Interspeech-2026 论文

针对成对电磁发音数据稀少导致声学到发音反演泛化受限的问题，论文用大规模语音网格数据提取伪发音轨迹做预训练再在真实电磁发音数据上微调，在 HPRC 上把 PCC 提升 2.9%、在 USC-TIMIT 上提升 45.3%，代价是伪监督只覆盖可见唇颌且需两阶段训练。

该研究用与 LRS3 测试集七个因素分布严格对齐的新测试集 MV2LRS3 检验五个主流视听模型，发现词错误率从 1% 以下普遍恶化到 14.0% 至 23.5%，且时长与词表偏差是主要驱动因素，视觉模态在新集上反而多数拖累音频。

针对固定对比解码在干净与强噪声间顾此失彼的问题，该工作用同一模型的全音视作专家、纯音频作弱者做减法，并以音频能量、音频熵和分布分歧三路门控逐词调节干预强度，在 LRS3 与 LRS2 多信噪比下同时改善干净与噪声词错误率，代价是每次解码需跑两次前向并增加约 136.4 ms 延迟。

针对大音频语言模型能描述声音却定不准起止时间的问题，论文用拼接合成的确定性边界数据 AudioGround-IT 和滑动窗口加绝对时间嵌入的轻量扩展做指令微调，在三个真实音频定位基准上零样本取得大音频语言模型中最好的召回率，代价是仍需 30 秒分块处理且与专用检索模型仍有差距。

针对口语翻译评价只用文本上下文而低估人工译文的问题，该文提出以场景视听标签为共同条件的 AV-CXMI，在韩英电影翻译上报告与人工评分显著正相关 r=0.400 而文本版为负相关，代价是依赖云端大模型抽标签且仅在小规模单语对上验证。

针对构音障碍临床标注稀缺问题，该工作用 QualiSpeech 合成语音评价数据的 MOS 监督做增强，对比联合训练与先预训练再微调两种范式，报告在 SAP 可懂度与自然度上微调一致增益而联合训练主要改善自然度，同时付出可懂度标签语义失配的代价。

AURORA 针对英语授课过渡期的听说与交际需求，用影子跟读测听力卡顿、用重叠模仿测发音偏离再加任务型对话与自动评估组织练习，夏季课程前后测报告听力卡顿与发音偏离显著下降，但未给出效应量与对照条件细节。

针对说话时颏舌骨肌手工量厚度慢且不一致的问题，论文用深度分割加骨架中线测厚组成 SMMA，在 11 名粤语人上做到高质量图 MAE 为 0.53 mm 且/a:/显著厚于/i:/，代价是对图像质量敏感且样本小而单一。

针对音乐源分离缺少细粒度、大规模、高质量训练数据的问题，该工作用七类单源二分类检测器清洗多语言关键词爬取的独奏音频，最强证据是检测器七类平均准确率 97.14% 与清洗后联合训练带来平均 SDR 提升 1.16 dB，代价是阈值提高会大幅削减保留时长且类别时长仍不均衡。

该研究把漫画页图像先做版面与说话人理解再做提示语音合成，用约 700 页客观对比选定 v2 管线，并以 40 页 150 人主观评价显示自动管线约 2.5 分与人工校正相当但明显低于真人演绎约 4.0 分。

针对 6 月龄到 8 岁儿童音素识别难、标注少的问题，论文整理 TinyVox 并在儿童日常长录音预训练的 BabyHuBERT 上做带 20 秒上下文的 CTC 微调，验证集降到 43.5% 左右的音素错误率，测试集达 42.1% 且替代错误多留在大类内，代价仍是绝对错误率高且依赖粗粒度聚合才显出发育趋势。

论文用带限倒谱系数扫描 0–8 kHz 并做似然比法庭语音比较，报告全频带 Cllr 为 0.13643，而 0–0.6 kHz 与 4–6 kHz 最具区分力、7 kHz 以上最弱，多子带融合可进一步低于任一单子带但仍未达到全频带水平。

针对人工耳蜗用户节奏感知弱的问题，BeatGain 在保留人声并重混打击成分的基线上加入节拍引导的时变增益，客观复杂度估计下降且节奏清晰度偏好显著提升，代价是偏离原混音略增且目前只验证 4/4 拍。

该文研究 16/24 比特全保真音频能否用自回归语言模型加算术编码做无损压缩，提出把每个样本拆成字节的 Trilobyte 使词表恒为 256，最强证据是 8 比特大幅超过 FLAC 而 16 比特平均只超 18%、24 比特落后 9%，代价是序列变长且推理远慢于 FLAC。

论文以 3000 句人工标注比较 30 多个大模型与传统形态分析器的日语字音转换，证明解析模式加规则后处理的最优假名错误率降到 0.52%，低于最强传统工具的 1.03%，但小模型、数字量词与推理模式仍有明确代价与边界。

该研究用 5754 段德语神经心理测验录音比较手工声学特征与自监督嵌入在任务级、领域级和全局级认知分数上的预测力，发现开放任务随层级升高而稀释、受限任务随聚合而增强，而二分类 MCI 时手工特征反而占优，但整体精度仍有限。

针对单路残差通道间无交换与无约束多流易失稳的问题，该文用静态可学习混合矩阵加 Sinkhorn 双随机投影构造 mHC，在 VoxCeleb1-O/E/H 与 VoxSRC21-val 上一致降低等错误率，而参数量与计算量几乎不变。

针对 1 秒左右短语音说话人确认性能崩塌问题，论文在 WavLM 加 ECAPA-TDNN 基线上插入 TVAMSP 模块，用可学习的向量档案逐帧补足说话人信息，在 Vox1-O 上 1 秒 EER 做到 8.334%，代价是 3 秒长输入会被扰动而反而不如基线。

针对塞浦路斯、克里特和麦西尼亚三种希腊方言的低资源转写问题，论文用标准希腊语翻译起步、混合转写与翻译过渡、最终收敛到方言转写的多任务课程，在三档 Whisper 规模上报告了优于直接微调的词错误率，同时保留了翻译正则与 donor 数据等代价与边界条件。

论文用同一段医患对话配对干净与加噪音频并冻结下游大模型，报告平稳环境噪声仅让词错误率上升 0.71 个百分点却使不安全输出翻倍，并验证轻量证据审计能在 5 dB 重噪声下降低高风险幻觉但保留良性表述差异。