会议转录

论文把跨会说话人归属做成一个全局身份映射下的转写评分问题，用同一套单通道串行评测比较五条商用链路、两条学术基线与门控证据的 ThyVoice，最强证据是 ThyVoice 在三种条件下商用最低且全组平均 47.13 对 54.75，代价是重叠与噪声仍带来显著遗漏与身份增殖。

共分析 48 篇语音/AI 论文

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

针对有限真实会议数据下的多人语音识别，论文用语义与说话人双编码器加时间交错输入、按段长度加权的话者损失和按样本损失分布掩蔽重叠高损失词，在约 0.7B 参数下降低重复幻觉并改善说话人归属，代价是交错使输入变长且依赖多阶段训练与强制对齐预处理。

论文提出目标说话人遗忘转写任务与可插拔的注册条件门控模块，只训练轻量门控而冻结双流语音大模型，在 AMI 与 AliMeeting 上把退出者内容泄露率从 72.3% 降到 48.2% 和从 73.6% 降到 27.3%，保留者误差基本持平但混合重叠段仍有可测代价。

针对会议中噪声与音量起伏并存的问题，SE-AGCNet 用 MP-SENet 做增强加轻量 AGC 做响度归一并联合训练，在 LibriAGC 与两套真实会议数据上把响度拉回 -23 LUFS 附近并降低识别错误率，代价是依赖仿真数据与两阶段课程训练。

针对会议中重叠语音难分的问题，该文把 SRP-DNN 估计的波达方向作为显式辅助输入注入 S2SND 主干，并在 AliMeeting 上报告离线相对降低 7.4% 与结合通道注意力后超 19% 的改善，代价是依赖多通道估计与两阶段训练。

共分析 34 篇语音/AI 论文

该研究在 AMI 四人会议上统一比较受话人检测、话轮保持与转换预测、下位发言人预测三任务，显示文本大模型靠长上下文在下位发言人预测上超过人和受监督模型，而包含 Gemini 2.5 Pro 在内的多模态大模型在受话人与话轮转换上仍低于人，代价是对原始音视频利用不足且上下文过长时推理负担上升。

针对端到端说话人日志与识别中说话人判别不足的问题，该文用全局聚类加簇内重编码的分层分类与日志识别联合训练，在 AliMeeting 等三套会议数据上降低了归属误差，代价是依赖离线嵌入聚类与过滤流水线且未验证延迟与大规模开放场景。

针对多人轮替与重叠会议转写，STAM-ASR 在冻结 Qwen2.5-Omni-7B 编码器上加内部说话人日志、残差 FiLM 调制与说话人/会话双记忆，在参考与预测说话人活动对比中显示时间证据与记忆互补，但预测跟踪误差仍是主要瓶颈。

针对真实会议中快速轮转与重叠导致的边界模糊和聚类不稳，该工作在分割级用 OWSM 编码器经 FiLM 调制 WavLM 中间层、在聚类级用已知说话人嵌入复制加权做 KSGC，在 AMI、AliMeeting 和 AISHELL-4 上报告了 DER 下降，但以双编码器计算开销和复制因子需按语料调参为代价。

共分析 75 篇语音/AI 论文

该工作把完整会议说话人日志写成条件于声学输入的自回归结构化词元生成，对比事件式与帧式表示并引入语音活动与重叠等辅助线索，最强可运行证据是事件式 SAD 到 OD 再到 SD 链经 VBx 链接后在 AMI 上达到 24.40% 日志错误率，代价是原始输出跨段身份混乱且重叠区漏检仍然很高。

共分析 29 篇语音/AI 论文

针对语音大模型强化学习只看文本词错率而放任语言先验补词的问题，该研究在训练期叠加冻结字符级 CTC 声学裁判做组内奖励，用一次贪心解码在 AMI 远场会议上把插入错误降低 22.3% 至 28.3%，代价是少量删除错误上升且只验证了单个 7B 策略与 0.3B 裁判组合。

共分析 59 篇语音/AI 论文

论文要解决希腊语混英语电话与会议转写同时过九道生产门的问题，选择不再找单一训练配比而是用路由加解码干预加组合绕行，最强证据是三模型词投票把门覆盖从单模型 4 到 7 项拉到 9 项并把重叠语音词错误率从 53.35% 降到 37.87%，代价是单模型在该规模下希腊噪声门与英语语种识别门所需步数相差近 6 倍而无交集。

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

共分析 19 篇语音/AI 论文