公平性

论文用 16 个 2021-2025 年语音识别系统在 8 个多口音数据集上对比主流美国英语与少数英语口音的词错误率，发现差距长期存在且少数口音更容易在换代时大幅退化，而主流口音始终被基准测试稳定保护。

论文针对语音同时带来有用人口线索和有害刻板联想的问题，提出区分是否被明确要求使用人口信息的三轴评测，用八个语音大模型显示能听出性别年龄不等于会恰当使用，且显式标签同时提升个性化和刻板选择。

论文针对说话人验证攻击者的训练与评测数据属性不平衡会扭曲匿名化隐私估计的问题，构建了在性别年龄口音音高上平衡的 VoxAnon 数据集，用四种攻击者与三种匿名器的对照证明不平衡会改变子群难易排序，而平衡后仍残留与口音音高相关的差异。

针对多人口属性交叉说话人识别偏弱的问题，论文先在冻结语音编码器和大语言模型下为 18 个人口子组分别微调连接器再合并为全局模型，然后对跨轴交叉对估计修正向量并加回全局模型，在 Fair-Speech 上把总体词错误率从 7.38% 降到 5.13%，但平均提升并不总能缩小同轴内最大最小差距。

论文把原来手工测试的互动叙事生成评估做成公开网页平台，用去标识评分、自动试玩与事实和偏见检查来测文本代码图像音频视频与完整游戏，报告前沿模型整体分数更高但交互结构仍弱且出现无限思考与过度拒答的代价。

针对无性别限定的风格提示导致合成语音性别偏斜的问题，论文用冻结模型上的组偏差向量加开发集强度搜索做推理时校准，在 12800 条 held-out 提示上把聚合校准误差降到 0.80–5.86 百分点，代价是自然度最多下降 0.076、可懂度变化在 -4.13 至 +3.26 百分点之间。

论文在 SLAM-ASR 管线上做音频编码器自顶向下剪枝并在每层重训投影器，发现 Whisper Large 剪 2 层时聚合词错率从 21.6% 降到 21.1% 却让 Black 组上升 0.9 个百分点，到剪 8 层时 Black 与 Asian 差距从 13.5 扩大到 24.5 个百分点，而 LoRA 虽降低各组误差却让优势组获益更多。

共分析 55 篇语音/AI 论文

HEAR 用 843 名美国被试的 87k 条真人录音同时检验选择问答与开放问答，报告语音条件偏见是随模型而异、可被个性化指令放大的特性，而开放任务中个性化更多降低回答有用性。

InterBias-SV 把噪声、信道与说话方式的联合误差问题组织为联合项、两个边际项与公共参考的四项加性对照，用 4068 条记录重算出说话人编码器组平均偏离仅 +0.0026 至 +0.0088 等错误率小量、但设置间标准差更大且试次配对与检查点来源尚未验证的描述性结果。

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

针对神经音频编解码器生成的老年伪造语音检测任务，论文构建英汉老年编解码器伪造数据集并证明旧基准模型跨年龄泛化严重退化，提出以詹森香农散度对齐语言绑定与图像绑定表示的融合框架 BONSAI，以平均等错误率 1.66% 建立新基准，但代价是依赖域内老年训练数据与双基础模型推理成本。

该研究用 ResNet34-MHA 嵌入加 LDA-PLDA 与校准似然比，在 102 名香港粤语青年男性数据上并行比较 G.711、AMR-NB 高低码率与 Opus 失配及 5s 到 90s 检材时长，报告系统级 Cllr 在 30s 后饱和且低码率 AMR-NB 损伤最大，但个体级 Cspkllr 显示少数说话人持续偏高且整体越差者对编解码更敏感。

针对西班牙语和法语 10 个国家级方言自建 20 小时性别均衡播客语料并评测 7 个模型，发现法语偏向欧洲、西班牙语呈现多米尼加优于半岛而智利最差的非均匀差距，词法与声学分析及编码器冻结微调共同指向解码器语言模型先验是主要故障点，但小规模适配只能部分恢复方言特征。

论文在英日德三语 MELD-ST 上量化语音大模型情绪识别的语言依赖性别差距，并用经验风险加最坏语言内男女损失差距正则与自适应权重训练，在单模态提升约 5.5% 且多模态提升约 5.0% 的同时把总体性别差距分别缩小 0.1% 和 1.4%，代价是固定大权重会明显损伤识别性能。

本文对 39 个语音伪造数据集做可核对审计，发现缺人口统计标注使公平评估不可行、共享真实语音源使跨数据集评估夸大泛化，且合成文档与许可缺失限制复现。

针对语音筛查轻度认知障碍易学到性别与语言捷径的问题，论文用跨模态融合对齐声文图线索并用梯度反转遗忘人口学信息，在 TAUKADIAL 和 PREPARE 上同时提升总体 F1 并缩小亚组差距，但探测显示残余人口学信息仍未清零。

论文用三数据集、四系统、十一档性别配比共 132 次训练检验微调能否揭示构成与偏差关系，最强证据是 Kaldi 从头训练下 DDS 随女性占比单调翻转超 80 个百分点而三预训练模型始终在约±12 内无序波动，代价是平衡微调数据不足以修复预训练带来的偏差。

该文把语音智能体可靠性定义为固定 306 通电话总体中无功能性失败且达成目标的百分比，用音频实测计时失败、用固定判分模型加工具轨迹判定语义失败，最强证据是去掉音频事件后分数平均虚高 24 分而排序仍受部署参数扰动，代价是单账单域与合成主叫限制了外推。

论文在 BVCC 上揭示男听众系统性打分更高且差距随质量变化，证明平均标签训练的 SSL-MOS 预测更贴近男性标准，并用抽象二值组嵌入的双分支模型同时提升总体与分性别预测精度。