Interspeech-2026 论文

针对印度、印尼和拉美口音的英语学习对话，该研究用启发式富实体选数据加分区 LoRA 双输出转写，把实体召回做到 80-85% 和填充词召回做到 76-86%，代价是依赖银标准参考和每区独立适配器。

针对复杂噪声下声音事件检测性能骤降问题，论文提出用预测边界构造段内注意力掩码并做边界门控增强的 BG-CRNN，在 WildDESED 上从 10 dB 到 -5 dB 持续优于基线，代价是增加边界分支与多任务损失的训练复杂度。

BiEAR 针对多说话人方位与距离联合估计，用左右耳各自的神经控制器逐帧调节 Gabor 滤波器组 Q 值，在消声与真实房间中以双控制器相对控制取得方位误差下降，但距离估计仍有被 AuralNet 超越的配置，代价是控制器与自适应滤波带来的额外参数和推理逐帧计算。

针对英语单词重音检测依赖音节边界标注的问题，该研究用分层卷积把帧级表示压缩为音节级表示并以 Post-net2.0 损失约束每词恰有一个重音，在 ISLE 德意口音数据上报告最高 94.86% 与 96.24% 的准确率，但仍需真实音节数与后处理配合。

针对大音频语言模型只说安全中性话的问题，论文用大语言模型做多维语义漂移提出情感假设，再用听原声的判别模型做声学验证与重排，报告显示判别器平衡准确率达 96.07% 而下游盲测胜率 66.15% 对 29.23%，代价是参考文本相似度略降且需构造近 5 万对比对训练判别器。

针对冻结且结构失配的编码器与解码器无法直接互通的问题，BridgeCodec 用薛定谔桥学习源潜变量到目标潜变量的最优传输并以 Mamba 增强 U-Net 建模长时依赖，在 8 kHz、1 kbps 输入到 48 kHz 重建的极端条件下把 STOI 从 0.23 提升到 0.88、SIM 提升到 0.96，代价是高频生成内容使 WER 略升至 2.11 …

针对仿真与真实远场语音分布不一致导致轻量模型失效的问题，该研究用 70 小时真实配对数据训练两阶段框架，先由冻结 GTCRN 粗增强再由轻量映射模块对齐到干净近场隐空间，在仅 0.8 GMAC/s 下取得 P.835 OVRL 2.94 与 P.808 3.35，但代码与权重当前不可用。

针对带声调标记的音素识别数据稀缺问题，该研究用正字法与基频轨迹多任务训练加词典约束的格融合，在保持听错原样的条件下把核心集平均错误率从 12.3% 降到 7.1%，代价是依赖词典覆盖与文本分支质量。

针对可解释语音质量评估只给平均意见分而说不清噪声、失真与时间位置的问题，该文用校准加分组相对策略优化的两段后训练改造 Audio Flamingo 3，在 QualiSpeech 上以 0.71 平均 PCC 和 0.76 的 MOS PCC 达到最优，代价是需解冻音频编码器并依赖预定义伪影分类。

针对耳戴设备模数转换器功耗高的问题，CAPS 把采样降到 4 kHz 与 8 比特等次奈奎斯特条件以省电，再在手机端用频谱增强、上采样与幅相增强级联重建宽带语音，直接报告在 Pixel7 上 55.11 ms 推理与约 3.31 倍耳端省电，代价是手机端约 1.15 W 的恢复功耗与未评估加密和编码的影响。

针对参量阵列扬声器非线性解调导致传统声区控制失效的问题，论文把超声载波从固定背景变为与边带交替优化的控制量，在相同功率约束下用声对比度控制验证，实验报告宽带声对比度提升 11.2 dB 且亮区声压级提升 7.0 dB，代价是每阶段都要重测传递函数且载波优化只在 1 kHz 单频上完成。

论文以 WavLM 第 1 层为对象，用线性探测定位音高响度、以 JumpReLU 稀疏自编码器做解耦再做潜变量消融，发现去掉前 50 至 100 个最重要维度后探针 R2 仍保留约 97% 以上，最强证据是 INLP 子空间擦除使目标特征 R2 下降 94% 以上而响度擦除对其他探针影响小于 1.5%，代价是频谱类特征共享子空间、离散消融基本失效。

该演示用同一含噪语音对比三种增强路线对 7 个神经学生物标志物和加权风险分数的扰动，显示感知清晰度提升不能保证临床特征稳定，而代价是方法相关的频谱与韵律漂移。

针对电话退化下说话人无法自知不清的问题，Coco-VC 在听者端用电话增强加双教师蒸馏做流式转换，在 FLEURS-8k 模拟电话上把词错误率从 0.451 降到 0.338，代价是在该严重噪声下主观质量略低且依赖大规模域内数据与解码器条件。

该研究用固定朗读句控制词义、用端侧提取后删原音频来兼顾可比性与隐私，在 560 人 9877 条记录上验证了高依从与可分析性，但说话人分类强而 momentary 情感预测弱，且残留朗读合规与特征表达力的代价。

论文把序数情绪识别改写为双语音比较任务，用语义描述加 GeMAPS 声学证据生成比较推理轨迹，再经有监督微调与直接偏好优化训练 Qwen2.5-Omni-3B，在 MSP-Podcast 上以约 5% 语句量的 10k 对训练超越 240k 对训练的排序基线，而推理轨迹在跨域与跨情绪上带来更稳的泛化与可解释性。

论文在韩语情景剧训练、真实诈骗电话测试的跨域条件下比较 4 维域不变韵律特征与冻结的 HuBERT、wav2vec2.0，报告零样本下 4 特征达到 69.5% F1 而 HuBERT 在 5 样本下达到 94.2% F1，代价是后者需要真实样本与约 94M 参数的计算量。

针对多语联合微调中的负迁移与低资源一致性学习中的确认偏误，论文用共享-私有融合 LoRA 解耦容量竞争、用置信门控平均教师提供稳定目标，在 Kathbath 五语上把宏平均 WER 降到 19.85%，代价是引入双分支与两阶段调度等额外复杂度。

针对已知无变音文本加语音恢复阿拉伯语变音符号的问题，论文用无自回归 CTC 声学模型加字符级变音格约束解码，在 ClArTTS 与 ArVoice 匹配与跨库上降低变音错误率，代价是仍依赖基字符序列正确且需已标注变音的语音做微调。

针对 1000 bps 以下语音编码中声学细节挤占语言内容的问题，ContextCodec 用双分支解耦加音素对齐的上下文引导重建，在 500 bps 仍保持可懂度和质量平衡，代价是需要离线强制对齐监督与两阶段解码注入的复杂度。