Interspeech-2026 论文

针对统一目标难以适应动作中心与环境中心等不同场景的问题，该研究用策略侧与奖励侧对称的混合专家加组相对优化做上下文自适应音频描述，在 Clotho 上报告了 CIDEr 0.4137 与 FENSE 0.4642 等提升，但 AudioCaps 上 CIDEr 仍不及纯 CIDEr 优化基线且人工评测样本仅 20 条音频。

该研究把对儿童说话检测放在 182 名儿童共 22 小时多语长程录音上，用儿童中心录音预训练的 BabyHuBERT 加 10 秒上下文窗口做三分类，最强证据是验证集平均 F1 从无上下文约 53.2% 提升到 10 秒约 67.0%，代价是训练时间从 22 分钟涨到 2 小时以上且自动切分下性能大幅回落。

针对口音归一化缺少口音强度控制的问题，论文用掩码离散扩散重写自监督语音单元，并以公共单元预测器复用源端单元实现可控保留，实验报告显示自由时长下词错误率为 11.19% 且随复用阈值降低口音度单调回升，但重度口音下的内容保持仍受识别与合成链路限制。

针对跨语言合成中口音不可控且易连带改变音色的问题，该文用 Neucodec 离散声学词元加 Qwen2.5 自回归解码器实现合成，以 Perceiver 瓶颈加梯度反转抑制口音残留再用加权语言嵌入连续调控口音强度，在 Indic 多语言 986 小时和 L2-ARCTIC 上显示口音相似度提升而说话人相似度和 UTMOS 基本保持，但主观 MOS 细节与强度 …

针对越南语—英语语码切换在语音助手链路中字错率与意图损失不一致的问题，该研究提出经大模型修复与问答探针计算的代码切换语义错误率并用商用与自研系统四集基准验证，显示音译策略虽推高词错率仍能保留意图，但语义评测带来更高的计算开销。

针对加噪监督微调改善噪声却损伤干净集并过拟合特定损坏的问题，DASH 增加无标签编码器自蒸馏阶段学习干净与噪声视图的一致性，在 LibriSpeech 上保持干净集的同时改善多种噪声条件，额外开销约为微调时间的 4%。

针对匿名化语音仍残留说话人线索的问题，DAST 用 Fbank 与 WavLM 双流中层融合加原始语音、转换语音、目标匿名语音三阶段训练，在 VPAC 七个系统上以等错误率衡量实现更强攻击，而仅用 10% 目标数据微调就超过现有最优的代价是仍需目标系统数据做适配。

针对老年语音说话人差异大且测试时无目标说话人数据的难题，该文用历史语音加已解码文本经双向跨模态融合与 Q-Former 压缩生成在线说话人提示，在两套老年语料上相对说话人无关基线取得 0.61% 和 1.22% 绝对错误率下降，并以最高 9.83 倍实时率加速替代离线批量适配。

该文把低资源与非标准变体的识别失败界定为语言政策问题，提出七层处境模型与误识、错位、失信三害分类及参与式审计修复闭环，代价是未做新架构实验且验证仍待后续多社区审计完成。

该研究把多方言统一到国际音标输入上，用方言感知混合专家缓解合训时的风格平均，再以参数高效微调扩展 3 小时级新方言并以识别反馈的强化学习整合高质量成都话数据，最强证据是强化学习把成都话词错误率从 29.25% 降到 23.93% 并带动西安话等相关方言下降，代价是整体词错误率和主观分仍落后于数十万小时级商业系统且闽南语等远亲方言错误率仍很高。

针对谐波注意力依赖先验字典而清音恢复弱的问题，论文提出对注意力键和值做有限标量量化的无字典离散注意力，并在 TFGridNet 上验证其与谐波注意力的互补增益，最强组合在可见集提升 0.10 PESQ 与 0.56 dB SISNR，代价是前端与注意力替换带来的额外计算与结构复杂度。

针对未知语音伪造泛化难的问题，该研究用包含扩散重建在内的重建样本构造难样本，并结合多层特征聚合与正则化辅助对比学习提升泛化，最强证据是五集平均等错误率从基线 15.789% 降到 8.247%，代价是在个别集上出现小幅回退且依赖重建与增强配置。

论文在乌尔都语、旁遮普语、普什图语和信德语上零样本评测五种多语言模型并用 11 维误差分类拆解总词错率，最强证据是转写后处理不重训可恢复最高 25 个百分点词错率，代价是最佳结果仍远高于可部署阈值且短句、稀有词和命名实体持续失效。

论文以沙普利归因而非词错率比较六个音视模型在不同信噪比、解码阶段和输入位置的音频与视觉贡献，发现噪声加重时视觉占比上升但音频在负 10 分贝仍占约四成，且信噪比是主导因素而识别难度影响很小，代价是每条样本需 2000 次掩码前向的高计算开销。

针对用稀疏参考 RIR 预测未见目标位置 RIR 的跨场景任务，论文提出按时间分流到双曲分支与欧氏分支再由上下文门融合的 Janus-RIR，在 AcousticRooms 上 K=8 时把 T60 误差降到 7.75% 并把 C50 误差降到 1.12 dB 左右，代价是需要并行双分支聚合与熵正则等额外结构。

针对家具移除与移动后同一声源接收位置的房间脉冲响应更新问题，论文提出以均匀材质仿真代理刻画几何变化的 PG-RIR，在 14 场景留一评估上把 T60 误差降到 0.0316 秒左右，但多步回代会累积平滑且逆渲染基线在大表面数下失效。

该研究用英语词监测加数字预载双任务检验掩蔽语语言与认知负荷的影响，报告显示英语掩蔽导致最差准确率与最慢反应时而类型相似性与高认知负荷未改变词监测表现，且阿拉伯英双语者更慢但不更不准。

针对固定帧率自编码器对不同信息密度分配相同时间预算的问题，该文用轻量潜在预测器度量可预测即冗余并做分段保留与回滚重建，在部署时按保留比例调节平均帧率，代价是边界决策离散且重度压缩下仍需权衡重建质量。

该研究用同一套英语元音辨别任务比较荷兰籍英语学习者与三种神经模型，显示语音大语言模型在多人 babble 训练后提升趋势最接近人类且在稳态噪声下绝对准确率最接近人类，但匹配噪声训练比 babble 训练带来更大提升，代价是结论受限于 100 个训练试次和未分 proficiency 的样本。

针对大音频语言模型中思维链变长后注意力偏离音频的推理差距问题，SPARE 在推理起点插入对齐最终结论语义的寄存器标记做训练期正则，在 MMAU 上达到 58.03%、MMAR 上达到 40.32%，代价是需要带结论标签的微调和对齐权重选择，且推理时丢弃辅助头以保持零额外开销。