医疗音频

TriageSim 针对急诊分诊缺少真实护患语音的问题，用结构化病历加人物设定驱动多智能体对话与语音合成，生成约 800 段文本音频对齐语料，并在三模态分诊分类上只得到公平一致性，说明瓶颈在临床推理而非转写噪声。

针对分散在医院且无专家标注的临床音频诊断问题，论文提出联邦自上下文化 FSC，用聚类产生的语义空洞伪标签训练音频语言模型的上下文推理技能，2-way 2-shot 达到 71.6% 准确率并超出最强基线 9 个百分点以上，代价是更长上下文会稀释注意力且三分类明显下降。

针对韩语临床中英语医学术语可用英文原形或韩文音译两种合法拼写导致单参考词错率低估性能的问题，该研究构建带多参考变体的 MultiClin 合成对话基准并提出局部动态选参考评测，显示多文字感知评测大幅降低误差、训练标签统一为 100% 本地文字时最优，而 50% 混排熵最高、收敛最差，但合成语音与受限领域是主要代价与边界。

该研究以 141 例哮喘受试者的后胸四部位常态呼吸音为输入，用短时傅里叶变换分频带计算呼气与吸气谱功率之比并取受试者中位数，再与肺量计 FEV1/FVC 做 Spearman 相关，最强证据是 100-200 Hz 和 200-400 Hz 在左下与左上部位呈现随年龄性别偏移的中等相关，而代价是相关系数仅 0.2-0.4 且多为组内趋势，不能替代肺量计。

论文用同一段医患对话配对干净与加噪音频并冻结下游大模型，报告平稳环境噪声仅让词错误率上升 0.71 个百分点却使不安全输出翻倍，并验证轻量证据审计能在 5 dB 重噪声下降低高风险幻觉但保留良性表述差异。

论文针对词错率把所有错误等同处理而漏掉关键语义改变的问题，提出从词汇、语音、形态、语义四个维度分别计分的 SHALLOW 基准，最强证据是合成受控数据上各指标只在目标类别取峰且语义与词错率近正交，而代价是权重与语言相关模型带来领域依赖与英语限定。

针对跨医院设备与人群的域偏移与隐私限制，Lung-CL 用类别特定高斯混合的隐空间生成回放加多层次谱感知蒸馏做无缓冲域增量学习，在三数据集序列上报告 S1 准确率 61.81% 与后向迁移 -4.0%，代价是强能量门控正则下准确率略低于常规蒸馏分支。

针对呼吸音分类中录音质量不一与重度类别不平衡问题，QLung 用无参考音频质量间隔与对数缩放类别间隔组成双因子角度间隔并配合角度分类器，在 ICBHI 上将 AST 基线分数从 59.55% 提升到 62.01%，在 SPRSound 分布外测试上达到 59.80% 的最好分数，代价是裂音单类准确率下降且对超参数与预处理依赖较强。

针对鼾声四分类的类别不平衡与黑盒问题，该工作用半难三元组加类别平衡交叉熵学习单位超球嵌入，以类质心做主推理并用支撑样本加时频激活做解释，在干净条件下宏召回从 0.401 提升到 0.638，代价是强噪声下优势消失且固定窗与 E 类分散仍存局限。

针对韩语手术室 51 类组合口令，该研究用共享编码器加三路注意力分别预测方向、模式和步数，并以 CORAL 顺序回归学习 1-5 步幅，在留一说话人评估下达到 95.36% 联合成功率、0.0338 步 MAE 和 0.60% 灾难性错误率，代价是仅 5 人数据与预切分评测且最难说话人仍明显下滑。

针对呼吸音自监督编码器缺乏临床语义锚点而无法零样本推理的问题，REACH 用医学大模型由元数据合成结构化报告并以 Sigmoid 对比对齐加掩码重构正则和远距离负采样做桥接，在 9 任务 6 数据集上以 43% 公开数据取得 61.3% 平均零样本 AUC 和 71.6% 线性探测 AUC，但细粒度咳嗽变体与五级严重度分级仍接近随机。

针对医生患者对话中联合识别内容与说话人角色的问题，该文冻结 ASR 换能器并训练同步的角色换能器，用任务专用预测器、高层编码器特征与一-best 路径交叉熵实现同步标注，在 DoPaCo 上把角色词错误率降到 6.1，代价是需要已对齐的 ASR 与角色标注训练数据。

针对印地语一线健康对话的自发、噪声和重叠语音问题，论文用级联式说话人日志加语音识别再接大模型主题与摘要的四任务基准组织评测，最强证据是领域微调把 IndicConformer 的 tcpWER 从 26.78% 降到 20.23% 而参赛队最优做到 18.63% 左右，但下游摘要 ROUGE-L 仅 0.20 上下说明理解仍难。

针对听力图难解释真实交流困难的问题，该工作在 Apple Vision Pro 上构建咖啡馆、火车站与客厅三场景的空间语音加噪声演示流程，用 20–30 秒对话加理解问答和 Easy/Medium/Hard 预设呈现难度变化，8 人临床初步演示显示可用但尚未在听损人群验证。

VoxKit 针对无桌面工具同时集成强制对齐与发音优度分析的问题，用可扩展的桌面流水线串起数据集注册、对齐器训练、双引擎对齐与声学优度打分，其最具体的可核对条件是 42 音素库存下 10 ms 分辨率的帧级后验打分，而代价是本文未报告对齐精度与评分有效性的定量实验。

在 65 条自然脊柱门诊普通话话语上比较 emotion2vec+、SenseVoice 与 FunASR 三套开源语音情感识别，以研究者共识为参照，发现非加权准确率 55.4%-61.5% 掩盖了少数情绪接近零的召回与仅约 24% 的样本加权准确率，代价是标注噪声大与类别极不平衡下无法直接部署。

针对日本长期照护高龄有症状人群的六通道前胸数字听诊任务，论文用 X 线监督训练共享权重 ARP-N 卷积网络并在病人级重复交叉验证下比较临床诊断监督，最强证据是听诊单模态 XRAY 模型 F1 为.729、准确率为.783 而融合模型 AUC 为.791，代价是单中心 185 例与域漂移限制外推。

针对临床访谈中医生与患者归属问题，论文用 LoRA 微调 Whisper-large-v3 并加帧级角色头做端到端转写，再用真实解码失败做 DPO 提炼，在 29 个 DAIC-WOZ 测试会话上达到 0.973 角色准确率与 0.119 DER，但中文语音转换数据的剩余误差仍集中在角色判错而非漏转。

共分析 29 篇语音/AI 论文

针对 5 分钟以上医患对话直接生成 SOAP 病历的问题，论文用统一端到端架构比较 3B 轻量与 30B 重量模型，报告四阶段训练把 Concept F1 从零样本的 0.26 和 0.18 分别推到 0.4082 和 0.5167，并以级联基线为对照说明直接优化的收益与容量代价。