌入过滤语义相近的缺席查询，以四个音频大模型与十二种提示词的大规模是否问句测量复杂度影响，发现事件数从 1 增至 5 时在场真阳性率系统下降而缺席假阳性率系统上升，且换措辞会在召回与误报之间形成权衡。

该文针对语音语言模型同时受文本与音频越狱威胁的问题，选择在中间层残差流上用主成分分析暴露拒绝与顺从的分离结构并构造可跨模态转向的向量，最强证据是音频来源的拒绝向量把文本 AutoDAN 攻击成功率从 72.69% 压到 2.82% 而反向亦成立，代价是干预强度需按模型分布手调且只验证了两模型五种攻击。

针对二语者实时口音转换需要低延迟、保内容和保音色的问题，AccentDrift 用稀疏语义分词剥离韵律、用口音适配器与音色适配器分层注入风格，在 0.5 秒级流式延迟下把词错误率做到 6.27 并保持说话人相似度 0.72，代价是仍需多阶段缓存与前视带来的固定延迟。

该研究在 28 人法语朗读 SOMVOICE 数据上只用 eGeMAPS 与 Snack 等可解释声学特征加 SVM 等简单分类器估计睡眠剥夺及嗜睡疲劳与警觉下降，最强证据是 PVT 速度与反应发散度 UAR 达 0.858 与 0.841 而 KSS 仅 0.662，代价是小样本与年龄性别偏倚及症状间混淆仍待验证。

针对 ASR 与语音情感识别目标冲突的问题，论文用冻结 WavLM-Large 加逐层可学习系数合并同域 ASR 与 SER 任务向量，在 MSP-Podcast 上报告双向量 UAR 为 38.94% 与 Macro-F1 为 35.20%，代价是仍需先分别微调得到任务向量且依赖域内转写。

针对多人语音中重叠与抢话导致的何时开口、是否开口难题，论文提出以角色为条件的流式语音大模型 ModeratorLM 及其思维链变体，在真实会议与合成对话上把轮次精确率与召回率大幅提高，代价是依赖文本转写与动态分块训练。

针对源乐器表情细节与目标音色冲突导致的音色模糊，AdaTT 在冻结的 Stable Audio Open 加 ControlNet 上用文本引导的帧级缩放调节 f0 与 RMS 控制，并在半自动构造的 1321 对迁移数据上微调，以 F1MIDI 0.302 的轻微代价实现 CLAP 0.490 与主观音色保真度 3.582。

论文追问经听辨判定为目标齿音的 61 到 96 个月儿童其/s,z/摩擦噪声是否仍有连续年龄变化，用短时频谱与摩擦噪声特征加线性混合效应模型检验，报告/s/高频能量与峰间距随月龄上升而/z/低频能量与第一摩擦共振峰下降，代价是按月展开后样本稀疏且自发与跟读任务未完全平衡。

该研究以 78 名南京普通话人的 236 个音节单字朗读比较年轻与年老组的声调发音，用归一化基频多参数与分布距离加支持向量机分类证明年老组声调区分度系统下降且代价集中为 T2 与 T3 双向混淆。

针对防伪造说话人验证同时依赖说话人相似度和伪造检测分数的问题，AGENT 用分数最大化加方向选择性梯度融合做黑盒迁移攻击，在级联结构上报告最高 99.62% 攻击成功率，代价是扰动预算增大时信噪比降至 22 dB 左右。

针对多域混合训练时单高斯风格假设不足的问题，该文用风格空间在线高斯混合模型估计簇内偶然不确定性并与批量级扰动叠加增强，在 ASVspoof5 第一轨评估集上报告等错误率为 3.96% 和最小检测代价为 0.108，代价是引入分量数 K 与强度 λ 等超参数及批量统计稳定性依赖。

针对多语言自监督模型把声学符号对齐推迟到微调导致跨脚本泛化不足的问题，论文在 MMS 基础上插入联合 SSL 与 CTC 的对齐感知持续预训练，并用统一罗马化和双码本缓解竞争，在 FLEURS 上把测试 WER 从直接微调的 47.2 降到双码本的 35.5，代价是需要目标域音频加文本和两阶段训练。

论文要解决说话时大脑、肌肉和声道运动无法同拍同看的问题，选择在 0.55T 实时磁共振里同步采脑电和表面肌电并做三级去伪迹，初步显示磁伪迹被压到接近机外水平而代价是单被试、低密度脑电和前极残留扰动。

该研究以 141 例哮喘受试者的后胸四部位常态呼吸音为输入，用短时傅里叶变换分频带计算呼气与吸气谱功率之比并取受试者中位数，再与肺量计 FEV1/FVC 做 Spearman 相关，最强证据是 100-200 Hz 和 200-400 Hz 在左下与左上部位呈现随年龄性别偏移的中等相关，而代价是相关系数仅 0.2-0.4 且多为组内趋势，不能替代肺量计。

该文把 FAD 评价拆成召回、精确度、语义对齐与结构对齐并用对数自归一化比较六种编码器，报告显示重建类 AudioMAE 精确度最敏感而 ASR 类 Whisper 结构最敏感但对信号退化近乎看不见，代价是没有任何单一编码器能同时兼顾四轴。

针对 0.5 kbps 下残差向量量化各级等码率却贡献递减的问题，P2PSynCodec 用一路普通量化传输加三路伪量化解码端预测补齐，在 LibriTTS 上以 0.5 kbps 达到与 2.0 kbps 基线可比的主客观质量，代价是伪量化网络带来额外参数与计算。

该文研究无配对语音增强中干净语音与噪声先验失配导致的源泄漏问题，采用同时建模语音和噪声的双分支对抗框架，在 VCTK 加 Demand 基准上以 PESQ 2.58 和 COVL 3.08 取得可比最优感知质量，代价是 CBAK 偏低且依赖域内先验数据。

针对综艺节目非写实、强喜剧与强同步音效需求，ARCHES 用规划-生成-检查-分派精修的多智能体循环结合检索增强与经验记忆，在 VSSE-Bench 上把 LSD 降到 0.77 dB、起音误差降到 0.048 秒，代价是依赖大模型判断与多轮迭代开销。