不确定性估计与校准

针对远场对话中流式识别的局部错误，Pardon 用干净音频的反事实解码监督估计重说可修复的增益，再把高分词组成 span 请说话人重说并用大模型只改该段，在控制打断负担下降低词错误率。

论文针对全模态大模型的答案可信度问题，用外部全模态编码器把输入和思维链映射到同一空间算贴合与连贯，再给多数投票加权，在 UNO-Bench 上随生成器和模态小幅改善且在开放式全模态问答上相对最稳，代价是需要辅助切分和少量标注校准。

针对多模态情绪识别中 softmax 被迫自信的问题，论文提出每个模态输出狄利克雷证据并用 Dempster-Shafer 规则融合，在四个数据集上同时提升精度与校准，而代价是需要调冲突权重与 KL 退火且依赖条件独立假设。

论文把压缩语音表示送入 8 比特变分量子电路做瓶颈变换，在匹配经典对照下主要改善固定阈值下的部署代价与校准，最强域外证据是 AASIST 上 EER 相对降低 28% 而真机验证只证明可行且代价不稳定。

RASSG 针对流式语音中用户修正参数会导致已启动工具产生不可逆陈旧执行的问题，用三次识别一致启动加校准无效风险在最后可取消时刻否决继续执行，在受控执行时钟下把 ReCAST 修正子集的陈旧率从 50.00% 降到 3.15%，代价是保留 3.676 s 成功延迟并依赖固定工具时间假设。

论文针对部署中无标签条件下无法判断检测器是否处于熟悉条件的问题，在固定检测器嵌入上用两个参考的正则马氏距离做可信与告警分流，实验显示未被拦截的伪造误接受率降到 1% 以下，但代价是自动覆盖率明显下降且真语音漂移也会触发大量告警。

本文在脑磁语音检索中发现融合后前二分差越大在局部排名靠前时更可能是被修正的错误、靠后时反而更可能是修不好的错误，并用只改变融合权重的干预和保留局部与先验分数的选择性输出证明了该反转的机制与代价。

针对客观音质只给单点平均分而听音试验给出分数分布的问题，用 11 个 PEAQ 特征加 50 个自举 MARS 回归器加全局均值宽度校准来模拟听众分数，校准后在所有数据集上提高了区间覆盖和分布一致性但仍低于名义水平，且成对显著性判断还不可靠。

针对文本图像音频视频混合输入下靠错证据生成的问题，OmniConfess 先冻结候选回答再逐通道重打分形成口供并据此修正判断与局部重写，在 3540 例基准上提升幻觉指标但逐通道重算带来额外推理耗时。

针对目标说话人标注中注册库不能直接当归一化 cohort 的问题，论文提出只看分数分布形状的双项校准，在合成与会议语料上都提升了标注准确率，且不依赖外部数据。

共分析 245 篇语音/AI 论文

论文用冻结 MusicGen 的 token 损失曲线、预测熵曲线与稀疏自编码器隐变量训练轻量评分器，在五个听感基准上拟合人类评分，并用过自信错误与频谱结构解释低分来源，代价是仍需按基准训练映射且组合不总是更优。

共分析 55 篇语音/AI 论文

针对声学基础模型分数不可解释为出现概率的问题，论文用全球数据集学到的 Platt 校准参数迁移到新站点，再以贝叶斯融合加入地理先验，在保持排序能力的同时改善校准，其中 NBSP 在两模型两数据集上取得校准与判别的最佳平衡，但物种级参数预测未能稳定泛化。

该文把板混响辨识做成基于仿真的推断，用多分辨率谱摘要加神经样条流从脉冲响应学参数后验，再对每个测试样本做三轮定向仿真精修并用波形重建误差做选择，在 50 条测试脉冲上把全局误差降到 0.47×10 的负三次方，代价是每次精修约 2.5 小时。

共分析 93 篇语音/AI 论文