Interspeech-2026 论文

针对音频字幕依赖成对标注且自动指标与人意不一致的问题，该研究用成对偏好训练 CLAP 嵌入上的奖励模型再做自批判强化微调，在挑战样本上获得更高人类胜率，代价是需要额外偏好标注且长句奖励投机需用长度惩罚抑制。

该文研究音乐大语言模型能否学会唤醒度和愉悦度连续分数回归，采用指令微调建立基本格式与粗略预测再用可验证数值奖励的组相对策略优化精修，最强证据是反馈对齐后在 DEAM 与 MERGE 上唤醒度和愉悦度同时提升且 MusicQA 能力得以保持，代价是仍需两阶段训练且部分条件下未超过专用编码器探针。

该研究用无音频与音频分片两轴诊断三套基准与八个大音频语言模型，发现无音频仍保留六至七成满音频准确率，且音频需求项中仅约百分之三至四需跨片段信息，代价是现有分数更多反映文本先验与局部线索而非整体听觉理解。

针对加性噪声下相位符号难判的问题，该研究用余弦与正弦几何算出候选相位，再用双路一致性迭代收敛到其中之一，oracle 试验证明上限可达 0.87 余弦相似度，盲测在保持可运行条件下与直接相位估计相当并在背景抑制上略优。

针对多方言阿拉伯语反欺骗基准缺失问题，ArFake 用 Casablanca 八方言加四种 TTS 构建 54413 条混合语料并以 Whisper-large 加浅分类头做检测，在域内取得 4.88% 等错误率、在未见 VITS 上取得 97.94% 准确率，代价是训练集伪造占比近七成且部分满分依赖低质量合成伪影。

针对只用英语训练、直接在七个未见语言上做零样本音素识别时替换错误占主导的问题，论文把识别改写为向通用发音特征空间的预测并用信息瓶颈过滤语言特异变化，报告平均音素错误率相对降低 20.56%、发音特征错误率相对降低 7.01%，代价是仍需目标语言音素清单做向量对齐且推理依赖 CTC 分段质量。

针对医生患者对话中联合识别内容与说话人角色的问题，该文冻结 ASR 换能器并训练同步的角色换能器，用任务专用预测器、高层编码器特征与一-best 路径交叉熵实现同步标注，在 DoPaCo 上把角色词错误率降到 6.1，代价是需要已对齐的 ASR 与角色标注训练数据。

该研究以 LibriVox 8854 本单人英文有声书为对象，用 129 维声学向量建模浏览率四分位与同书组内排序，发现声学信息在控制书名后仍有稳健关联，但全局伪 R 方仅 0.09 且效应量小，组合类型信息后分类准确率最高 0.35。

针对大音频语言模型推理链脱离声学证据的问题，Audio-DeepThinker 用混合推理相似奖励加两阶段纯强化学习课程诱发思维链，在 MMAR 达 74.0% 和 MMAU-Test-Mini 达 78.5%，代价是依赖参考链质量与大模型评判开销。

该工作把希腊语歌曲做成片段级对齐的歌词转写基准，用 Whisper 做转写专用、多任务混合与语音到歌声两阶段微调，最强两阶段 Large-v3 把归一化词错误率降到 27.2%，代价是依赖人声分离与强制对齐流水线且伴奏与增强并未带来增益。

针对无成对编辑数据时难以同时改对语义又保住原声音色与环境的问题，Bagpiper-Edit 把编辑改写为丰富描述的文本变换再以原音频为声学锚点生成，并在相邻片段自监督下实现零样本编辑，转写编辑准确率达 79.76% 而说话人相似度保持 0.83，代价是整句替换仍有极端失败与复杂场景稳定性不足。

该文把轮替预测从声音边界后移改为骨骼运动前移，用 InterAct 三维骨骼检验不同身体部位和不同意图的提前量，最强证据是上半身在提前 1.5 秒仍保持可预测性，而代价是过长窗口会混入上一段共发手势噪声且守话状态需等到碰撞时刻才能确认。

针对印地语一线健康对话的自发、噪声和重叠语音问题，论文用级联式说话人日志加语音识别再接大模型主题与摘要的四任务基准组织评测，最强证据是领域微调把 IndicConformer 的 tcpWER 从 26.78% 降到 20.23% 而参赛队最优做到 18.63% 左右，但下游摘要 ROUGE-L 仅 0.20 上下说明理解仍难。

针对误发音检测与诊断需要如实转写实际发音的问题，该研究用强制单调帧级对齐的声学模型保留瞬时发音线索并用训练期特权信息隐式注入语言知识，在 L2-ARCTIC 上报告 F1 为 71.77%，代价是插入错误上升与识别率和诊断率之间的权衡。

针对声学传送编码器的语音与声学分区，该工作用冻结编码器加轻量探针分别回归房间参数与分类说话人，以分区间的性能差距度量解耦，发现说话人基本被锁在语音分区而房间信息仍泄漏进语音分区，且声学嵌入的盲估 T60 与全监督基线差距仅 0.02 s 量级。

针对音频标注贵且通用主动学习忽略时频结构的问题，论文提出先用软损失分布刻画难学模式再用特征加梯度相似度匹配无标注样本的 TSAL，在 40% 标注预算下以 ESC-50 上 82.65% 对 79.90% 等结果领先基线，代价是每轮需额外计算伪标签梯度和相似度排序。

针对多分支卷积只做简单相加而没有补偿各分支局限的问题，该工作把通道、时间、频率与联合时频权重按感受野特性交叉分发，在 TAU 2020 上报告 72.03% 准确率，代价是保留分支导致失去重参数化合并的推理简化。

本文针对聋人及重听人口音与非听觉验证需求，提出以可用、可验证、优雅降级与公平问责透明伦理为框架重构语音转文字、文字转语音与语音转语音，核心证据是受限数字任务下聋人发音 13% 词错误率而听人发音几乎无错，代价是数据稀缺、隐私与身份保持难题尚未解决。

针对非侵入式 MOS 预测中哪一层最有用、多层如何融合的问题，论文在十个语音基座模型和四个数据集上比较末层、最佳单层、朴素加权融合与全量微调，并提出冻结基座下先做逐层适配再聚合的 A+M 策略，最强证据是 Wav2BERT A+M 取得平均话语级 0.388/0.749 与系统级 0.052/0.932，而代价是仍需为每层增加适配器参数与多层前向表示。

论文用西弗里斯兰语检验大模型生成式纠错能否超越五选一上限，靠公开集加非公开离线集对照排除记忆，最强证据是 GPT-5.1 把词错率降到公开集 8.9% 与离线集 13.8%，代价是开源小模型几乎不改写且插入词判断仍不稳。