发声与构音

SoFilNet 只用重建语音做监督就同时估计基频、清浊、五带非周期性与有序共振峰和反共振零点，在 VTR 共振峰与跨库基频上取得最低平均误差，代价是幅度谱建模与固定极零点结构带来的简化。

论文用声学到发音反演得到声道变量并以特征谱度量协调复杂度与趋同，证据显示非自闭配对随时间更复杂且趋同更强并与自评会话成功相关，混合配对趋同最弱。

该文把构音障碍语音增强做成紧凑发音瓶颈上的残差修正，在合成平行数据上预训练再用音素和对抗目标适配自然病理语音，合成数据上错误率明显下降而自然语音上仍未超过原始录音，且发音瓶颈保留了可解释的轨迹含义。

论文针对语音驱动三维人脸动画中口型到位但过渡太平的问题，提出经过辅音途经点的唇部路径比度量，在四个方法上发现相对真实语音的整形缺失，并用受控阻尼校准与感知试验说明削弱是可感知的。

该文用声学到发音反演伪标签把声道滤波器锚定在发音运动学上，源用基频能量加流匹配细化，以频谱保真度小幅下降换来可验证的源滤波解耦与发音级口音编辑。

论文把声道建成可微声学管道，用频域传输线求解与可微湍流门控合成元音辅音，再用神经场参数化做梯度反演，并在自监督声码与无配对语音到 MRI 视频上验证，但逆解不唯一且鼻腔未建模。

该研究把电磁发音仪记录线性映射到 Maeda 参数空间，再用非对称典型时间规整把数学音节模型轨迹对齐到真实时间轴，用语音内容一致与不一致配对的置换对照证明语音一致时发音与共振峰相关显著更高，但唇高参数与生理延迟仍是代价与边界。

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

论文追问澳大利亚英语词尾/p,t,k/如何实现清音，用声门接触的电信号加喉头镜直视做交叉核对，发现鼻音前/t/靠收缩、/k/靠张开而词尾三处都倾向收缩，但样本小且只做描述性平滑。

该研究用 4 名英国英语男声在 6 种嗓音设置下的朗读语料检验 CPP、频谱倾斜、HNR 与长期共振峰，发现气嗓与鼻音在组层面抬高频谱倾斜但个人实现高度不一致，因此声学测度只能做说话人内的相对指示而不能做跨人绝对映射。

论文用声学到发音反演加协调特征谱量化自然对话中的发音卷入，在 1381 对非自闭对话和 62 对含自闭与混合神经类型对话上显示同神经类型趋向复杂化和靠拢而混合对齐最弱，且卷入与自评会话成功正相关，但只报告群体趋势与相关性而未验证因果与实时开销。

ARTIST 把多语言语音到语音翻译转成先预测目标端发音特征离散单元再合成波形的两段任务，用冻结的 20 码本向量量化自编码器做跨语言瓶颈并配合编码器中间 CTC 与卷积增强差分注意力解码器，在仅用短句训练却测长句的条件下以 166M 参数在 BLEU、COMET 和 chrF 上超过 1.2B 参数基线，代价是仍依赖发音特征提取器与两阶段预训练冻结的设计。

该研究用 3 名女性的自主提调与 16 名女性的 5 档合成提调检验谱 x-vector 系统，发现默认-抬高比较把 EER 从 0.0 推高到 14.4、极端合成把 EER 推高到 15.2，但降级集中在抬高幅度最大且音高起伏受限的个人身上，单纯平移 f0 不能代替真实伪装。

论文要解决从常态嗓到嘎裂嗓转变点的自动定位问题，选择不惩罚八度跳变的 REAPER 基频加声门闭合时刻估计配合导数阈值与能量峰约束，最强证据是 474 个澳式英语/hVt/样本上与人工标注的组内相关系数为 0.768 且元音长短效应结论一致，代价是自动法系统性偏早一至两个脉冲且仅验证了一种音系来源的尾部嘎裂。

该研究用超声舌图和唇图复现基频预测并检验信息来源、时序、过拟合与重音耦合四种假设，最强证据是朗读全局相关约 0.70 掉到自发约 0.39 而重音词预测更好，代价是只用不到 5 分钟微调与朗读训练难以推广到对话。

该文在统一录制协议的 18 人芬俄双语 FROST-EMA 上以留一说话人方式系统比较原始 EMA 与声道变量、自监督前端与 MFCC、BiLSTM 与轻量注意力反演器，最强证据是跨性别约降 0.05–0.10 而跨语言约降 0.10–0.20 且舌体收缩位置退化集中在音位活跃段，代价是俄语女性仅 2 人及唇突出维度本身难以从声学恢复。

论文以芦苇为声源、以双手为外部滤波器研究卡西五个元音，用手部运动追踪、共振峰声学与 24 人听辨证明手部可构成可懂元音空间，但高基频压缩与 o-e 混淆带来准确率与反应时损失。

论文要解决普通麦克风语音缺少声门下共振测量的问题，选择先用多尺度谱学习从语音生成颈部加速度计波形再用自适应线性预测同时估计跟踪三个共振，最强证据是未见说话人上生成信号与真值估计误差约 25 赫兹、连续跟踪误差约 25 到 83 赫兹，代价是依赖浊音元音段和线性预测参数自适应校正。

该文用芬兰语俄语双语者的电磁发音仪数据做线性探测，检验自监督语音表示是否编码发音动作，最强证据是多语言模型平均相关约 0.69 且约 5 分钟配对数据即饱和，代价是自发任务与上唇垂直通道明显更难预测。

针对发音合成中声带碰撞阶段被硬裁剪为零而不够自然的问题，该研究用指数过渡的软接触与软分离加偏斜控制重建声门面积波形，在保持相同合成器与参数网格的听辨中以 58.1% 的偏好率和 3.02 对 2.68 的平均意见分胜出，但优势随预发声开度和相位等条件变化。