Interspeech-2026 论文

针对扩散语音增强多步反向采样计算量大的问题，论文用条件网络预增强替代干净语音构造桥分布、用辅助网络自适应估计桥权重与方差并只做单步桥接，在 URGENT 2024 数据上以 9.40M 参数和 3.84 GMAC/s 取得 PESQ 2.58 与主观 MOS 3.95 的顶排名。

针对目标说话人标注中短片段分数方差大而同标签平均又怕误聚的问题，该文提出对每个分离标签内分数拟合两分量高斯混合并以最大后验分量均值校准，在 TST-Bench 与 ICSI 上严格工作点下提升明显，而代价是每标签至少需要 5 个片段且需估计混合参数。

针对语音神经假体中 CTC 解码依赖约 320 GB 内存的加权有限状态机问题，LightBeam 用固定间隔的延迟融合把大模型引入首遍束搜索，在两套基准上降低内存到约 10 GB 并保持实时因子小于 1，代价是更频繁地调用大模型。

该研究以帧级音素分类为人工耳蜗语音增强的代表性单元，比较一维时间、一维频率与二维时频因果卷积前端及层数与后端搭配，在 STM32F746G 上实测延迟与内存，显示加前端普遍提分而一维结构更易满足亚 10 毫秒约束，代价是加深并不单调增益且二维深层内存与延迟急剧上升。

针对无声唇视频生成可懂、自然且口型同步语音的问题，LipAdapter 冻结视觉语音识别与多语 TTS、只训练文本到视频对齐以预测唇形引导的音素时长，在 LRS3 上用 30 小时训练达到 21.2% 词错率，但短于 1 秒的片段同步置信度明显下降且依赖上游识别文本质量。

该研究比较电台口语转写与三种书面语域输入的合成语音可听性，发现口语转写显著增加主观努力并降低回忆，而大模型生成文本与维基文本无显著差异，但四条件语义内容并不相同因而不能做因果归因。

该研究以三名非二元语音生成设备使用者的两轮开放式问卷为材料，用归纳主题分析得到日常整合、身份表达与横切的权力与能动性三个主题，报告显示可懂度优先于身份的妥协反复出现，而代价是样本极小且未构建或评测任何语音系统。

针对中英码切换识别中语言快速切换与稀有命名实体难认的问题，LLM-HB 用 Whisper 编码器加双专家 MoE 适配器加辅助语言头加 LLM 热词提示做联合建模，在 ASRU2019 码切换测试集 15 干扰词条件下把混合错误率从 7.34% 降到 5.85%，代价是需要约 2200 小时多数据训练与仔细权衡偏置损失权重。

针对短句语音模型在长文本上出现的走调、音色漂移和句界断裂问题，论文提出只在推理时生效的 MagpieTTS-LF，用软注意力先验维持单调对齐并保留远距上下文、用跨句状态传递历史文本与编码器表示，在 20 段 3-4 分钟英文长文本上把词错误率降到 0.025 并把边界能量跳变降到 14.04 dB，代价是仍需逐句自回归生成且未报告延迟与主观听感。

针对只有目标域纯文本而无配对语音时的领域适配问题，该研究把与 ASR 同基座大模型微调得到的目标域语言模型以 LoRA 参数加减法直接合并进语音识别模型，在 CSJ 上把目标域字错率从 13.9 降到 13.3 且不增加推理参数与实时率，代价是提升幅度小于每步调用大模型的浅融合与密度比融合。

该研究用 TIMIT 人工边界为金标准、以 MFA 自动对齐比较时长与 F1、F2，沿 token 递增轨迹检验差异是否缩小并何时稳定，报告 85% 组合显著改善而 F2 最费数据，代价是结论限于朗读式高质量英语且部分元音-特征未改善。

论文针对歌声合成长期偏向流行乐、跨流派泛化未经系统检验的问题，用文本到音乐生成加分离对齐的可扩展流水线构建覆盖 10 大类 26 子类的中文基准 MMGenre，并报告零样本控制仅带来小幅提升而 2 小时摇滚持续训练可将摇滚一致性从 1.5 提升到 4.9 所付出的强数据依赖代价。

该研究以悉尼与布雷德伍德自发语音中五个双元音的整条共振峰轨迹为对象，用广义加性混合模型检验性别与地域差异，最强证据是性别对五个元音均显著而地域对其中三个显著，但轨迹中段差异与单点分析结论不一致的代价是模型复杂且可视化解释受限。

论文针对静态双人语音难以反映真实移动对话的问题，构建了 50 人、64 导脑电加眼动与多路生理同步的移动对话数据集，用重复词检测、包络与轨迹重建和被试间相关验证了注意信号可用性，代价是轨迹特征弱、个体与慢生理信号差异大。

该研究用高能量 glimpse 比例均衡能量掩蔽后比较英语与普通话竞争语音及调制受控噪声，发现降低频谱-时间调制带来的释放可抵消能量掩蔽增加，语言差异的信息掩蔽释放只在低能量掩蔽时显现。

针对多模态意图识别中实例级对比缺少语义锚定、扁平融合忽略层次冗余的问题，MVCL-DAF++ 引入类原型对比与粗到细动态融合，在 MIntRec 上取得 76.18% 准确率与 75.66% 加权 F1、在 MIntRec2.0 上取得 60.40% 准确率与 59.23% 加权 F1，代价是三项损失联合训练与双分支融合的更高复杂度。

针对微型扬声器非线性失真导致线性声区控制泄漏抑制失效的问题，论文用高保真建模网络离线刻画非线性再冻结监督轻量因果控制网络并配合主扬声器锚定策略，在真实手机防泄漏任务 200–2000 Hz 带内取得比线性 VAST 高 3.78 dB、比参数匹配因果 CNN 高 1.80 dB 的声对比度提升，代价是需要两阶段训练与高电平实测数据且暗区仍有残余能量。

针对羌语和藏语变体等缺乏参考共振峰、无人看就容易系统性测错的问题，NewAppVoice 把多种基频与共振峰算法放在同一波形—语图—测量界面中同步对照并允许直接改表，最强证据是白马藏语/dzɑ̀/中 STRAIGHT 法 F4 高估到 4861 附近而 Praat 法与频谱峰在 3500 至 4000 赫兹一致，代价是仍需逐段人工核查且 HNR 等高频段与自 …

该研究以性别延展与非性别延展两组嗓音对比六个零样本语音合成模型，发现人耳相似度上两模型对性别延展组显著更差而三模型反向更好，且说话人相似度和自动平均意见分预测与人耳判断多处不一致，代价是现有自动评测难以替代人工听辨。

针对音频描述中声学证据不足却被语言先验补足的幻觉问题，论文用检索到的宽带噪声保守描述做上下文校准，在 Clotho-1K 上把 Qwen2.5-Omni-7B 的幻觉率从 26.53% 降到 16.98%，代价是依赖人工修订基准与检索编码器且未验证延迟与开放场景覆盖。