Interspeech-2026 论文

针对多语言试听中语言线索混入说话人嵌入的问题，论文比较了梯度反转、特征扰动、后端解耦和打分校准四类语言补偿，最终融合系统在 tv26 eval-A 上报告 2.53% EER，但前端去语言化会损失一部分可由强后端利用的说话人信息。

该研究用玩具问答诱发对比性焦点与两种手势，报告象征手势拉长目标音节时长、典型发展儿童压缩焦点后时长而自闭症儿童对手势呈现更弥散的缩短，支持多通道整合困难的解释且代价是效应集中在时长而非基频扩展。

该研究用 120 名日语母语者的重复聆听实验检验了短语内元音与辅音分布偏向和歌与说唱两种指导语对言转歌错觉强度的影响，发现任一偏向都显著强于无偏向且说唱指导整体更高，但双偏向并未显著叠加且韵律等混淆仍待控制。

针对悬停无人机自噪声在极低信噪比下同时破坏方位估计、噪声协方差估计和残留噪声抑制的问题，该研究用相位一致性选时频格、交叉频率混合掩蔽做最小方差无失真响应波束形成、再加零陷参考后滤波，在无混响负 25 分贝输入下报告方位准确率 98.12% 并提升语音质量，但计算只计乘加操作且只验证悬停状态。

针对对话中同一说话人情绪渐变难分的问题，论文提出情绪惯性感知的监督对比学习模块 EII-SCL，用动态惯性窗挑选难负样本并联合交叉熵训练，在 IEMOCAP 和 MELD 上提升可复现骨干，最强加权 F1 达 74.01%，代价是引入注意力窗与对比温度等额外超参数。

针对长而细的情感语音描述难以整体打分的问题，论文把评价拆成原子感知单元并用音频语言模型逐条做有无的二值验证，再与参考单元做语义匹配算 F1，在 320 对的人评上取得约 0.44 的正相关，而传统 n-gram 指标呈负相关，代价是依赖模型判断且对复杂人声事件的检出率明显下降。

针对端到端神经语音编码模型过大难以部署的问题，该工作用说话人分组训练组专用小模型，在主观听感上以 96% 参数量削减和从 2 kbps 到 1 kbps 的码率减半维持了大模型质量，代价是发送端需增加说话人分组与组索引传输且错分会带来损失。

针对推理时缩放或插值情感向量导致中间强度不稳定的问题，ETC-TTS 用残差向量量化情感原型锚定起点与终点并以流匹配学习中性到情感的连续速度场，在韩语 AIHub 与英语 ESD 上改善了单调可控性与情感表达并保持可比的自然度与可懂度，代价是三阶段训练与分层流预测器的额外设计与调参负担。

针对构音障碍语音识别，该文比较四种病因知识用法，发现同码流内先预测病因再转写在 SAP 上达到 7.77% 词错误率，代价是训练仍需临床标签且代码链接当前不可用。

论文用十一人新标注数据把未见说话人笑声切分误差降到 23.0 毫秒与 30% 替换错误，再对比人工与自动标注训练的声码器参数合成与音频大语言模型合成，报告显示后者自然度更高而前者笑法还原更高，且自动标注仍落后于人工标注。

该研究把冻结语音编码器的多层向量序列变成两两内积的二维自注意力权重图再用可训练 VGG-19 做多标签口吃检测，在中英德零样本评估中保留单语 F1 的 77-98% 并在词重复上超过最优模型，但在阻塞延长等声学主导类型上落后约 10-23%。

论文以音素受控仿真加英到日真实跨语言两路对照，检验预训练语音合成模型在微调中学习未见目标音素的能力，发现微调自然度更高但达到相同目标音素错误率需要相同或更多数据，说明预训练主要改善自然度而对音素增加帮助有限。

针对深而窄语音学生模型蒸馏训练慢的问题，论文提出每次把复制层插回原层之后以保持层位置一致的交错堆叠，在 SUPERB 四任务上以约 1.16-1.24 倍加速达到接近或超过全量训练的性能，代价是仍需分四阶段调度和中间层损失权重。

针对音频超分辨率中扩散模型参数大、训练久、推理步数多的问题，FastWave 沿 NU-Wave 2 引入 EDM 去噪范式与 ConvNeXtV2 轻量化结构，在 VCTK 任意到 48 kHz 基准上以 1.3M 参数和更少训练资源达到可比重建质量，代价是低频谱距离仍弱于充分训练的 NU-Wave 2 与 FlowHigh。

针对单声部音频基频估计要在噪声下保持准确同时可实时运行的问题，FCPE 用对数梅尔谱输入加深度可分离卷积主干做 360 类音高分类，在 MIR-1K 上报告 96.79% 粗音高准确率并以 0.0062 实时因子运行，代价是在极低信噪比白噪声等极端条件下仍明显掉点且依赖增强策略补泛化。

论文以语音经发音再到语音的闭环为问题，用发音特征加声源与说话人特征以及确定性合成与流匹配生成的对照，显示附加特征与采样步数能提升自然度与说话人相似度，但会削弱发音保真并在噪声与特征替换下暴露依赖。

针对增量会话中类别既增加又减少的少样本音频分类问题，该研究用可变类原型自适应网络逐会话修正全部原型并用伪类可变训练模拟增减过程，在 LS-100、NSynth-100 和 FSC-89 上的平均准确率报告显示优于所比基线，但类删除会话无新样本且旧嵌入靠高斯重构带来分布假设代价。

论文要解决音节切分方法分散、难以同条件复现比较的问题，用包络计算、帧特征、切分算法三模块可互换的 findsylls 工具包统一经典与神经路线，在英语、西班牙语和 Kono 语七个语料上以 50 ms 容差比较核、边界与区间 F1，最强神经组合以 3-5 tok/s 实现最高边界与区间精度，但经典包络在吞吐量上高出一个数量级。

针对语音命令与脑电情绪等时序信号全长推理浪费算力的问题，论文提出以输出层谁先发放脉冲就判为哪类的内禀早退机制，并用竞争抑制与混合时序训练加速收敛，在 GSC V2 上以 92.89% 准确率、63.68 平均决策步长和 2.75 微焦能耗取得报告的最优权衡，但代价是增加小规模抑制矩阵与三项损失超参数。

针对多轮口语对话中模型内部能注意到历史却在生成时被参数先验压制的问题，论文提出只遮挡注意力选出的关键轮并对比有无该轮输出分布的免训练解码方法，在 Audio MultiChallenge 上把三套端到端语音对话系统的平均通过率提高约 6.7 至 13.3 个百分点，而全历史粗放对比反而使性能下降。