信号处理

针对带口音英语被语种识别模型误判为说话人母语的问题，论文只用母语英语和母语非英语语音拟合一个一维偏置方向并在冻结分类头前投影去除，在口音重的语料上大幅恢复英语识别率且基本不影响母语语音判断。

该论文用参考音频的关系结构来重组检索源音频的短时颗粒，再送入预训练生成器，FO 变体在保持声音类别的同时改善了时间对齐并降低了源波形局部复现，代价是离散搜索不保证全局最优且分布指标只是维持而非提升。

本文针对音频时刻检索中解码器预测不准短时刻的问题，对比同一模型的两路输出，发现用无学习参数的峰相对切分把帧级显著性序列直接转成时刻，在 CASTELLA 上显著优于解码器，而训练仍需要解码器监督，实验基于已披露的 200 轮、批量 32、AdamW 学习率 1e-4 等配置。

针对在线日志人数偏多偏少都看不出来的问题，该文只改基线跟踪器何时注册新说话人，用候选池积累证据加确认后才输出，在九个数据集上把宏观人数误差从 225% 降到 21% 并降低宏观 DER，代价是全部输出平均多等 0.109 秒。

针对幅度谱损失丢掉相位、难以端到端学准基频的问题，GOLF-inv 用加性声门源加状态空间格型声道滤波器做可微合成，以谐波支路波形误差加全信号谱损失做无监督训练，在歌声上实现相位对齐重建并直接读出瞬时频率与声门闭合时刻，但频谱失真仍不及使用外部基频的 GOLF。

论文用短时傅里叶域遮蔽加对照审计 AdvWave-P 在 Qwen2-Audio 上的表现，发现八频段排序几乎被扰动能量解释，深层音频表示差异与遮蔽必要性正相关但不能定位因果层。

论文针对客观质量模型是否真与人耳一致的问题，构造保持听感不变但大幅改变波形的四种扰动，用听音验证透明参数并显示模型距离与主观评分排序错位，其代价是扰动只覆盖所验证的参数与单声道条件。

针对一次参考且内容不一致时无法可靠配对帧的问题，StateVC 用源与参考混合拟合的共享高斯状态估计每个状态内的均值平移并以后验加权更新源帧，在 LibriSpeech 一次转换协议上以 8.01% 词错误率和 3.22% 字错误率为内容保持最优，代价是说话人相似度并非全部最高且评估限于英语朗读语料。

共分析 16 篇语音/AI 论文

针对运动神经元病患者构音与认知混杂的问题，该研究只用一分钟字母流畅生成阶段音频，以 WhisperX 转写加 Silero 语音活动检测校准词与停顿边界再提取临床可解释特征回归估计言语流畅指数，最强证据是 P 词全自动 LASSO 达到 R² 0.856、NRMSE 0.053，代价是 S 词在构音障碍语音上误差明显增大且样本仅 42 人。

针对开放式耳机的空间选择性有源噪声控制问题，论文把期望语音保持误差改成频率加权二次惩罚并保持时域低延迟控制，在实测脉冲响应多说话人场景下报告 LTASS 与 oracle 加权在更高 SI-SDR 处取得最大可懂度提升和相当音质提升，而 SII 与 MIRS 的最大音质提升出现在更低失真容忍度之外。

该工作把逆向合成拆成调制去向分类、去向条件 LFO 回归与振荡器波形恢复三步，用可微合成器连接音频损失，在合成与 Serum 2 数据上验证了去向正确性的关键作用，代价是滤波器与振荡器类型仍受限且感知损失需与直接参数监督配合使用。

MAV-C 针对本地渲染等无编码失真场景的视听复杂度估计问题，用熵类音频特征与梯度色彩运动类视觉特征经对数压缩与加权融合得到连续分数，在合成语料上显示单调性与模态隔离，在游戏语料上显示视听分量不相关且仅视觉分量随内容类别变化，代价是尚无主观评分校准且空间模式依赖轨迹元数据。

针对逐帧基频估计后时序平滑易在连续坏帧锁定八度错误的问题，论文用可变 Q 变换互相关估计多跳相对音程并与绝对估计做 L1 联合优化，等价转为最小费用循环流用线性规划求解，在语音歌唱器乐上干净时接近维特比、白噪声低信噪比下提升更明显，但巴布尔噪声与强前端上收益有限且偏移集合依赖估计器。

针对联合音视频模型只输出单条混音而难以分源控制的问题，Soundwich 在冻结流匹配模型上并行生成多条音频干声并共享一条视频轨，主基准上窗口成功率达 93.1% 且窗外活动降至 1.7%，代价是多干声带来显存与耗时增长且复杂重叠场景仍易受干扰。

针对野外录音中噪声与信噪比多变导致逐频谱门控易漏信号的问题，论文提出先对语谱图做二维高斯局部平均再门控的 2D-SG，并在 70 段椴鸟合成噪声与抹香鲸、斑姬鹟实录上验证去噪与信号保留的改进，代价是多出一个高斯窗超参数且低信噪比与下游任务增益待验证。

输入文本提示与听者轨迹，方法先建全景三维代理并发现声源再用几何声传播渲染双耳音频，在 80 个场景上以隔离源 6.91°方向误差和人类首选 79.5% 支持空间一致性，代价是离线多阶段流水线与静态几何假设。

共分析 55 篇语音/AI 论文

该文把离线音乐分离模型不改权重地按单跳滑窗流式运行，用读出位置控制算法延迟，证明窗口长度处存在质量拐点，并在 23 与 93 毫秒下用 HT-Demucs 与 SCNet 达到专用实时模型相当的分离质量，代价是除 HT-Demucs 外仍高于实时计算量。

OmniDream 把静音单目视频先扩成全景视频与三维几何，再为每个发声对象生成干声并用光线追踪仿真脉冲响应来渲染一阶 Ambisonics，在自建集与 YT360 上报告了空间对齐提升，但全景扩展耗时约 1680 秒是主要代价。