Interspeech-2026 论文

该文以 168000 次合成语音自动识别转写和 15 人先导听写实验检验五个语言复杂度等级，显示 9–19 词自然语法句错误最低且语法优势随信噪比改善而扩大，因而主张噪声下不做简化、保持语法完整，但人类证据仍是小样本先导结论。

论文针对 Whisper 在德拉威语上词错误率偏高的问题提出解码器内的加权注意力与自条件反馈，在韩语上把词错误率从 3.34% 降到 2.51%、在斯瓦希里语上从 16.07% 降到 14.58%，代价是每层增加轻量门控与一次中间预测投影。

针对只有话语级标签却要输出帧级情绪起止的问题，P-SED 用可学习情绪原型加正交约束建度量空间，再用包级非对称对比与帧级 Top-K 显著挖掘联合训练并在推理用全变分去噪保边界，在 ZED 上报告 EDER 为 47.00%，代价是固定比例挖掘对快速变化情绪仍显僵硬且帧标注测试集很小。

针对儿童自发语音中病理性口吃与发育性不流畅声学重叠的问题，论文用词节点与帧节点的异构图建模词汇意图与声学实现的层级交互，在 47 名儿童的 UCLASS 与 FluencyBank-CWS 合并语料上以说话人独立 5 折验证取得 82.4% 加权准确率和典型不流畅 F1 0.386，代价是核心口吃类 F1 仅 0.280 且依赖增强与过采样平衡。

该研究把副语言评判拆成风格、语速、重音、年龄、性别五个可控成对任务，用 5175 个音频对和 Tie 弃权条件测出最强模型仍比人类低 17.7 个百分点，且在 Tie 上几乎不弃权，代价是位置偏置与文本依赖同时暴露。

针对常规平均意见分模型对日语局部音调核错误不敏感的问题，PASQA 用可控合成构造的重音核错误数据和自监督表示加四项增强学习重音正确度排序，主观评测中以斯皮尔曼 0.828 和肯德尔 0.614 优于常规模型，代价是绝对分数校准存在偏移且资源声明当前不可用。

该研究让 144 名听者判断 32 个合成声音的种族与个性，发现能感知种族但偏向判为白人、男性黑人感知音在多项个性评分更低，并用梯度提升树以 65% 准确率区分黑白感知音，代价是仅用男性音建模且女性黑人音多为模糊。

该研究用普通话三声到四声的 14 步连续体检验 wav2vec2.0 是否随前字声调补偿知觉边界，发现纯自监督嵌入无补偿而微调与探测分类器仅显示弱且不似人的语境敏感，代价是孤立音节分类严重偏离人类基线。

该研究以 57 名普通话母语者的被试内设计同步测量声调与辅音的识别斜率和 Ganong 效应，报告跨水平的 2 组相关均未达显著而水平内的 2 组负相关均显著，支持可靠性加权的共同策略与水平特异的加工资源并存。

针对单人姿态特征覆盖不了多人与非人类舞者、AIST++ 仅 60 首曲目易过拟合的问题，PF-D2M 用 Synchformer 视频视觉特征加 DiT 扩散模型与两阶段渐进训练，在 AIST++ 客观节拍指标 F1 达 94.3 与 20 人主观听测中领先，但生成仅约 8 秒且缺乏大型客观基准仍待验证。

针对大语音识别模型一次性剪枝会误删低幅度音素权重的问题，PhonePrune 用互补分布与最小对立体约束构造音素三元组校准集并做音素感知校准，在 50% 稀疏度下报告平均词错误率 11.50%，在韩语和日语上相对 Distil-Whisper 分别降低 13.41% 和 13.83%，代价是在英语集上弱于部分压缩基线且依赖强制对齐边界。

该文在 TIMIT 音素识别上用卷积加双向长短时记忆网络的原始波形模型把总音素错误率拆到三套宽音类并统计替换混淆，最强证据是仅用 TIMIT 达 13.9%/15.3% 而 WSJ 迁移后达 11.3%/12.3% 并超过滤波器组基线，代价是增益高度集中于过渡依赖的辅音类而元音类改善有限。

针对汤戈阿岛纳卡纳曼加语究竟有一个还是两个舌冠塞音的问题，研究用词中位置的嗓音起始时间与闭塞时长测量，显示清齿塞音与浊前鼻化 postalveolar 塞音在正负嗓音起始时间和鼻口闭塞构成上稳定分离，但结论限于词中语料与强度分段口径。

针对希伯来语无元音文本欠指定重音等发音特征的问题，论文用冻结注音模型加轻量增强头再经规则转写得到完整国际音标，并用 2 小时专家标注语料证明小参数本地语音合成模型能接近大专有系统，但仍受限于基础注音模型的元音与语体偏差。

针对动态说话视频中唇同步线索不可靠的问题，该工作用说话人距离与语音能量的物理一致性做检测，在动态子集上取得 0.7449 的 ROC-AUC 并与唇同步模型集成带来增益，代价是依赖深度估计与声音分离质量且近距离麦克风等场景下关系会被削弱。

针对视听目标说话人提取中深度融合会被野外噪声上限问题，论文用冻结纯音频分离骨干保保真、用 C×C 潜在转向矩阵加视觉门控做通道选择，在 LRS2-2mix 上保持原骨干感知质量并把路由计算降到 256.82G 与实时率 0.147，代价是侵入式分离分提升不如全量微调。

论文针对大模型语音合成隐式处理多音字、字形识别正确但拼音错误的问题，构建覆盖 494 字和 88 词的三套测试集并用 Qwen3-Omni-Instruct 做自动拼音标注，最强系统主集拼音准确率仅 82.02%，方言和口语类仍大幅落后。

针对支持样本与查询音频都被背景声污染的单路五样本声音事件检测问题，论文提出冻结音频编码器、仅把目标原型向背景向量正交子空间投影的 POP-SED，在 DCASE2024 任务 5 验证集上用 BEATs 取得 62.35% 的事件级 F 值，代价是背景混合数增大时子集搜索按 2 的 M 次方增长。

针对自回归语音增强语言模型只用词元交叉熵训练、与感知评价脱节的问题，该文用组序列策略优化在线直接优化 DNSMOS 加 WER 加 UTMOS 组合奖励，在 DNS2020 和 DNS5 上提升整体质量，而单一 DNSMOS 奖励出现人评低于基线的奖励黑客代价。

针对语音大模型中高资源语种翻译好而低资源与零样本语种差的表示不可比问题，POTSA 冻结编码器与大模型只训练 Q-Former 并用偏置补偿加令牌级最优传输做跨语言对齐，在 FLEURS 五语种平均提升 1.29 BLEU 且零样本平均提升 2.93 BLEU，代价是每语种需 10 小时平行语音并引入额外对齐损失与层调度。