Interspeech-2026 论文

该文针对零样本语音合成中连续且随时间变化的情感控制问题，提出把效价唤醒优势三路低秩更新与正交约束注入主干并用 Flow-DGPO 做偏好对齐，在约 50 小时训练数据上提升情感跟随的同时保持可懂度和说话人相似度，但跨语言提示下说话人相似度仍有差距。

针对自监督编码器加 CTC 微调在非母语口音上退化的问题，该工作在不改推理结构和不加口音标注下引入话语级监督对比辅助损失，在 L2-ARCTIC 未见口音上把 W2V2-Large 的词错误率从 9.98% 降到 7.41%，代价是需要同文本多说话人的成组批次和仅训练期有效的投影头。

针对语码切换点附近集中出错的问题，该研究用只改切换点的近似错误文本做对比训练，在两个中英与越英基准上同时降低整体词错误率和切换点错误率，代价是离线依赖大模型扩写与三重过滤的额外构造流程。

针对多项选择音频问答中模型依赖文本先验的模态偏置问题，论文提出免训练的测试时重打分方法 CoRE，用块置换加块内反转构造反事实音频并做自适应门控融合，在 DCASE 2025 Task 5 与 AIR-Bench 上一致提升，最强增益在生物声学子集但复杂推理子集增益较小，且每样本需多一次反事实前向带来推理开销。

针对跨语言语音语料需要用更少句子覆盖全部音素的问题，corpusgen 用评估、选择、生成三命令共享发音转换与覆盖追踪，以贪心与精确优化等六种算法做句子选择，并在 40 种语言 12 个语系上验证，但原文未给出可复述的逐算法句子数与耗时数字。

针对长时多事件空间音频中全局对比学习会平均掉局部语义的问题，CoSTALA 用解耦的语义与空间编码加时序编码器与四重多粒度损失建模顺序与位置组合，报告显示完整组合在全局时空检索上达到最高的召回而纯语义表示则大幅下降，代价是需要合成的空间化数据与多路编码推理流程。

针对神经音频编解码器量化导致水印提取跌到随机水平的问题，该文不改嵌入器而在解码前加频谱修复，并用分类器为每种编解码器选专用修复模型，在多码本残差量化编解码器上把比特准确率恢复到 98% 以上，代价是每种新编解码器都要单独训练一个专用模型且单码本极低码率下基本无效。

针对词级重音与语速控制易破坏全局自然度的问题，CraftTTS 用外部教师构造偏好数据再经 SFT 加 DPO 加 GRPO 渐进对齐，最强证据是完整模型在 NMOS 达 3.87 和 SPMOS 达 3.35 的同时 CER 为 7.01%，代价是 CER 与说话人相似度略低于原始 CosyVoice 2 个基线。

针对基会话与增量会话存在域偏移的跨域小样本类增量音频分类问题，论文用对抗训练模拟伪目标域加监督对比学习塑形嵌入空间，在六组跨域配对上报告了更高的平均准确率，代价是基会话需两步交替训练且增量阶段冻结编码器。

论文以扰动归因显著图为参照检验交叉注意力，报告其与输入显著图仅中等相关且删除指标从 91.3 掉到 41.2，说明它是有用但只有一半解释力的轻量线索。

针对注册与测试语言不一致时说话人确认性能下降的问题，该工作用 w2v-BERT 2.0 做冻结前端加多层聚合与三阶段训练，在 tv26 eval-A 上报告等错误率 2.21%、eval-U 上报告 2.99%，代价是 580M 级前端带来的计算开销与对域内微调数据的依赖。

针对目标情感与文本语义冲突时情感表达下降的问题，该研究用文本情感替代无条件分支并按不一致程度动态调整引导强度，再把引导信号蒸馏回模型，最强证据是在中性参考下情感识别准确率从 50.63% 提升到 59.55% 且词错误率降到 3.76%，代价是推理期曾需要外部大模型判断和双路解码。

针对低资源声调语言缺少专用声学模型的问题，CrossPhon-Tonal 在发音特征映射后增加自动声调映射，在六种声调语言上达到与专家人工映射可比、并在多组上超过 3600 小时 Global English 模型的一致率，但低训练量模型与克罗地亚语等边界条件仍暴露明显短板。

针对文本到中国传统器乐音乐生成缺少配对数据的问题，论文构建 741 对超 42 小时的 CTMusic 并用独奏到合奏的两阶段 LoRA 微调验证 Stable Audio Open，最强证据是微调后客观与主观指标全面超过预训练基线，而代价是新增 TTT 层带来额外可训练参数与两阶段训练开销。

CtrlSpeech 针对整句级控制难以修改局部韵律的问题，在 DiTAR 连续声学建模上叠加全局说话人条件与音素对齐的音高、响度和时长信号，零-shot 可懂度和相似度与复现 DiTAR 相当，而显式控制使音高、响度和时长误差大幅下降，代价是纯文本时局部韵律仍不准且依赖基频提取与强制对齐质量。

针对无可靠教师模型的低资源语言因式分解编码问题，CycleCodec 用编解码器内部的循环说话人交换自监督代替蒸馏，在英语训练、中越零样本测试中提升了解耦稳定性，重建 WER 仍弱于有 WavLM 教师的 LSCodec。

该研究用 61 人 769 条德语语音日记同时比较声学与文本模型推断每日唤醒度效价与压力，文本模型在人群层面明显占优但仍偏向特质差异而非日内状态追踪且声学整体接近零效应。

针对生成器持续演化导致判别边界失效的问题，DASM 只用真实音乐学习记忆库流形再用原始与偏差双分支判别，在 SONICS 上报告 0.13% EER、99.89% 准确率、99.98% AUC，代价是跨域到 FakeMusicCaps 时 EER 仍升至 25.59% 且需两阶段训练与 MERT 提示调优。

针对四川话低资源识别中方言词被高频普通话同音词替换的排序错误，DASR-CPO 在 LoRA 微调后用挖掘出的普通话混淆做跨度级无参照偏好优化，在 4.53 小时数据上把字错率从 24.85% 降到 22.58%、实体 F1 从 72.82 提到 74.15，代价是依赖词表覆盖与非说话人无关划分。

针对非典型语音数据少且差异大的问题，该研究用变分低秩适配估计认知不确定性并合成音素难度分来指导过采样，在英语和德语数据上降低了个性化误差，但加深个性化会带来通用语音上的遗忘代价。