信号处理

针对麦克风布局与数量变化时的三维波达方向估计，GAMF 用候选方向阵列传输函数做声学描述，分别构建可学习的麦克风对齐匹配与解析的归一化匹配，并以门控融合，在仿真噪声混响下学习分支更稳健，而八麦克风 LOCATA 上混合达到球面平均误差 3.76 度、方位角 2.87 度，但干净低混响下解析方法仍有优势。

在机载旋翼自噪声下识别十个飞行指令词时，跟踪窗前两秒每频带噪声地板并做条件化输入，能在保持对数梅尔基线误报率的同时把低信噪比检出率转成实际增益，而直接相减的归一化虽能提逐段准确率却会放大连续噪声上的误报。

论文把声道建成可微声学管道，用频域传输线求解与可微湍流门控合成元音辅音，再用神经场参数化做梯度反演，并在自监督声码与无配对语音到 MRI 视频上验证，但逆解不唯一且鼻腔未建模。

针对七类浴室助老声事件识别，论文用可学习 sinc 带通前端加深度可分离卷积的 SincDPNet，在环境不相交评估下以 2848 参数达到 75.7% 准确率与 0.661 宏 F1，以 14040 参数达到 80.2% 准确率与 0.760 宏 F1，代价是水声重叠类与门和助行器瞬态仍集中混淆。

针对语音语言模型生成后须经编码器重读记号并发生替换的问题，Redwing 用替换图谱基与分离求解的嵌入检测函数实现可复现的鲁棒水印，在 Moshi 经 8 次 Mimi 重合成后保持 80.7% 检出率，代价是与 KGW 相当的语音质量变化。

针对声码器到神经编解码器合成范式迁移导致的泛化下降，论文先用共享线性分类器比较 12 种声学表示，再提出双视角 MN-P 融合 token 级分层 XLS-R 与话语级 pooled 无人声残差，在合并测试集上把最强重训基线的等错误率从 5.986% 降到 2.744%，未见编解码器子集从 15.692% 降到 6.136%，代价是依赖离线人声分离与冻结大模 …

共分析 93 篇语音/AI 论文

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

该文把音调区间向量改写为可逆算子并做感知平滑，用置换搜索做对齐、用四五度圈上圆形最优传输做插值，再以圆柱几何表征分解音阶根音、密度与色彩，代价是平滑后不再保证非负且圆形传输仍要求非负输入。

共分析 43 篇语音/AI 论文

该研究用自适应能量包络检测朗读中的浊音 burst 与停顿，把六个跨语言一致差异的时间特征按语言匹配对照标准化平均为 CTSI，在 89 例 HD 与 82 例对照中与 cUHDRS 等临床分数强相关，最高为 SDMT 的 r=-0.77，代价是仅用时长信息且未做纵向验证。

针对只改一两个词的部分语音伪造，论文用神经编解码器压缩原声并以时间重复最低有效位方式预先藏回自身，再比较接收信号与自重建的动态时间规整差异做检测，在单双词替换下把等错误率降到约 9% 和约 5%，代价是发布前必须嵌入且极短篡改仍难检。

针对双麦克风手机上换姿势就失效的贴近麦克风语音检测问题，Ada-Mic 用广义互相关向量隐式携带到达方向信息辅助距离判决，在保持主干不变的可插拔双分支结构下过渡距离与噪声条件下取得最高约 24% 的准确率提升，而额外计算量仅为 ProxiMic 的 7.6% 与 HuBERT 的可忽略水平。

针对实测方向响应中未知空间平移破坏有限阶球谐处理的问题，论文提出最大化有限阶能量比的有限阶质心做声学校准，并在插值平滑、方向已知编码与 HRTF 对称性校准三类任务上显示其可用性，代价是高阶目标变平坦需正则与分频段搜索且不能解决非平移失真。

论文用声学到发音反演加协调特征谱量化自然对话中的发音卷入，在 1381 对非自闭对话和 62 对含自闭与混合神经类型对话上显示同神经类型趋向复杂化和靠拢而混合对齐最弱，且卷入与自评会话成功正相关，但只报告群体趋势与相关性而未验证因果与实时开销。

论文要解决从常态嗓到嘎裂嗓转变点的自动定位问题，选择不惩罚八度跳变的 REAPER 基频加声门闭合时刻估计配合导数阈值与能量峰约束，最强证据是 474 个澳式英语/hVt/样本上与人工标注的组内相关系数为 0.768 且元音长短效应结论一致，代价是自动法系统性偏早一至两个脉冲且仅验证了一种音系来源的尾部嘎裂。

针对多尺度频谱损失对频率参数梯度无信息且纯频谱方法处理缺失基频困难的问题，该文用可微 CARFAC 听觉模型的稳定听觉图像提取音色归一化周期特征并结合最优传输距离做纯音音高匹配，在合成目标上改善了梯度方向准确性，但计算开销约为常规损失 30 倍且真实人声仍困难。

论文要解决普通麦克风语音缺少声门下共振测量的问题，选择先用多尺度谱学习从语音生成颈部加速度计波形再用自适应线性预测同时估计跟踪三个共振，最强证据是未见说话人上生成信号与真值估计误差约 25 赫兹、连续跟踪误差约 25 到 83 赫兹，代价是依赖浊音元音段和线性预测参数自适应校正。

针对发音合成中声带碰撞阶段被硬裁剪为零而不够自然的问题，该研究用指数过渡的软接触与软分离加偏斜控制重建声门面积波形，在保持相同合成器与参数网格的听辨中以 58.1% 的偏好率和 3.02 对 2.68 的平均意见分胜出，但优势随预发声开度和相位等条件变化。

该研究用无线颈带双传感器在日常连续估计声压级与声门下压之比的生态发声效率，14 名女性被试显示患者日常均值更低且波动更窄、超出个性化正常范围的发声时间显著更长，但样本小且为初步结果。