医疗音频

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。

针对多部位听诊需要整病人作答的问题，AuscuTSLM 用轻量声学编码加 Perceiver 压缩与门控交叉注意力接入冻结 LLM，在 CaReSound 上取得 0.865 F1-macro 和 0.952 BERTScore，代价是 30 秒长上下文与多实例聚合缺一不可。

BACH 把八种约 1 kbps 的神经音频编解码器放在五种生物声健康任务上，用原始域、压缩表示域和重构音频域三条路径对比，发现重构保真度高的编解码器不一定保留诊断语义，而解耦语义的编解码器下游更好但重构受限。

针对人工嗓音采集存在交互偏差、标注分割繁琐与数据迁移不畅的问题，论文提出离线独立运行的 CalliOpeNLP 工具，用合成语音指令加 18 项临床嗓音任务与轻量语音转写合规检查实现自动采集，初步测试显示同任务采集约 18 分钟对比人工约 28 分钟且省去手动分割，但合规阈值与病理嗓音识别准确性仍待验证。

针对 10 dB 信噪比医院环境噪声下心音 S1、S2 与杂音被掩蔽的问题，CLEAR 依次用 Whisper 编码器取长程语义嵌入、掩码图注意力网络做乘性去噪、潜在生成对抗网络在嵌入空间修复连续性，最强证据是单个最优样本从 PESQ 1.0304、SI-SDR -29.3715 dB 恢复到 PESQ 4.6433、SI-SDR 64.3566 dB，代价 …

针对精神病高危结构化访谈的长时双人对话问题，DIALOG-DeID 用可替换的语音识别加说话人分离加角色映射加文本去标识流水线产出带角色的脱敏转写，并用说话人归属词错率和限定词保留率证明总词错率 13.3±1.4 时归属词错率仍达 33.1±6.7 且 20-24% 片段丢限定词，代价是分离误差与小样本临床验证的局限。

针对拉脱维亚语医疗口述的富格式转写问题，论文比较直接生成格式文本的端到端微调与先逐字转写再用大模型格式化的两阶段路线，最强证据是微调 Whisper-large-v3 加 75 小时伪标注数据达到 10.6% 词错误率，代价是幻觉风险与格式细节仍需人工校验。

针对呼吸音中短时局部的爆裂音与哮鸣音易被全局自注意平滑掉的问题，论文用蒸馏音频状态空间模型保留中高空间频率，再以高斯平滑约束中间层与双轴切块混合对比学习提升鲁棒性，在 ICBHI 上报告 4 分类 64.48% 与 2 分类 72.57%，代价是引入温度、核尺寸与施加阶段等超参数选择。

针对端到端语音识别中专有名词易被替换为高频近音词的问题，该文提出只读转写文本的多视角检索 grounding 框架，用 G2P 细粒度发音、Soundex 粗粒度编码与上下文语义嵌入做归一化融合排序，在 69542 个对齐药物实体上把 Whisper-large-v3 的 Recall@1 从 38.27% 提升到 74.67%，代价是依赖预定义闭集词典与实 …

该研究用 250 通法国 SAMU 真实急救电话和调度员标注的 5 级优先度比较类别情绪与维度情绪接入有序回归的效果，报告显示类别情绪无增益、维度情绪仅有说话人依赖的交互效应，而年龄与说话人角色等元数据预测力更强。

针对仅用麦克风检测鼾声、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 ALE 的逐帧置信图注入 Transformer 注意力偏置与特征调制的 ACF-SED，在 APSAA 上报告 Event-F1 0.7105、Segment-F1 0.6930、PSDS 0.7633，代价是双流编码与门控交叉融合带来的结构与调参复杂度。