Interspeech-2026 论文

该研究用脑磁图在 5 名健康成人朗读 5 个真实短语时检验运动后贝塔反弹是否存在并受构音复杂度调制，最强证据是高复杂度短语组在左侧口部运动皮层的反弹更强，主要代价是样本小且未做统计检验、基线可能受残留调制污染。

论文追问短式预切分与长式连续音频下延迟排名为何互相矛盾，用词级对齐的真延迟做参照对比多种自动指标，发现段后尾词处理是结构性偏差来源，提出只计段内词的 YAAL、长流用的 LongYAAL 与 SOFTSEGMENTER 重分段，最强证据是短式去退化后与长式重分段后的成对排序准确率提升，代价是仍依赖词级对齐质量且需先做退化诊断。

针对重度构音障碍语音与通用模型声学失配及数据稀缺问题，论文用先做词汇域适应再只微调编码器前端的个性化 Conformer 管线，在 UASpeech 平均词错误率 21.5% 与 TORGO 平均 12.7% 上报告优于此前序列到序列方法，并以移动端采集与持续重训闭环支撑儿童使用，但重度 76.4% 基线差距、儿童数据缺失与公开可用性仍受限。

该文用装配演算的稀疏竞争与局部可塑性处理连续语音，在无权训练下以边界变化信号得到音素 F1 为 0.69 与词 F1 为 0.61，以每类循环区的轨迹共振得到音素 47.5% 与命令词 45.1% 准确率，代价是阈值需每句调优且细类区分仍弱。

针对平均标注的唤醒度-效价映射与个人听感错位问题，该文用冻结声学主干、只在二维 A-V 空间做人机交互遗传搜索的个性化层，在保持可懂度和自然度的条件下把偏好率提升到个性化 76% 与文化适配约 65% 上下，但代价是每种情感需多轮试听反馈且结论限于 30 人小样本。

针对语义主导和缺乏认知深度的问题，该研究用同一文本配多种情感的 LIME-440K 迫使模型听声学线索，再以四步 EIPS 显式推理加混合内化与双路由强化学习实现直接共情回复，在冲突语音上把共情分从不足 2.0 提升到 2.91 并把冲突情感准确率从 24.0% 提升到 46.0%，代价是三阶段训练与合成语音和真实微韵律之间仍有差距。

该文在统一录制协议的 18 人芬俄双语 FROST-EMA 上以留一说话人方式系统比较原始 EMA 与声道变量、自监督前端与 MFCC、BiLSTM 与轻量注意力反演器，最强证据是跨性别约降 0.05–0.10 而跨语言约降 0.10–0.20 且舌体收缩位置退化集中在音位活跃段，代价是俄语女性仅 2 人及唇突出维度本身难以从声学恢复。

针对音频深度推理中单模型听觉视角单一与对称投票被弱智能体拖累的问题，提出按能力分配角色与反馈的非对称多智能体框架 AsymAudio，在 MMAR 平均 74.80% 与 MMAU-mini 平均 79.10% 上报告最优，代价是最多三轮的多模型重复调用与大语言模型主持开销。

该研究把评价从分类分数转向可解释探针，用 88 个 eGeMAPS 特征和线性与非线性回归探针测量六个预训练嵌入的可恢复性，最强证据是响度最好恢复而基频最难恢复，代价是拼接嵌入虽互补但高维时反而可能降低任务相关特征的可恢复性。

针对 EEND-VC 局部分割需要处理重叠语音并扩展到长录音和任意说话人数的问题，论文用 WavLM 前端加双向 RetNet 后端做短窗分割，在冻结与微调 WavLM 的两阶段训练下把域内宏平均 DER 做到 15.8% 和 15.0%，代价是后端参数增至 8.6M 且最优结论依赖固定 10 秒训练窗和 VBx 调参条件。

该工作用 47.88M 参数的双向 Mamba2 编码器在约 250 小时 67 语言无标注语音上做掩码离散单元预测，在官方评测以说话人聚类 ARI 0.735 超过四个基线，但语言识别 macro-F1 0.073 与字符错误率 0.870 仍明显落后，且后期检查点出现音素泛化退化。

针对伪造语音攻击下说话人确认失效问题，BiSASV 用说话人全局统计调制反欺骗特征再反向门控说话人嵌入，并在 ASVspoof 2019 LA 评估集上报告 SASV-EER 0.73% 与 min a-DCF 0.0153，代价是依赖预训练前端与联合后端调参。

针对单通道带噪混响语音的盲房间脉冲响应估计问题，Rec-RIR 用去噪加去混响加卷积传递函数估计的多任务网络做混响谱重建再经伪侵入式测量转成波形，在 SimACE 上取得声学参数与早期反射的最优精度，代价是需要直达声对齐监督和 0.96 秒建模上限与 35.2 GMACs 每秒计算量。

针对端到端脑电引导目标语音提取在跨试次上因试次特异结构走捷径而失效的问题，论文提出冻结编码器的两阶段框架 TRUST-TSE，用同目标说话人负采样的对比预训练加置信度加权提取，在 KUL 上达到 62.27% 选择准确率、在 DTU 上达到 70.40%，代价是仍需处理部分脑电引导模糊片段的参考切换与加权。

针对扩散语音增强缺语言约束的问题，该工作用冻结 wav2vec 2.0 特征经 FiLM 在 U-Net 瓶颈调制并做指数平滑，在 VoiceBank-DEMAND 上 PESQ 比同宽 StoRM 提升约 0.4，代价是 SI-SDR 略降且 128 通道仍非实时。

针对神经音频编解码器生成的老年伪造语音检测任务，论文构建英汉老年编解码器伪造数据集并证明旧基准模型跨年龄泛化严重退化，提出以詹森香农散度对齐语言绑定与图像绑定表示的融合框架 BONSAI，以平均等错误率 1.66% 建立新基准，但代价是依赖域内老年训练数据与双基础模型推理成本。

针对威尼托语 gambellarese 方言半自发陈述句中升调是否只是偶发变体的问题，论文用 269 个完整宽焦点陈述句的听辨分类与归一化基频建模证明升调与降调约各占一半且不受重音位置制约，但词尾重音会改变曲线形态与整体音高。

针对人工嗓音采集存在交互偏差、标注分割繁琐与数据迁移不畅的问题，论文提出离线独立运行的 CalliOpeNLP 工具，用合成语音指令加 18 项临床嗓音任务与轻量语音转写合规检查实现自动采集，初步测试显示同任务采集约 18 分钟对比人工约 28 分钟且省去手动分割，但合规阈值与病理嗓音识别准确性仍待验证。

该研究用 20 名言语治疗学生在岗前讲解中对比自然锚音与可控合成样例，报告合成组在感知敏感度与专家一致性上提升更大而自然组无显著变化，但粗糙维度是唯一明显获益项且样本与讲解时长限制了推广。

论文以芦苇为声源、以双手为外部滤波器研究卡西五个元音，用手部运动追踪、共振峰声学与 24 人听辨证明手部可构成可懂元音空间，但高基频压缩与 o-e 混淆带来准确率与反应时损失。