参数高效微调

针对音乐生成多人协调舞蹈时固定人数与身份混淆问题，ChainDance 把联合生成改写为沿舞者的条件链，用冻结单人扩散主干加两个轻量编码器与推理时噪声优化，在 AIOZ-GDance 三人组上报告 GMR 为 11.63 与 GMC 为 83.74，代价是全局优化把推理从 0:06 拉长到 0:15。

SteerSpeech 针对推理时情感控制粗糙不稳定的问题，在冻结 Qwen3-TTS 的条件下为每种目标情感学习一个低秩残差变换来优化 steering 方向，并用情感、说话人和转写三类专家在多档强度上联合监督，在愤怒等情感上把目标情感分数提升到基线的 1.08 倍到 7.12 倍，代价是快乐和悲伤的说话人漂移略有上升且高强度下仍存在情感与身份的权衡。

针对阿拉伯语方言泛化和声学信道鲁棒两类偏移，论文冻结 W2V-BERT-2.0 并用小波提示微调加跨层聚合得到多个检测器，再按赛道分别做多窗口大融合与中心截断小融合，在官方终测上取得 Track1 1.96% 和 Track2 1.04% 的等错误率，代价是融合分数依赖整个评测集做标准化因而不能逐文件独立复现。

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

针对文本大模型做语音持续预训练时会严重遗忘文本能力的问题，该文选择冻结原模型、只训练新插入的四分之一层，用 48k 小时英语识别数据证明交错插入在识别上接近全量微调而文本退化小一个数量级，代价是推理时多 25% 层开销且纯文本使用需丢弃新层。

针对构音障碍语音可懂度差异大而数据少的问题，该工作冻结 HuBERT-large-ll60k 主体、只训练可懂度调节器与识别器，用通道级缩放平移把可懂度信息注入声学特征，在 TORGO 留一说话人测试下把平均词错误率从 54.0% 降到 21.0%，代价是仍需 utterance 级可懂度嵌入与两阶段训练流程。

针对大音频语言模型中语音事实不知存于音频编码器还是语言主干的问题，论文用语音感知的因果追踪定位再做单层与多层编辑，最强证据是音频层编辑总体优于文本层与微调，但多层累积更新会带来分布偏移与特异性代价。

针对预训练语音表示漏掉低层幅度相位伪影的问题，该工作用频率音频编码器显式建模幅度与相位、用谱混合专家在冻结奇异基下适配 WavLM，在 2019 LA 上报告 0.29% 等错误率与 0.0081 最小串联代价，代价是引入跨注意力融合与多专家门控等额外结构与超参数。

针对语音伪造检测中自监督特征平滑掉细粒度伪影的问题，该文冻结语音编码器、只用约 4.4% 附加参数学习量化器层级加权，在 2019 年评测上相对基线降低 46.2% 等错误率，在第 5 代评测上降低 13.9%，代价是增益随编解码器家族变化且静态权重不能自适应样本。

针对大语音基础模型顺序适配时的灾难性遗忘问题，论文提出只在低能量尾部子空间学习近似旋转并跨任务平均旋转的方法，在两组荷兰语系持续学习基准上把平均词错误率降到最低，但新方言任务的适配幅度仍受保留旧知识的约束。

论文把 Fisher 白化后的输入误差互协方差用于构造语音模型的低秩适配子空间，并在相同可训练参数量下比较均匀秩、自适应秩与跨层共享，报告自适应秩分配在 Whisper 与 Qwen3-ASR 上对标准 FCCA 最稳定地降低词错误率，但仍落后于大预算 LoRA 与全量微调。

针对注意力编码器解码器语音基座模型在无语音与弱证据下产生无声学支撑文本的问题，AURA 冻结原模型并只编辑解码器交叉注意力的少量头输出，用交叉注意力不确定性做逐词门控，在非语音上把幻觉率从 89.18% 降到 1.94%，代价是训练轮数增加后干净语音词错误率上升的权衡。

在 3100 段 31 类无人机音频上，论文系统比较卷积与 Transformer 架构加全量微调与四种参数高效微调，最强证据是 EfficientNet-B7 批归一化微调加三倍增强取得最高验证精度且只训练极小比例参数，而轻量卷积在精度与训练效率上普遍优于 Transformer。

共分析 29 篇语音/AI 论文

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

针对 HeyJay!数据集的三级构音障碍严重程度分类问题，论文用冻结的 wav2vec 2.0 Large XLSR-53 做特征提取加约 67000 参数的可训练解码器，在说话人独立五折交叉验证下取得话语级准确率 64.6%、说话人级准确率 80.2%，代价是中度与重度边界仍存在与专家分歧同构的混淆。

针对构音障碍等病理语音与常态语音声学失配问题，该研究在冻结 Voxtral-Mini 全部权重下用 x-vector 驱动的逐层 FiLM 做说话人条件化，在 TORGO 和 NeuroVoz 上以约 1.6% 可训练参数获得接近微调的识别与问答保持能力，但原始识别输出更依赖后处理纠错。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

针对大音频语言模型对同义指令敏感而不稳定的问题，论文用只训练注意力头开关的声学注意力头掩码替代文本指令，在 7 个单任务和 ASR 与性别识别组合任务上达到与指令相当或更好的表现，代价是每个任务需单独训练一张掩码且掩码不可跨模型复用。

论文在 LoRA 适配的 ASR-LLM 中复用基座 LLM，以对应层隐状态的余弦相似度和范数比定位需语义纠错的词；单遍混合解码的平均实体错误率为 18.38%，有效搜索宽度约为贪心的 1.4 倍，双遍精修则把波束基线的 18.29% 降到 17.69%，但其总计算成本与墙钟时间未量化。