Interspeech-2026 论文

论文用最大似然分类器在 Warlpiri 语 VCV 材料上比较辅音内在线索与元音外在线索，显示只用辅音内在线索时五个塞音很易混淆，加入相邻元音中点共振峰后辅音分类显著提升且元音识别不下降。

VoxKit 针对无桌面工具同时集成强制对齐与发音优度分析的问题，用可扩展的桌面流水线串起数据集注册、对齐器训练、双引擎对齐与声学优度打分，其最具体的可核对条件是 42 音素库存下 10 ms 分辨率的帧级后验打分，而代价是本文未报告对齐精度与评分有效性的定量实验。

WASIL 针对阿拉伯语级联语音助手的用户差评混杂问题，用 9304 轮野外语音加双路 ASR、金标改写与可回答性标注分离转录与问法因素，并用多法官无参考评分报告金标与 ASR 输入下的性能差距与方言代价。

针对示例查询语音词检测中变长发音的记号不一致问题，wav2tok 2.0 在 BEST-STD 骨干上先做对比学习与向量量化再加 CTC 与 DTW 帧级对齐，在 LibriSpeech 与 TIMIT 上一致提升检索一致性与 MAP/MRR，代价是两阶段训练与自适应加权维护。

针对非洲语言自发语音缺失与评测不公平问题，WazobiaSpeech 以 2540.8 小时、2865 人的多域自发采集加分层质检构建基线，微调后 Whisper Large-v3 取得最好域内词错误率，但声调丢失与正字法分歧仍是主要代价。

论文以问答式任务检验榜单前列开放语音识别模型在口吃与构音障碍语音上的泛化能力，用统一预处理与贪婪解码比较五种架构，最强证据是平均词错误率相对榜单膨胀 2 至 5 倍且极端幻觉可达 24 倍，代价是逐字转写取向与长时读句任务上误差急剧放大。

该文构造只含合成语音的 2732 小时 66 语言语料 LRLspoof，用外部混合基准标定的等错误率阈值做零样本迁移评估，发现同一检测器在固定合成器下跨语言的伪造拒绝率可相差数十个百分点，但该结论只刻画伪造拒绝一侧，未测量目标域真人语音误拒。

针对 10 万小时野外伪标签数据与 10-100M 专才模型的失配问题，论文用说话人、语音、语义三种嵌入做最大边缘相关选择，仅用 5% 数据就超过全量训练，最高相对词错误率降低 36.8%，代价是贪心选择计算贵且多域统一选择效果不稳。

论文把非语音幻觉当作编码器表示中线性可分的方向来检测，用原始激活转向和稀疏自编码器潜变量加性转向做免微调干预，最强证据是完整非语音测试集上 small 从 72.63% 降到 14.11%、large-v3 从 86.88% 降到 27.33%，代价是中文 CER 明显上升和语音 WER 小幅波动。

针对 Whisper 长语音中静音幻觉、重复循环和内容遗漏互相放大的问题，Whisper-CD 用高斯噪声、静音、全零谱与时间平移三种负信号在解码时做多负例对比减法，在五个英文长语音基准上报告最高在 CORAAL 降低 24.3 个百分点，代价是每步要多算三路解码。

针对第一视角下判断说话人是否在对佩戴者说话的问题，该工作用说话人身份与对话轮次感知的文本上下文建模加注视感知的视觉分支，在 Ego4D 验证集上报告 72.40% mAP，代价是依赖转写、说话人聚类与冻结视觉骨干的级联流水线。

该研究以四个英西语料检验话轮末尾词是否比句中词更长，用同词同人配对与音节定位排除选词假象，最强证据是排除回馈词后 pooled 差 203.1 ms、d=1.22，而代价是未建模语速句法且只覆盖两种语言。

针对端到端语音大模型相对文本模型在推理与指令任务上的退化，论文提出跨模态同策略蒸馏 X-OPD，让学生在语音与文本上自己采样再由文本教师做 token 级打分，最强证据是 Qwen3-Omni-A3B 语音平均下降从 11.29% 降到 3.43% 且 MMAR 保持在 69% 以上，代价是需要严格语义一致的平行语音文本对与在线教师打分开销。

YODAS v3 用分语言关键词搜索与去重爬取解决大规模多语料的语言偏斜问题，以 48 kHz 多声道原始 OPUS 保存与带宽声道实测为证据支撑高保真主张，并以 7 语种识别与三采样率编解码基线显示数据可直接使用，代价是弱标注噪声与网络音频域复杂性仍在。

针对只有极少量目标说话人录音时直接混入大量零样本合成语音会提升可懂度却拉低说话人相似度的问题，ZeSTA 用轻量域嵌入区分真假域并对真实数据做小倍数过采样，在 LibriTTS 上把相似度从 0.765 恢复到 0.815 左右，同时保留可懂度增益，但额外合成数据的扩展仍会带来相似度轻微回落。