Interspeech-2026 论文

针对语音音乐通用音频在低帧率下难以同时保真与保留语义的问题，OmniCodec 用预训练理解模型的音频编码器做语义分支输入并与声学分支解耦重组，配合自引导损失提升码本利用率，在同码率下重建指标领先 Mimi 但语音语义困惑度仍有代价。

该研究以塔希提语、马克萨斯语和鲁鲁图语的口语塞音为对象，用强制对齐加手工校对与线性混合效应模型检验 VOT，最强证据是三语均为约 20 ms 的短延迟清塞音且后接元音是主要变异来源，代价是语料不平衡且仅覆盖朗读体、未能分离词重音与短语重音。

针对大语音基础模型顺序适配时的灾难性遗忘问题，论文提出只在低能量尾部子空间学习近似旋转并跨任务平均旋转的方法，在两组荷兰语系持续学习基准上把平均词错误率降到最低，但新方言任务的适配幅度仍受保留旧知识的约束。

PathBench 把病理语音可懂度评估限定为无需可懂度标签训练的协议比较问题，用六个公开数据集和三种取材协议检验参考条件与刺激类型的影响，新提出的 DArtP 在免参考方法中平均相关最高但仍以显式参考方法为上限且受对齐与录音条件制约。

针对谱域生成把音高音色内容纠缠且语义条件与谱特征失配的问题，PhASE-Flow 把增强建模搬到 WavLM 表示域内、用高层语音内容表示条件化低层声学表示的流匹配并用独立训练的声码器重建波形，在 DNS 2020 无混响与有混响集上取得可核对的感知与可懂度收益，代价是依赖冻结大编码器与独立声码器且四步推理外的效率与幻觉边界仍有限。

为解决离散音素表示难以做平滑语音编辑的问题，论文提出给每个音素类学习一个高斯先验并用监督对比损失拉紧推开隐空间，在 LibriSpeech 训练并在 LJSpeech 与 CMU ARCTIC 上验证插值可听辨且编辑语音质量接近原始录音，代价是依赖强制对齐与仅限英语验证。

针对病理语音匿名需保留诊断线索的问题，Phy-VC 用发音到声道几何再到共振的物理瓶颈代替无约束谱包络估计，在只用标准语音训练下提升口吃与老年语音的可懂度与韵律并保持匿名，主代价是鼻音建模仍限于全极点滤波器。

针对未切分音视频流需要低延迟生成可确认机器人动作的问题，该工作把 AVBLIP 的 Q-Former 改为按秒分块加左上下文的流式结构，用三组注意力掩码实现并行训练，在 YouCook2 上以 1 到 3 秒提前量实现在线生成，代价是动作与描述质量相对离线下降不到 10%。

该文针对带相对位置编码的 Conformer 在模拟忆阻器上执行时退化加剧的问题，确认编码后线性层的输出范围超出默认 ADC 量程是主因，用只放大位置编码层量程或去掉该线性层两种可运行方案分别将退化相对降低约 50% 和约 30%，代价是 ADC 面积功耗约束与基线小幅损失。

针对平均意见分标度受评分人和测试协议影响而噪声大的问题，PrefSQA 研究完全不看 MOS 的成对偏好预测，用语义声学双编码器加不确定性温度、损伤注意力与批内非匹配参考头建模，并在 MOS 衍生、低噪声仿真与真人偏好数据上验证，显示高质量数据才能让结构改进显现，但小间隔样本仍是主要误差来源。

针对南阿塞拜疆语标注极少且用阿拉伯字母书写的问题，论文用社区朗读、北阿塞拜疆语音转写和独立难例集三路建数据，并在八个模型上做微调对照，最强证据是社区微调后的 MMS 在 GoldSet 上取得相对最好的词错率，但长短句、书写歧义和跨方言声学差异仍带来明显代价。

该研究以线性探针检验预训练语音嵌入与声学、语音和结构特征的关联，最强证据是振幅与频谱特征在测试集上可解释约五成方差，而形态句法特征几乎不可线性读取，代价是中值池化和线性假设可能压低结构信息的真实含量。

论文用 1.6 到 100 Hz 的 DAC 受控消融追问低帧率劣化原因，用固定序列长度训练把 6.25 Hz 的词错误率从 107.40% 拉回到 15.37%，代价是更低帧率下随音素负载平滑上升的可预期信息损失。

针对无对齐句子重音检测中深层语义表示压制细粒度韵律的问题，ProWhistress 用冻结 Whisper 隐式流加可训练声学显式流做门控融合，在英汉五套基准上以 SinoStress 合成到真人录音几乎不掉点的证据支撑跨域鲁棒性，代价是新增声学编码器与融合头的训练与调参负担。

针对噪声下自信但错误的强制转写问题，该研究用片段级弃权占位符 PH 与经人偏好校准的可靠性分数 RAS 组织评价与训练，并在 LibriSpeech 与 TALCS 上以两阶段监督加强化学习提升可靠性，同时保留了可用转写内容。

针对家庭间域偏移与多说话人重叠的婴儿中心家庭录音，该工作用 LoRA 微调的 Whisper 编码器加目标说话人提取与分层分类器做帧级多层标注，报告平均 74.88 Macro-F1 与 68.14 κ，最强证据来自消融与跨层比较，代价是测试家庭偏移未显式建模且测试时自适应增益有限。

该文要解决多人多设备共享声场下数据难采集难复现的问题，选择把场景定义与音频渲染分离为轻量菜谱加按需渲染，演示了手动搭建单场景与规则批量生成场景集合两条路径，但未报告定量识别或增强收益且未给出可验证的公开资源。

该文把方向跟随 TTS 定义为相对修改任务，用印象可控 TTS 生成伪语音对再由大语言模型补写导演指令来构造伪三元组，并训练固定主干上的流匹配风格精炼器，报告显示伪数据提升说话人稳定性而真人录音提升方向对齐，二者结合取得平衡。

针对脑电与语音包络的时间对齐分类问题，SCANS 用扩张卷积前端加跨模态注意做双向融合，并以交叉熵加有监督对比损失联合训练，在 SParrKULee 上 N 为 2、t 为 3 秒时总分报告为 86.1，但长窗与多候选条件下的方差与泛化代价仍需对照原文条件理解。

针对文本、音频、视觉三模态情感回归任务，SeRIn 用分组融合令牌加掩码隔离与只读视听通路推迟无约束交互，在 CH-SIMS 与 CMU-MOSEI 上全面超过 DeepMLF 等基线，代价是每 MM 块三组交叉注意力带来的可训练参数与计算增加。