Interspeech-2026 论文

针对推理时缺少说话人坐标导致地理条件适配无法启用的问题，论文用冻结编码器上的轻量坐标回归头先预测经纬度再做两遍解码，在荷兰方言上用 10 秒语音达到约 25 公里、30 秒约 16 公里定位误差，使无坐标的 CRH+GLoRIA 比同秩 LoRA 平均好 3.05% 词错误率且距真坐标上限仅 0.58%，代价是多一次编码器前向、延迟增加不到 3% 且外推区域 …

针对传统词错误率用统一归一化抹掉格式差异的问题，该工作构建 3210 条音频-指令-参考三元组并用偏好感知归一化选择性跳过评测步骤，最强证据是 Qwen3-Omni 在归一化偏好指令下取得 9.84% 而实体偏好下幻觉到 12.68%，代价是仅覆盖英语且仍需人工校对。

论文针对端到端全双工语音对话模型常开大语言模型隐状态是否泄露说话人身份这一问题，用 ECAPA-TDNN 探测器按 VoicePrivacy 2024 协议审计 SALM-Duplex 和 Moshi 并提出基于 Stream-Voice-Anon 的波形级与特征级两种流式匿名化，最强证据是 SALM-Duplex 离散基线等错误率从 11.2% 升至 …

该文用 FAcodec 显式丢弃内容分量并对韵律做全局与局部多粒度混淆，在 VoxCeleb1-O 上报告等错误率 2.35% 与词错误率 98.83%，代价是短时客观可懂度仍为 0.3410 且韵律残留风险需靠听感样本佐证。

针对日语视障读屏用户在 150–500 WPM 下的理解问题，研究用贝叶斯项目反应理论同时估计题目难度和人的能力，最强证据是 300 WPM 以上可理解性系统下降且个体差异 SD 达 0.91–1.10，代价是 N=11 导致可信区间平均宽 1.29 且无法可靠估计交互作用。

针对对齐编码器顶层才突然形成对齐、在长语音上脆弱的问题，论文在中间层加细粒度对齐目标和 CTC 辅助损失，在 LibriSpeech 上把 5.0/7.8 降到 3.1/5.6，长语音增益最大，代价是多头预测器与权重调参。

针对音乐分类中注意力易被伴奏与录音偏置带偏的问题，该文提出在每轮反事实监督后重投影注意力特征的渐进式可学习反事实注意力，用三阶段精炼在歌手、流派与情绪任务上取得一致提升，代价是增加共享投影模块与多阶段联合优化的训练负担。

针对跨语言和噪声下说话人确认易把语言当成身份的问题，该文先用弧面间隔损失在多语言数据上微调 ReDimNet-B6，再冻结主干训练轻量三元组投影网络，开发集等错误率从基线 3.07% 降到 1.58%，代价是最易条件出现 0.07 个百分点回退且盲测集仍明显高于开发集。

针对音频与文本多对多、粗细粒度共存的问题，ProLAP 把每个输入表示为高斯分布并用包含损失约束层级，在保持音频文本检索的同时用音频遍历与包含测试证明层级建模更好，但遮挡构造与合成评测带来适用边界。

针对澳大利亚高校国际学生的英语发音反馈需求，该研究从 CommonVoice 英文分区筛选三个口音组，用蒙特利尔强制对齐加三名语音学家的人工标注构建 859 条标注，并报告音段与韵律几乎各占一半的初步分布，但印尼组仅 3 名说话人带来明显的样本不平衡代价。

针对富有表现力和情感的语音伪造泛化难的问题，ProSDD 先在真实语音上学习说话人条件韵律表示、再把该目标保留为辅助任务联合训练伪造分类，在保持标准基准竞争力的同时大幅降低情感集等错误率，代价是需要构造外部韵律目标并执行两遍前向训练。

针对流式文本输入下缺少前视导致韵律不自然和上下文无界导致长文崩溃，该文用韵律边界标记加有限前视与滑动窗口提示改造 CosyVoice2，最强证据是长文词错误率从 71.0% 降到 4.8%，代价是仍需每块 5 词加 2 词前视的累积等待与流式声码拼接。

论文要解决任务动力学目标值被事先固定、缺少记忆与感知影响机制的问题，选择用耦合动态神经场生成时变声道目标并用临界阻尼振子求解轨迹，在 1 次基线加 10 次影子跟读加 1 次洗脱的简化仿真中报告跟读峰值拉向 1.56 与洗脱残留偏移负 0.29，代价是输入时序仍需手工指定且仅为一维示例。

针对呼吸音分类中录音质量不一与重度类别不平衡问题，QLung 用无参考音频质量间隔与对数缩放类别间隔组成双因子角度间隔并配合角度分类器，在 ICBHI 上将 AST 基线分数从 59.55% 提升到 62.01%，在 SPRSound 分布外测试上达到 59.80% 的最好分数，代价是裂音单类准确率下降且对超参数与预处理依赖较强。

该文把情绪、语言、病理和源滤波器做成手工特征集，用有界神经互信息估计加非参数校验量化维度间依赖，最强证据是跨维度互信息低于 0.15 纳特而源滤波器互信息为 0.47 纳特，代价是结论只对手工静态特征和六个英语语料成立。

针对 GAN 声码器域内保真与未见场景泛化不足的问题，论文提出用语音自监督表示辅助的质量差距加相对配对反馈的训练目标 RAF，在 LibriTTS 训练并在多未见集验证，最强证据是 RAF 版 BigVGAN-base 在感知指标上超过参数量约 8 倍的 LSGAN 版 BigVGAN，代价是训练需更长片段、自监督模型与梯度惩罚带来更高训练开销。

针对音频大模型在噪声与细粒度混淆下的感知幻觉，RAISE 用免训练的三阶段路由加两种外部声学证据在 MMAR 与 MMAU 上带来最高 12.4 个百分点的提升，代价是被路由到的少数困难样本需承担 20 秒以上的工具与推理耗时。

针对无参考转录时难以判断识别假设是否忠于语音的问题，论文用现成自回归语音合成模型计算语音 token 在文本假设下的条件似然作为声学差异度，并在多系统合并与 N-best 重排上验证，最强证据是在噪声下相关性增强与最高约 20% 相对错误率下降，代价是依赖外部 TTS 知识且长争议段会退化为整句选择。

针对初学者看不懂语谱图时间细结构的问题，该演示用 CARFAC 耳蜗滤波加 SAI 稳定成像生成基频图，以 16 kHz 输入和 450 样点分帧做实时双屏对照练习四个普通话声调，默认词表限定 22 词且未报告学习增益的定量实验。

针对解耦后内容与韵律流中残留的说话人属性，该工作在训练好的匿名框架上加针孔损失微调以压低同源匿名话语的可聚类性，在三种基线与四种伪说话人策略上一致提升等错误率而词错误率与情感召回仅小幅波动。