众包评测

论文用同一批日式英语做分析再合成以对齐口音强度，对比四种指示语和两类评测者并对照三种自动打分，说明笼统问自然度会把口音当缺陷，而问像人声程度并请熟悉该口音的人来听能更公平地比出系统差异。

论文把分块序号与去噪步看成一张二维格子，用两个可叠缩的权重恒等式决定何时重采样，在相同去噪器调用预算下用块边界打分提升长序列奖励，并用奖励到达时机与集合内可预测性解释何时该果断提交、何时值得前瞻。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对动漫感没有统一绝对量表的问题，该工作用 15000 对两两偏好构建评价数据，证明手工声学特征只能到 69.3% AUC 而冻结自监督表示加排序模型可达 90.8% AUC，代价是人群偏男性化与数据规模中等。

该研究用 5357 句覆盖 10 种印度语言的受控基准和 12 万余次成对比较回答多语言 TTS 如何可靠排序，发现 Gemini 2.5 Pro TTS 总体领先且表达力最能预测总体偏好，代价是需要百名量级母语评委和千句量级句子才能稳定排序。

论文以 20 种经典与神经编解码条件的 P.800 实验室与 P.808 众包 DCR 对照为基准，证明未筛选众包存在量程压缩与方差增大，并以陷阱题加最低参考分与量程加锚点排序的组合筛选把条件均值误差降到 MAE 为 0.230，代价是仅保留 7 人因而需超额招募。

针对自监督特征上单次全局线性映射难以适应不同音素局部结构的问题，该文用联合高斯混合的后验加权仿射变换做语音转换，在 CMU ARCTIC 六人互转上以说话人相似度提升为最强证据，代价是混合数增大后高维参数估计不稳定且小数据下无约束模型会出现可懂度和自然度退化。

该研究把漫画页图像先做版面与说话人理解再做提示语音合成，用约 700 页客观对比选定 v2 管线，并以 40 页 150 人主观评价显示自动管线约 2.5 分与人工校正相当但明显低于真人演绎约 4.0 分。

该文针对神经音频编解码与基于其的大语言模型语音克隆在英语口音上的泛化问题，构建含 4000 样本、24 个系统、32 说话人和 10 种口音的平均意见分基准并收集 19600 条三维度标注，报告说话人相似与口音相似高度相关、客观指标可预测主观感受，但同口音听音人存在显著偏置且自然度评价需区分重合成上限与克隆去噪效应。

针对语音匿名后词错误率与人耳可懂度脱节的问题，该研究用 96 组最小对立体做众包实测可懂度，并让 12 个语音识别模型同样参加二选一测试，发现多模型硬投票在条件聚合上达到 0.985 的决定系数，而后验置信加权没有带来增益。

该文在干净与多种噪声及信噪比下比较经典与神经编码的句子级可懂度和听音努力，并检验编码前语音增强的作用，最强证据是低信噪比下经典编码更稳健而增强能显著挽回部分神经编码的可懂度，代价是效果因编码器和噪声类型而异且低信噪比主观评分一致性下降。

该研究用语音克隆固定文本后比较三种语音大模型对六种口音与两种性别呈现的回答，发现在礼貌一致下东欧口音女性帮助性最低，人评比机器评更敏感，但受限于合成音色与小规模人评。

共分析 75 篇语音/AI 论文

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该研究用 146 句普通话 TED 演讲做听辨式显著词标注，发现 65 名母语者的两两一致性平均 Kappa 仅 0.251，提示在声调语言中基于声音显著性的短促判断并不稳定。

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

针对重复扩展使时长只改变出现位置而不改变表示取值的问题，该文把音素加时间通道作控制路径并用神经向量场求解受控微分方程产生连续隐状态，在情感语音上以单层每步一音素取得宏观 Spearman 排序相关 0.53 高于微调基线 0.08，但绝对校准与感知质量仍随情绪和分辨率变化。

该研究用 20 条真、全合成与部分合成语音的 0.2 秒窗口定位任务检验 47 名母语听者，显示话语类型决定检出与质量评分而三种信任线索无主效应，全合成在多数投票下 0/5 正确且人群辨别力接近机遇。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

该研究用劣化加补救的可控流程检验能否以对比语言音频预训练相似度估计人声录音质量并推荐处理，最强证据是强档降噪在噪声与混响上大幅提升对比语言音频预训练相似度却被听众打低分，而去轰头与去闷处理得到听众正向评价，代价是嵌入指标与人耳判断并不一致。