Jep-2026 论文

该研究把长语音切成片段并编码为与法语句向量对齐的语音片段向量，直接送入改造后的法语编码器解码器生成法语摘要，在呼叫中心对话和小规模跨语言合成语音上报告了与级联和音频大模型对照的可核对结果，但大模型对照为零样本且跨语言语音为合成。

论文针对基于冻结自监督模型的音频伪造检测器提出无说话人依赖的线性卷积攻击 Malasimplex，在 YourTTS 与 XTTS 两组高质量伪造上把等错误率推高 2 到 7 倍，并在更换骨干时仍保持黑盒迁移，同时以频响曲线解释攻击在哪些频带掩盖伪造痕迹。

该研究用长时重复启动范式比较青年与年长成人在最小语音偏离下的词汇激活，报告年长组出现偏离启动而青年组没有，支持稳固性下降解释，但未测量神经机制与日常听词代价。

该研究以日语长短元音辨别任务检验口面部皮肤拉伸是否改变听觉判断，最强证据是体感条件下日本组报告长元音比例显著上升而法国组无显著变化，同时法国组心理测量函数斜率显著更平，代价是效应只在有该音位对比的母语者中显现且机制仍为解释性推测。

该研究追问词尾 schwa 形成额外音节时延续升调与对比降调如何重新对齐，利用 30 人 1078 个轮廓的已标注语料和 20 加 20 人的新产出实验，报告非南部延续调在 schwa 上掉调而南部保持上升、两地对比调都提前达峰后下降，并提议用次级关联保留非南部延续调的 H% 编码，代价是感知验证尚未完成。

针对西班牙成人初学者英语词重音问题，研究用 9 小时动词-声调式具身感知训练检验识音与产出，最强证据是非同源词识音显著进步与朗读复述差异稳定存在，代价是整体进步不显著且高度依赖双语背景与词类别。

该工作以 XLS-R 高维表示为输入，对比单层全连接与单层 KAN 后端，在 21LA 上把聚合 EER 从 2.38% 降到 1.07%，代价是后端参数从 2.05k 增至 22.54k 但仍远小于主流系统，且在 FoR 等个别集上 KAN 并未取胜。

论文以朗读为参照比较 50 名护理员在访谈与模拟照护中的音节级基频、能量、时长对比和元音离散度，用贝叶斯混合模型与 k-means 聚类报告了照护语音基频升高与超调制及两组个体策略分化，但能量区分弱、轮廓分离度仅中等且存在地域与朗读表现力的混杂。

该研究以一名高级贝阿恩奥克语哨语者的隔离词哨音为对象，用中点哨音基频比较元音、用归一化三次多项式轮廓检验辅音发音部位的协同发音痕迹，显示元音库压缩为四类且齿龈语境系统性抬高元音起始段，而/i/对语境不敏感，但结论限于单人小样本探索。

该研究以 LibriTTS 子集与 LibriTTS-R 对照比较 X-Vector 与 ECAPA-TDNN 在加噪、混响、加静音与神经声码器重建下的嵌入空间结构，报告 ECAPA-TDNN 更稳健但强混响与音频修复仍使类间可分性与最近说话人分类明显下降，而 X-Vector 对环境伪影更敏感。

该研究用自动标注从 200 篇儿童文本中抽出 129608 个法语补唇语钥匙并统计 10 个音位变量，为按学习复杂度挑选视频胶囊提出可复算的排序依据，但尚未完成聋人学习者验证。

论文以法国视听访谈中 2096 人的平均基频为对象，用性别与年代分组的多项式贝叶斯回归比较无区分、按性别区分、按性别加年代区分三种假设，最强证据支持只按性别区分的二次模型而不支持年代整体下移，但代价是结论只限于名人访谈场景且依赖先验与分组设定。

本研究以 6 名平良老年双语人的 760 个可用片段为证据，用中间段共振峰与随时间变化的振幅距离说明摩擦元音同时具有高央元音的共振峰位置和不同于擦音的摩擦时间形态，因而不能简单归为高央元音或音节擦音。

该研究用 80 名口腔与口咽癌患者的伪词解码任务检验可懂度评分是否随词表、面对面与远程场景和评估者经验而变，结果显示词表与场景无显著差异而重度损伤段专家评分幅度更收敛，但专家效应仍是待解释的代价。

该研究以法语词库最小对立为对象，用词频加权且只差一个区别特征的计数估计音位、对立和特征的功能负荷，显示音节首与韵尾、词首词尾的排序差异很大，而归一化与转写选择是主要代价与限制。

该研究以科西嘉塔拉瓦语自发语音中三个基元音的声学测量为输入，用随机森林加留一说话人验证做年龄组分类，最强的分元音证据是/i/的 55,6% 精度，而全局 43,3% 精度与显著的说话人差异说明仅靠元音尚不能实现可靠分类。

该研究用巴黎两所极端社会位置学校的 36 名 8-10 岁儿童朗读任务，报告了女孩在清塞音 VOT 更长、浊塞音前置浊化更长、H1-H2 更高三项指标上均与成年女性方向一致的性别差异，并显示 VOT 性别差在优势学校更大而嗓音质量性别差在弱势学校更大，代价是样本小、无中间阶层且塞擦化仅做听辨加频谱图二分判断而未做统计检验。

该研究以保留原说话人听感为前提替换语音中的敏感词，对比直接波形剪贴与经神经编解码器重建的插入路径以及克隆嗓音与合成语境的选择，用自然度、可懂度和信号质量自动指标报告编解码器路径更优，其中自然度倾向于带原句嵌入的编解码器与克隆嗓音，而信号质量倾向于通用嗓音与孤立词合成。

论文把法语 WavLM 到波形的重建作为连续语音转换的前置步骤，对比只用谱损失与加入多周期多尺度对抗监督的 HiFi-GAN vocodeur，并在 15 个未见说话人样本上用谱、感知和基频指标验证对抗监督带来一致增益，同时以可学习的层融合分析各层贡献。