Interspeech-2026 论文

该研究用 7-10 天手表自发起生态瞬时评估结合心率与声学特征，把五级听觉吃力与 0-10 分疲劳二值化后分别以 68% 与 76% 左右准确率检出高负担状态，代价是连续评分预测不佳且约 32% 天级数据因缺失不可用。

针对神经音频编解码流式匿名中情感被续写偏置抹平的问题，论文用同说话人中性提示配情感源重构监督并在慢自回归声学隐状态做帧级蒸馏，在 VoicePrivacy 2024 上把情感保留推到流式最优，同时延迟保持 180 ms 且推理不新增模块。

StyleStream 用带文本监督和 45 码紧瓶颈的去风格器抽取内容，再用非自回归扩散变换器重上目标风格，在 3000 对测试上把可懂度和三种风格相似度做到最高，代价是需要 5 秒目标上下文和 600 毫秒分块带来的约 1 秒端到端延迟。

针对日语词/saN/中擦音/s/、元音/a/、鼻音/N/的说话人区分信息在频谱上如何分布的问题，研究用线性变换由全带倒谱直接导出子带倒谱并做似然比取证比对，最强证据是全带条件下/a/平均 Cllr 为 0.38766 优于/N/的 0.43473 和/s/的 0.68110，代价是高频 7-8 kHz 子带普遍偏弱且敏感子带位置不能完全由发音生理预测。

针对韩语手术室 51 类组合口令，该研究用共享编码器加三路注意力分别预测方向、模式和步数，并以 CORAL 顺序回归学习 1-5 步幅，在留一说话人评估下达到 95.36% 联合成功率、0.0338 步 MAE 和 0.60% 灾难性错误率，代价是仅 5 人数据与预切分评测且最难说话人仍明显下滑。

针对病理嗓音数据稀缺与传统线性增广失效的问题，论文用临床状态词控制的 F5-TTS 合成持续元音，研究 100 到 100000 的合成规模律，最强证据是仅用 10 万合成样本训练的分类器在留存真数据上超过真数据基线并显著提升灵敏度，代价是特异度下降与远域过量合成出现非单调退化。

针对巴西葡萄牙语自发语音缺乏统一评测的问题，论文把多个公开语料的测试集拼成 72.46 小时的 Tarsila-ASR，用它评测开源模型并以 1156 小时会话数据微调 Whisper-large-v3 得到最低词错误率，但代价是推理更慢且中间检查点优于长训练。

该研究用音频加文本加图片描述任务图像的三路融合回归预测 MoCA 与 MMSE 分数，最强证据是图片描述任务上 E6 达到 MoCA 均方根误差 2.11 与 MMSE 均方根误差 1.85 左右，代价是小样本波兰语队列、无外部验证且视觉接地只适用于图片描述任务。

针对合成语音质量评估依赖人工 MOS 且跨语言跨系统泛化差的问题，TDScore 用 TTS 训练中的检查点轮次与训练损失作伪标签训练质量预测器，在法语训练、英法评测上显示轮次标签与人工 MOS 相关而损失标签更不稳定，但仍受 TTS 训练动态与饱和截断策略限制。

针对部分伪造音频中短篡改片段难定位的问题，该研究用多尺度 GRU 建模时序连续性并以帧真伪、方向转移、融合精修三头联合监督，在 20 ms 分辨率下于 PartialSpoof 取得 6.45% 帧级等错误率并在 PartialEdit-E1/E2 取得 4.50% 与 3.85%，代价是需要精细帧标注与多损失调参。

针对合成训练难迁移到真实环境的问题，论文用 2.9 小时 CHiME-3 真实带转录噪声加 VCTK 合成对做开关双模式微调，在 CHiME 上把词错误率从 63.66 降到 20.27 并把感知质量做到 3.23，代价是增强偏置与识别偏置仍需二选一且加长开关会回落感知质量。

针对离散音频令牌在文本无关说话人确认中明显弱于滤波器组特征的问题，论文用滤波器组教师指导令牌学生的跨特征知识蒸馏对齐说话人嵌入方向，在 VoxCeleb 上把令牌系统的等错率从 3.38% 降到 2.25%，代价是需要先训练好教师并使用远大于常规的蒸馏权重。

针对噪声混响下唇视觉与声学对齐不稳的问题，论文用混合语音加唇视频先预测 WavLM-KMeans 语义令牌再以令牌为时间对齐线索引导 TFGridNet 或 MossFormer2 做提取，在 VoxCeleb2-2Mix 与 LRS2-2Mix 上取得高于同类音视系统的可运行增益，代价是两阶段流水线与令牌预测精度依赖。

该研究用同一组乌尔都语录音让德语和匈牙利语听者做快速韵律转写，报告两组在重音感知上依赖不同基频走向、在语调短语边界上一致度仅为弱到中等且受发音人影响，从而不支持边界线索普遍通用的判断，其代价是样本仅四位发音人和两组听者且未纳入乌尔都语母语对照。

论文以口部辐射为唯一声源的边界元仿真为对照，用假头扫频与两人真人发声的相对传递函数对比，报告耳周尤其是耳下麦克风在 1 千赫兹以下出现仿真无法解释的幅度抬升，代价是样本仅两人且振动传感器未标定。

该研究为泰卢固语和马拉雅拉姆语新建诱发朗读与社交媒体实拍两类三分类语音数据集，并用 Wav2Vec 2.0 加 IndicBERT 的注意力融合做基线，报告同域内多模态互补有效而跨域时声学失配导致大幅下降且文本单模态更稳。

论文在受控晚融合下比较梯度与损失两类平衡方法，报告其均未稳定超过简单拼接基线，并用合成诊断与全局权重上界说明训练拟合信号不能代替留出集判别价值判断，代价是逐样本最优仍有约 8 个百分点结构余量未被利用。

该挑战针对音频问答只看最终答案而掩盖推理虚假的问题，用单模型轨与智能体轨对比内化推理与工具编排两条路线，最强证据是智能体冠军 69.83% 对单模型冠军 65.29% 的细则分领先及实例级评分 0.7921 的一致性优势，代价是工具系统复杂且单模型仍依赖高质量数据与强化学习调优。

论文用 MaFI 孤立词任务比较三类视觉语音识别模型与人类唇读者，发现模型词错误率更低但成功与失败的词不同，错误更随训练词频而非视觉清晰度变化，代价是视觉清晰度只能解释模型约 6 到 9% 的排序方差而人类可达 50 到 79%。

该研究用 3 种语境×3 种韵律的听辨实验检验中国英语学习者的反语理解，显示语境起主导作用、韵律在语境模糊时独立补位，而语言水平效应很小。