Interspeech-2026 论文

针对 1 秒短时声场景分类中局部事件导致长短窗预测不一致的问题，论文提出语义对抗训练以抑制事件偏差，在 TAU20 上把总体准确率做到 63.5%，其中最高差异分位提升 12.0 个百分点，代价是在最稳定分位小幅回落约 1.2 个百分点。

该研究用 70-170 Hz 高伽马时频包络作为输入、以 128 维对数梅尔谱为目标，用因果扩张 WaveNet 解码器做神经到频谱映射，在 10 名被试上报告 PCC 约 0.90-0.95 而 STGI 约 0.48-0.53，代价是被试间电极覆盖差异大且未做波形与听感验证。

该研究把对抗扰动从波形搬到冻结 DAC 的连续隐空间，用条件生成器一次前向产生目标扰动，在语音指令、环境声、声场景和说话人验证上报告最高 99% 量级目标攻击成功率与 7 毫秒内推理，但以白盒可微流水线和冻结编解码器为前提。

该研究针对十个欧洲葡萄牙语域各训一个模型再合并成一个可部署模型的问题，对比 11 种合并算法并提出 BoostedTSV-M，最强证据是欧洲葡萄牙语全集平均词错误率 11.55% 略优于联合微调 11.58%，代价是非欧洲葡萄牙语分布外英语与多语言性能相对回落。

论文在英语与意大利语双语识别上只联邦更新投影器与 LoRA 而冻结编码器与大模型主体，用 100 轮、每轮 30% 按说话人划分的客户端对照集中式训练，最强证据是单语联邦与集中式差距仅 0.3 至 2.6 个百分点，而双语随机选择下英语差距扩大到约 10 个百分点，需用样本聚类与早期语言偏置把英语差距压回约 3 个百分点。

针对构音障碍语音可懂度低且隐式重构缺乏可解释性的问题，该研究选择先用共振峰对齐频谱变换显式修复元音空间再做说话人自适应合成，在中英文多库上报告 29% 到 72% 的识别错误率下降和主观可懂度近翻倍，但以说话人相似度轻微下降为代价。

针对标注少、无标注多且有教师模型的语音识别，论文把有监督学习放顶层、无监督学习放中层、知识蒸馏放底层做三层嵌套优化，用两次惩罚型双层梯度下降求解，在 LibriSpeech 上以词错率下降为证据，但惩罚系数调度敏感且解码与资源条件受限。

论文用 8 个时长节奏指标加线性混合模型、分层聚类与线性支持向量机检验 5 种东北印度英语和 2 种印地语，再用 2048 维语种识别嵌入经主成分分析降至 42 维后做线性判别分析投影，发现英语内部高度重叠而印地语可分，且第一主成分与元音占比强相关 r=0.77，代价是英语变体分类准确率仅在 chance 附近且材料语言不同带来混淆。

针对咳嗽筛查结核任务，论文用频谱描述子与音频基础模型表示做异构融合，提出共享双曲原型码本加老虎机可靠性加权的 COBALT，并在 CODA TB 基准上以 MFCC 加 PaSST 取得最强结果，代价是更多适配与融合模块和跨设备泛化仍待验证。

论文比较语义、语义加声学、纯声学与标签四类语音表示在两种面部解码器下的三维面部动画质量，发现能编码音位类别且不含低结构声学信息的表示更准确，而标签表示支撑了文本到语音与面动的统一管线，但混合声学信息反而有害且重建误差与感知并不一致。

该研究用跨通道启动比较孤立词与高低可预测句中浊音目标词的身份优势，发现孤立词中嗓音起始时间模糊度以渐变方式缩小目标与竞争词反应时差，而句子中可预测性扩大该差值却不再受模糊度调制，代价是结论只限于词汇竞争层面且未直接检验语音编码保真度。

论文指出按频率选词 n 元组会混入主题词而高估证据强度，改用显式定义的 156 个功能词集并以 ANOVA F 值筛选到 50 维，在 104 名澳大利亚男性说话人电话对话上从 Cllr 0.83 改进到 0.78，但仍弱于含主题词基线的 0.60。

针对普通话多音字消歧依赖大模型且无法预测训练未见读音的问题，G2PO 用 RoBERTa-tiny 加词典融合与词性辅助，在仅 3.99M 参数下在 CPP 上报告 99.15% 准确率并在未见读音上报告 70.79% 零样本准确率，代价是仍依赖外部词典覆盖与 Jieba 生成的词性标签。

针对分布式麦克风阵列下去中心化独立向量分析的跨阵列序号错乱与强跨阵列耦合问题，该文引入波达方向几何约束与按阵列分带的源模型，在 2 至 8 阵列、无噪与噪声混响仿真中提升分离指标与序号一致性，但依赖已知方向与同步假设且未测通信延迟与真实录音。

GRATS 针对普通话声调对时长扰动敏感而人工变速参考失真的问题，用 25 人×60 句×5 速共 7500 句自然平行录音做基准，报告了极端速率下时长与基频一致性下降而可懂度与感知质量出现分化的证据，代价是仅覆盖台湾朗读语料且暂缺主观听感验证。

论文以 WavLM 与 wav2vec 2.0 的 12 层帧表示为对象，用 k 近邻估计的局部本征维度量扰动引起的几何膨胀，并报告该膨胀与词错误率退化同向出现、层级 LID 向量可区分对抗与良性输入，但高信噪比下可分性与攻击成功率同步下降。

针对 Whisper 在静音与非语音上产生虚假转写且 30 秒窗口被短语音浪费的问题，论文用前置锚音频做输入级接地与分隔符，在不改模型不微调下把总体词错误率从 32.18% 降到 13.23% 并把非语音幻觉压到 0.14% 左右，代价是锚短语需按领域挑选且批量失败时要回退重算。

针对端到端语音识别在真实无处理语音上是否幻觉的问题，论文用 Earnings 22 加七模型加人工跨度标注构建 HALAS，最强证据是字符与语义代理指标仅 81% ROC-AUC 而先进检测器仅 53.1% F1，代价是数据集为富集幻觉的高难度采样且不能反映真实部署频率。

针对阿联酋阿拉伯语口语与标准语差异大、已有语料多为标准语或埃及黎凡特方言的问题，Hamsa 构建 11 小时人工转写对话语料并用统一超参数微调多语识别模型，最强证据是 Whisper-v2 词错误率从 42.25% 降到 24.46%、字错误率从 71.91% 降到 8.27%，代价是规模仍小、说话人未严格隔离且原始音频暂只提供转写与采集脚本。

针对阿拉伯语发音评估缺乏临床对齐工具的问题，Harf-Speech 用标准音素生成加微调语音转音素加对齐加权评分的模块化路线，在 40 句三位专家评分上达到与专家均分 0.791 皮尔逊相关，代价是临床样本小且依赖微调后的音素识别精度。