Interspeech-2026 论文

该工作把二分类 deepfake 检测与开集来源归属统一为层次度量学习加小样本原型注册，用 WavLM-Large 加 LoRA 在 MLAAD v9 时间划分上训练并在 ASVspoof 5 Track 1 开放条件上报告 0.49% 等错误率与 99.0%/97.0% 归属精度，代价是余弦分数校准偏差与对原型覆盖度的依赖。

本文解读 Te Taura Whiri 与 Google 围绕毛利语地名发音的新西兰英语 TTS 合作，用谅解备忘录、参与框架、知识产权协议与对齐框架把文化分歧变成可执行步骤，并以 5 人对 5 人的混合评估验证发音质量，但不报告声学模型细节与定量指标。

针对单一音频编码器难以兼顾语音细节与跨域语义的问题，WQ-Fusion 冻结 Whisper 与 Qwen 双编码器并用自适应调制加逐元素门控注意力做动态融合，在 15 个数据集评测上总体分达到 0.836，代价是只训练轻量适配部件且依赖统一生成式评测协议。

针对语音伪造检测只给真假标签而缺可核对解释的问题，该工作用冻结检测模型的可解释人工智能归因图加声学特征重要性约束多模态大模型生成时频定位解释，在 PartialSpoof 上以人工评分和定位保真度检验显示定位精度大幅提升，但多模型聚合会增加推理难度与不稳定性。

该研究以单通道去混响为对象，先证实扩散式与判别式 NCSN++ 深层都学到房间脉冲响应可分的表示，再用对比预训练房间编码器经 FiLM 注入扩散模型，在 N=15 到 100 上提升 PESQ 与 DNSMOS 并加快收敛，代价是需要额外编码器与关闭 EMA 才能稳定训练。

针对呼吸音自监督编码器缺乏临床语义锚点而无法零样本推理的问题，REACH 用医学大模型由元数据合成结构化报告并以 Sigmoid 对比对齐加掩码重构正则和远距离负采样做桥接，在 9 任务 6 数据集上以 43% 公开数据取得 61.3% 平均零样本 AUC 和 71.6% 线性探测 AUC，但细粒度咳嗽变体与五级严重度分级仍接近随机。

Zero-VC 针对流式零样本声音转换中音色泄漏与韵律保留难以兼得且基频补偿引入前视延迟的问题，用说话人匿名化做扰动并配全因果编码解码器，在 20 毫秒单帧算法延迟下取得源相似度 0.171、目标相似度 0.521 与 FPC 0.688，代价是可懂度略逊于最优非流式基线且训练仍依赖外部匿名化模块。

针对分钟级零样本对话合成在稠密梅尔谱上做条件流匹配时显存和耗时随长度暴涨的问题，ZipL-Dialog 把生成搬到 4 倍时间压缩的 25 Hz 确定性隐空间并重设 ZipFormer 下采样，用 CoVoMix2 上最大峰值显存 3.23 GB 对 36.21 GB、推理 1.075 秒对 2.396 秒的实测换取可听自然度基本保持，代价是词错误率和说话人 …

该文把语音序列生成中的自回归搜索拆成估计、决策、先验更新与终止检验的递推结构，用纳入标准区分投机解码与非自回归方法，但未报告定量解码基准实验与可运行代码。

该研究用 CMU LEGO 电话对话比较系统相关与系统无关两套交换级交互质量分类路线，最强证据是端到端微调后系统无关模型与系统相关模型差异不再显著，但代价是可训练参数从 2.29M 增至 135.73M、延迟从 0.16 ms 增至 17.98 ms。

针对开放式助听器通气孔漏声破坏双耳增强的问题，ABSE-NET 用双耳 MVDR 做粗增强再接轻量网络同时做漏声抵消与失真补偿，在 24 小时仿真数据上取得 PESQ 3.626 与 STOI 0.955 并把参数量压到 0.112M 与 0.184G FLOPs，代价是 SI-SDR 略低于参数量大两个数量级的 ASE-TM。

论文以 CosyVoice 2 与 MaskGCT 为案例研究口音-情感纠缠问题，用口音 SMOS 听辨、GenAID 嵌入的 UMAP 与质心余弦距离证明前者随情感指令大幅漂移而后者稳定，代价是单一声纹相似度指标无法反映口音错误。

针对歌词可懂度主观感知与自动语音识别转写正确率不一致的问题，该工作把手工声学特征与 Whisper 编码器表示融合后用回归模型映射为连续分数，在 Cadenza 2026 人工标注数据五折验证上 CatBoost 取得均方根误差 27.367 与相关系数 0.654，代价是仍依赖参考文本的侵入式条件且未验证端到端与跨场景泛化。

该研究用腭长缩放加咽腔测量锚定的前后向单自由度弯曲来对齐跨说话人 EMA，把 DDK 舌轨迹离散度从 31.28 mm 降到 26.13 mm，但留一说话人岭回归的 F1/F2 预测并未提升，说明几何可比性不等于说话人无关的发音到声学映射。

该文把说话人匿名与内容匿名放在同一个声学令牌空间里做，用逐帧混合比例 β 融合编码器令牌与音素派生令牌并以命名实体识别触发敏感片段强制替换，在 VoicePrivacy 2024 上以 β=0.7 取得 EER 42.54% 与 WER 3.73%，代价是情感保持 UAR 40.11% 低于同类混合基线。

针对跨语言时自监督表示混入语言结构导致帕金森病患者被大量漏检的问题，该研究用只从健康对照估计的质心平移做表示层语言归一化，在捷克语德语西班牙语口部轮替任务上把灵敏度和 F1 大幅拉回，代价是特异度下降且德语目标增益最小。

针对联邦环境中设备算力不一与语音任务所需表征深度不同，该工作在 Wav2Vec 2.0 中间层插入独立预测头并按层独立聚合，证据显示中间层常优于全 12 层，而浅层可大幅降低内存占用。

论文把已有的 66 小时真实家庭录音重新标注为哭、闹、不适之外的三类，用 YAMNet 嵌入加 RBF 支持向量机把二分类宏 F1 做到 0.803、三分类做到 0.624，代价是闹的精度仍低且对实验室数据的跨域优势混杂了数据量差异。

针对推理大模型链式思考会暴露文本替代输入导致自生成目标不自然的问题，论文用同一冻结推理模型做两阶段自复述并冻结主干只训练音频适配与融合，在 6M 实例语料上使 4B 模型在 MMSU 推理与 MMAU 语音上达到开源最优，代价是推理时双路 50 Hz 特征与较长的思考重写开销。

针对 CTC 鲁棒性不足与标注依赖重的问题，该文把一致性正则化同时加到 Align-Refine 的基座 CTC 和两步精修上，并在半监督中用最后一步做在线伪标签，LibriSpeech 上监督与自训练均显著降词错率，但精修步数、权重与数据规模的结论只在给定 Conformer 与 SpecAugment 条件下成立。