Interspeech-2026 论文

DiffVQE 针对免提通话中声回声加背景噪声，用条件判别网络先估计近端语音再用单步分数扩散精修，在受控合成验证集与公开盲测集上多数质量与可懂度指标超过同数据重训的 DeepVQE，代价是回声单项略低且系统仍为非因果。

针对跨被试听觉注意解码中被试差异导致泛化下降的问题，DisenEEG-Net 用并行时空 Transformer 编码加正交分解、充分信息瓶颈、对抗对齐与重构约束做特征解耦，在 KUL、DTU、AVED 三个数据集留一被试交叉验证下取得报告的最优精度，但长窗增益有限且 DTU 与 AVED 绝对精度仍偏低。

针对轻度认知障碍老人抑郁与认知衰退声音混杂问题，该研究用每次录音共时的抑郁与认知评分筛选声学特征，发现只有共振峰组在控制认知后仍与抑郁相关，并用 12 个第一二共振峰特征取得 0.760 的非加权平均召回率，但代价是样本仅 89 人且女性特异性偏低。

该研究以 12 语言 1386 人的元音共振峰估计声道长度并用因果中介分解性别对/s/峰值频率的直接与间接效应，最强证据是共振峰间距效应显著而性别直接效应不显著且间接效应更大，代价是朗读语体与纯声学估计带来解释边界。

针对自回归编解码语言模型串行解码慢、非自回归模型文本对齐弱的矛盾，DLLM-TTS 在 X-Codec2 单码流上做条件块离散扩散，以 0.6B 参数和 20K 小时数据在 Seed-TTS-eval 上报告 WER 2.25% 与 SIM 0.750，代价是块串行与多步去噪仍需权衡速度与质量。

针对无参考语音质量预测在未见失真下泛化弱的问题，DNSMOS-C 在 DNSMOS Pro 上把 SCOREQ 三元组对比损失直接加到 64 维编码器嵌入上做单阶段联合训练，域内相关系数和跨 NISQA 子集泛化多数提升，且 PCA 显示质量排序增强，代价是失真类型可分性略降且推理与 DNSMOS Pro 相同。

论文用单帧静音探针审计 10 个视频基准揭示视觉捷径，再在 LLaVA-OneVision 上外挂语音编码器并以因果 Mamba 周期查询把 25 Hz 音频压到 1 Hz，在过滤后语音与跨模态任务上取得稳定增益而视觉任务基本不受影响，代价是延迟从 1.00 秒升至 1.60 秒。

论文用人类感知的说话人相似度分数检验 43 个语音与音频基础模型各层嵌入余弦相似度的对应关系，发现编码器与大规模监督模型峰值对齐更高，而解码器、语音识别微调与参数增大总体拉低峰值并改变层间走势，但层间斜率仍多半无法被现有配置解释。

论文用线性残差化减去音素、二音子与三音子信息后，再用帧级线性探针测词身份，发现中后层仍能远超偶然基线识别词，同时以词发现任务验证去音素表示的增益与去上下文信息的代价。

该研究对比转写-only、单向翻译与双向翻译三种语音编码器预训练，显示加入英译外双向翻译能在冻结大模型下提升语音翻译与意图理解，且未损害情感识别所需的声学信息。

针对倾听者反馈相对会话机会点延迟分布不一致的问题，论文用生存分析验证快慢功能类别的延迟差异，再用快慢双路径分别预测帧级起始与类别，最强证据是 Macro-F1 从 0.4862 提升到 0.6254，代价是只用单通道声学线索且依赖固定静音阈值定义的机会点。

针对单麦克风无人机自噪声语音增强，DroFiT 用全带与子带并行压缩加频率维 Transformer 建模，在 VoiceBank-DEMAND 混合无人机噪声上达到与 DCU-net 和 SMoLnet-T 可比的 SI-SDR 与 PESQ，代价是仍需验证更广泛机型与实时延迟。

针对 MLAAD 开放集溯源中 SSL 域内强但域外过自信的问题，论文用冻结 XLSR-53 加 66 维 CORES 双分支与输入条件门控联合能量间隔训练，在 Eval 上报告 97.6% 域内准确率、4.9% EERc 和 10.4% FPR95，代价是需 Dev 域外样本做辅助监督且门控需冻结预热与熵正则维持。

针对隐式身份泄漏导致的跨说话人泛化失败，论文用样本级余弦正交加批量级交叉协方差的双粒度几何约束配合课程式加权做说话人伪影分离，在 ASVspoof 2019 LA、2021 DF 和 In-the-Wild 上报告 1.35%、7.88% 和 21.58% 等错误率，代价是对解耦强度与训练节奏更敏感且最难攻击仍有残留误差。

针对信号级水印易被神经编解码器和声码器重建抹除的问题，DuraMark 选择在音节时长这一信息级载体上嵌入奇偶水印，最强证据是在多种生成式攻击下保持 TPR 大于 95% 且平均达 0.993，代价是依赖文本转录与时长提取精度并需要时长可控的合成流水线。

针对大语言模型语音合成只看参考音频和目标文本而忽略已生成目标语音风格的问题，该文提出按音节交替预测韵律标记和语音标记的方法，在三套中文评测上提升了说话人相似度和韵律相关性，但自然度基本持平且大模型对比仍有限。

针对口吃检测与转写长期分开建模导致互相约束丢失的问题，DysfluentNet 用冻结 WavLM-Large 共享编码器同时做六类多标签检测与含口吃标记转写，在 SEP-28k 上报告宏观 F1 为 72.4、在 FluencyBank 上报告 DI-WER 为 18.3，代价是仅覆盖英语且对齐窗与冻结策略仍有未验证空间。

针对田野语言建档转写瓶颈，论文提出免代码的 ELAN 到微调再到切分转写流水线 Easper，并在三种瓦努阿图语言上以会话为单位比较五种排序策略，显示优先词汇重复的策略早期字符错误率更低，但干净录音并非无用且结论受语料规模限制。

该研究把模仿质量判断转化为 20 类名人识别的 Top-1 命中问题，用注意力增强的 ECAPA 嵌入融合韵律与频谱打分，在 MIMICz 上达到 75% Top-1 命中，代价是依赖小规模棚录数据与主观 MOS 定义的最优。

针对多声混合中同一类事件多次出现时难定点修改的问题，论文在稳定音频开放模型上加入参考区间与编辑区间加源事件掩码，用在线合成三元组训练加、删、换、移、延五类编辑，区域级 0.1 秒事件分数超过 80% 但搬移目标区波形失真仍更大。