医疗音频

本文针对听诊设备、部位和病人差异干扰呼吸音分类的问题，在音频频谱变换器中引入元数据调制，其中软分解调制在官方划分上取得四分类 64.11% 和二分类 72.40%，代价是增加不到 1% 的参数并需要完整的元数据输入。

MedAstra 把冻结 WavLM 语音表示经轻量适配器映射到冻结 E5 文本空间做首轮语音稠密检索，再用文本证据与实体、诊断、关系启发做回答，报告的检索与问答数值只在输入来源与评测条件受限下成立。

针对医患对话音频生成 SOAP 病历时信息冗长易幻觉的问题，该工作用 96 个按小节分工的可学习查询先压缩语音再结合原始语音通路生成病历，在官方测试集上 Concept F1 达到 0.5005 并表现出更稳定的幻觉指标，但人类口语子集上仍有明显下滑且样本很少。

针对镇静手术中呼吸监测易受环境噪声干扰且人工听诊难连续的问题，Airmod 用双麦克风自适应降噪加 15 秒窗 CNN-BiGRU 吸气呼气检测与后处理拼接来逐次更新呼吸率，在 HF_Tracheal_V2 测试集上吸气检测 F1 约 0.83-0.85，但呼吸率对标二氧化碳描记的结果另文发表且降噪与算力仍有限制。

论文把音频配对的元数据来源本身当作干预，用四种配对轨迹证明正确配对能提高档案找回和属性可解码性，但匹配后的疾病预测增益仍不确定，且代价是需要严格的协变量匹配与锁定流程。

本文用图像与声音共现的弱监督对应学习定位电锯电钻骨凿，在独立采集的 21 序列 853 帧上达到总体 IoU 0.36 与中位距离 12 px，代价是仅覆盖三种模拟骨操作且每步依赖 3 s 音频与 16×16 粗热图。

本文用一名孕妇最后五周自采的 28 段手机腹部录音，靠心率范围先验把包络分成快慢两个节律带，恢复出多数录音中稳定但未经金标准验证的胎儿 plausible 节律，同时报告母体节律、变异性和呼吸探测的失败边界。

本文要解决会话式语音合成读不准罕见药名的问题，用词表扩展加音素增强微调学会读 ARPAbet 音素，再用无需训练的上一轮参考发音稳定输出，在 7,500 条药物评测上把严格正确率从 54.6% 提高到 90.7%，但人工听感优势只在小子集上成立且置信区间重叠。

论文把正常、爆裂音、哮鸣音、两者兼有四分类改写为爆裂音存在与哮鸣音存在两个二分类任务，用不同时间聚合分别处理短促瞬态与持续谐波证据，在 ICBHI 四分类 Score 达到 65.30%，代价是需要调两个分支阈值并依赖预训练 BEATs 编码器。

针对 Both 类同时含有爆裂音和哮鸣音造成的四分类困难 PAC-KD 用两个二分类病理专家分别学习两种事件存在性再蒸馏给四分类学生并按梯度一致性调节权重 在 ICBHI 和 SPRSound 上平均 Score 最高但特异度有所下降

AegisVox 把长临床对话的说话人声音转换与标识词替换分开处理，在 390 段公开模拟对话上比较两种整轮重读方案，发现替换实现率提高的同时可能伴随更多模型判定的矛盾和编辑区声音可关联性。

针对仅用环境音频检测鼾声、低通气和阻塞性呼吸暂停并估计 AHI 的问题，论文提出把多分辨率自适应线增强器的置信图直接送入注意力偏置和特征调制，在 APSAA 上取得 Event-F1 0.7105 的最好结果，代价是三路滤波加双流建模带来额外计算和单中心小样本的适用限制。

该文研究门诊多房间录音中无访客注册时的访客跨房链接，用逐设备中心化加并发与房间类型约束和员工语音校准阈值做聚类，在 VOiCES 仿真日上对 11 种嵌入全面超越无标签基线，但高度依赖跨房重复语音去除且单访患者仍易误合并。

MemoCare 针对 MMSE 式异构交互难在手机上自动评分的问题，用语音转写加任务规则、GPS 加历史地名库、触屏事件校验和轻量视觉模型四路分工处理，并在 151 例软件用例、71 张锁定画图和 4 名临床医生检查中给出有条件的技术验证结论。

SimAuthor 把一次写出的仿真器当作可保留改写的对象，用标量搜索分数选改谁、用结构化差异报告指导改什么并复用机制库，在 100 次尝试内在六个心脏呼吸光电心电任务上提升分布相似度，但代价是约 3.8 倍词元开销且结论只在固定评估器和有限参考集下成立。

论文用 163 段儿童临床互动录音检验通用大语言模型能否沿 BOSCC 决策树答题复刻两项语音编码，最强零样本平衡准确率超随机 19.3 个百分点，而说话人角色标注是最稳定的增益，音频与示例增益不一致且不足以独立使用。

该研究把问题定为按多热查询减去 1-3 类触发音并保留残差声景，用 6 毫秒分块的流式双路径网络实现 10 毫秒算法延迟，并在 30 名误音症受试者中报告困扰下降 2.37 点但抑制后仍高于基线地板。

针对长上下文音频推理缺数据、开放生成难评测的问题，该工作用全开权重三阶段流水线合成 8800 段首诊医患对话与 1329 小时音频及 SOAP 病历，最强证据是级联系统在忠实度上明显优于端到端大音频语言模型，代价是参考病历仍由大模型生成且声学难度未完全复刻真实诊室。

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

针对新型鼻式电子喉数据稀缺与声学特殊问题，论文在统一序列到序列框架下比较梅尔谱与 WavLM 特征并用局部线性嵌入合成配对数据预训练，最强证据是梅尔谱 ETN-VC 把可懂度字错率从 72.0% 降到 63.0%，代价是主观自然度评分仍落后于 WavLM 系统。