关键词检测

论文把语音指令识别拆成一次编码得到固定记忆、多次共享循环读记忆并修正预测，在三个基准上用 0.16-0.17M 参数取得可比精度，早退能减少循环步数但总能耗节省有限。

论文研究强噪声下用 spoken 示例指定关键词的检测问题，用门控交叉注意力把唇动证据加进查询音频，并在 MISP-QEKS 上证明只有音素承载的视觉表示配合注入式融合才能在 -10 dB 取得大幅等误率下降，但增益依赖编码器与干净注册条件且训练需约 72 小时单卡成本。

Lyric 针对小设备上音频采集与频谱特征计算开销大的问题，用五个无源声学共振通道加低速包络做输入，在说话人互斥的 AudioMNIST 实测中以 EdgeSpeechNet-A 达到 95.70% 准确率，代价是相对对数梅尔基线下降 3.58 个百分点并大幅降低处理器计算延迟。

针对端侧语音推理中循环层每步稠密矩阵乘开销大的问题，DuSpaR 用前馈加反馈双状态回路调制输入并对矩阵乘向量做 ReLU 稀疏，在相近参数下比 GRU 在关键词识别和语义理解上省算力且精度更高，在语音增强上省约一半算力并保持质量，但稀疏收益依赖输入分布与部署是否支持跳零。

论文针对语音指令识别中脉冲神经网络被认为比比特串行量化网络更慢的问题，提出带延迟控制的发放内核与流水延迟搜索，在匹配映射下用建模核延迟证明跨时间步重叠可更快，并在 GSC 上以 96.31% 精度达到 119.64 μs 建模延迟，代价是等待位置选错会同时变慢变差。

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。

针对连续音频流中的关键词检测任务，论文把已训练好的卷积主干切成以池化结尾的子模型并按静态调度稀疏执行，在保持识别精度的同时报告最高 82% 和 46% 的每秒计算量下降，但分类间隔拉长带来了可控的平均延迟增加。

针对开放词表关键词检测中对比学习只管排序不管绝对阈值的问题，CORD-KWS 在保持双编码器余弦打分与 O(1) 注册的同时加入单调校准头、CTC 顺序辅助与语音学难负例，在 LibriPhrase 上报告 easy 0.43% 与 hard 9.64% 的 EER，代价是 hard 导向的 BCE 使 easy 出现小幅回升。

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

针对连续流关键词检测在 0.5 至 0.2 次误报每小时下交叉熵模型漏检严重退化的问题，论文提出只做离线辅助的目标受限拉紧加间隔排斥正则，在谷歌语音命令第二版上把 0.2 误报每小时下的漏检率从 29.85% 降到 14.80%，而封闭集准确率从 95.82% 微变为 95.68%，且部署端参数量、计算量与前视保持不变。

针对稀有术语难识别且已有音频对音频关键词检出存不下大词表的问题，该文用层稀疏选择加隐维和帧率压缩构造可预存的压缩关键词库，在不微调识别模型下以 128 倍内存节省和数倍延迟下降保持实体召回，但在大而未清洗词表上仍受干扰词影响。

针对非因果教师特征含未来上下文与因果学生零前视能力冲突的问题，该文用下三角掩码的样本内时间关系蒸馏加离线双向拓扑先验，在 GSC V2 上把因果 1D-CNN 准确率从 95.12% 做到 96.91%，并在 1.0 FA/h 下把连续流误拒率从 8.52% 降到 4.15%，且不增加部署参数与单步延迟。

针对开放词汇关键词检测中易混词难区分且流式对齐与训练推理不一致的问题，MPA-KWS 用 W-CTC 强制对齐统一处理支持音频与查询音频并做音素级多模态对比学习，在 LibriPhrase-Hard 上文本加音频注册达到 AUC 97.30% 与 EER 8.21%，代价是需要预训练声学编码器与多任务权重调参且当前无公开代码可用。

OnDA 针对常开关键词识别的说话人与环境偏移，把权重自学习与结构化通道剪枝都搬到端上，用伪标签的域内数据做剪枝与微调，在 HeySnips/HeySnapdragon 上以 0.5 次误报每小时下等精度实现最高 9.63×压缩，代价是伪标签噪声与微调样本更少且剪枝时机影响端上能耗回本点。

针对未见关键词与未见说话人双重零样本问题，ZP-KWS 用音素监督的关键词分支与 GE2E 预训练的紧凑声纹分支做乘法晚融合，在 LibriPhrase Easy 目标专属模式下把 FRR@1% 从 PK-MTL 的 72.79% 降到 29.47%，代价是保留约 1.55M 参数与阈值调节依赖。

为在拿不到原始训练数据且不允许老词退化的条件下增加新触发词，该文冻结约 150k 参数的基座并只训练不超过 10k 参数的扩展分支与新词头，在固定 1% 误接受率下把新词平均漏检率从可部署独立模型基线的 6.46% 降到 4.37%，最坏情况计算量为 16.34M，低于同预算适配器与低秩适配的 18.45M 与 20.52M。

针对流式关键词检测中逐帧输出带来的池化状态冗余，论文把卷积主干切成以池化结尾的子模型并按静态调度稀疏执行，在保持识别精度的同时把嵌入计算和缓存都压下来，但分类间隔拉大也带来了可测的延迟代价。

针对头戴相机难做儿童友好硬件与人工标注耗时的问题，论文用基于 Insta360 GO 3 的 TinyExplorer Gear 加本地运行的 TinyExplorer Detection App 解决，已验证人脸检测与关键词检出召回 78% 精确率 77% 接近人工一致性均值 82.36%，代价是手部与音频能力仍在集成中且依赖自然游戏录制条件。

针对语音命令与脑电情绪等时序信号全长推理浪费算力的问题，论文提出以输出层谁先发放脉冲就判为哪类的内禀早退机制，并用竞争抑制与混合时序训练加速收敛，在 GSC V2 上以 92.89% 准确率、63.68 平均决策步长和 2.75 微焦能耗取得报告的最优权衡，但代价是增加小规模抑制矩阵与三项损失超参数。

针对用户自定义关键词中仅差一两个音素的易混对，KFC-KWS 用 CTC 峰值后验选出音素关键帧再与全句表示做跨模态融合，在 LibriPhrase 上报告平衡 AUC 98.73% 与困难集 AUC 97.65%、EER 7.75%，代价是在简单集上略逊于全序列匹配。