信号处理

针对羌语和藏语变体等缺乏参考共振峰、无人看就容易系统性测错的问题，NewAppVoice 把多种基频与共振峰算法放在同一波形—语图—测量界面中同步对照并允许直接改表，最强证据是白马藏语/dzɑ̀/中 STRAIGHT 法 F4 高估到 4861 附近而 Praat 法与频谱峰在 3500 至 4000 赫兹一致，代价是仍需逐段人工核查且 HNR 等高频段与自 …

针对病理语音匿名需保留诊断线索的问题，Phy-VC 用发音到声道几何再到共振的物理瓶颈代替无约束谱包络估计，在只用标准语音训练下提升口吃与老年语音的可懂度与韵律并保持匿名，主代价是鼻音建模仍限于全极点滤波器。

针对日语高低重音与汉语声调等音高敏感语言的口语练习问题，Amadea 选择用语音识别推定意图短语再合成母语参考音并比较归一化基频轮廓的方法，其可核对的证据是 16 kHz 解码与 80-400 Hz 区间 pYIN 估计等具体流水线参数，代价是单参考轨迹对照与识别及对齐失败等未验证环节。

ARIS 用神经网络只做从波形到声码器系数的分析、用无参数 DSP 做合成，在每人不足 1 小时的五个单人语料上达到与 WORLD 可比的拷贝合成质量，并以约一半于 KlattGrid 的 F2/F3 误差实现单线索编辑，但高频自然度预测分仍略低于微调后的 HiFi-Glot。

该研究用可动积木加凸轮的 VTM-UT30-D9 物理声道模型复现 Bob 与 bomb 的鼻化协同和 abra 丛集时延，报告了随 VEL 耦合增大的极零点变化与随步骤递增的识别率单调下降，最强统计证据为趋势检验卡方 42.538 而代价是相邻步骤仅一组显著且依赖手动与凸轮操作条件。

针对球麦测得空间房间冲激响应中早期反射互相重叠且高度相关的问题，该文把声场写成连续平面波叠加并反演方向核，再用球面高斯拟合与信息准则数出反射个数，在仿真与实测中提高了多回声同时存在时的定位精度与检出率，但弱回声仍受动态范围与阶数限制。

针对构音障碍语音可懂度低且隐式重构缺乏可解释性的问题，该研究选择先用共振峰对齐频谱变换显式修复元音空间再做说话人自适应合成，在中英文多库上报告 29% 到 72% 的识别错误率下降和主观可懂度近翻倍，但以说话人相似度轻微下降为代价。

针对分布式麦克风阵列下去中心化独立向量分析的跨阵列序号错乱与强跨阵列耦合问题，该文引入波达方向几何约束与按阵列分带的源模型，在 2 至 8 阵列、无噪与噪声混响仿真中提升分离指标与序号一致性，但依赖已知方向与同步假设且未测通信延迟与真实录音。

针对 Whisper 在静音与非语音上产生虚假转写且 30 秒窗口被短语音浪费的问题，论文用前置锚音频做输入级接地与分隔符，在不改模型不微调下把总体词错误率从 32.18% 降到 13.23% 并把非语音幻觉压到 0.14% 左右，代价是锚短语需按领域挑选且批量失败时要回退重算。

该研究在十个城市中心 2×2 km 街区施加完全相同的无人机与载客 eVTOL 飞越作业，用道路基线加低空航空器增量的三维声传播仿真，证明水平与立面暴露差异主要来自既有道路噪声基线与城市形态的联合塑造，代价是恒定 100 m 平飞、标准化交通与单街区代表等强简化假设。

论文用相位声码器时间尺度变换做前端匿名，研究其对语速停顿等交际特征和高层评分的影响，最强证据是微调后匿名与原始词错误率差距缩小到 0.17 个百分点，代价是停顿计数等切分细节仍有波动且说服力构念相关偏低。

针对无电控条件下复现语音动态的问题，该研究用直线凸轮与旋转凸轮分别驱动六个发音滑块，并以可插拔板片实现凸轮廓形可编程，在“I love you” 一句上得到两种凸轮下大致相似的共振峰轨迹，代价是每句需重新设计和拼装廓形。

该文把固定脉冲与随样本指数加长的滤波器做时变卷积并扩展到球谐域，用近最小相位滤波器拟合由非平稳高斯过程采样的方向相关混响时间，以快速分治卷积从噪声或已有脉冲生成新的空间脉冲响应，代价是滤波器阶数不足时指数放大会放大拟合误差且长混响方向必须更平滑。

论文针对巴西葡萄牙语合成语音口音稀释问题，用多语言音素识别加传统声学分析构建说话人级音系画像，仅在自然语音上拟合核密度估计即显示可分性，并在自建集与公开反欺骗集上验证了对大模型的增益与跨域泛化，但语音克隆场景下增益收窄且需要较多同说话人语句聚合。

共分析 42 篇语音/AI 论文

该研究把黑胶损伤检测做成修复导向的 5 类时序路由，用稀疏、突发、密集 3 路专家证据加分层路由器与验证集选定的维特比转移惩罚，在 597 段合成基准上达到 0.730 的 5 类宏 F1，主要增益来自时序解码而非分层本身，且混合类仍最难。

论文把空间房间脉冲响应的聚合回声方向建模为球谐非负密度，用平方和半定规划做极大似然估计与逆变换采样，再以球面切片 Wasserstein 位移插值直线路径上的声源与反射密度，实验显示 Wasserstein 插值在整条路径上切片距离最小，但代价是切片离散化与非负约束带来的两步优化。

共分析 29 篇语音/AI 论文

CircleMatch 针对极小参数关键词识别，用分频带压缩编码加每类 5 个原型匹配，再以无参数圆环统计与有序路径分数汇总时序，在 GSC 与 MSWC 多词表上以约 1k-10k 参数取得可比精度，代价是大词表与大模型绝对精度仍占优且部分对比协议并不一致。

该研究用先定位中频能量谷再验证释放的闭合计数器替代包络峰计数，在六个语料库 356 名说话人 3560 个合格颤音上得到中位数 2 个闭合、约 36 毫秒间隔，语境效应稳健而性别效应消失，代价是只描述成形良好的浊音周期性颤音且缺乏人工逐点基准。