口语理解

论文提出中文金融多说话人语音基准 DecisionTraceBench，要求从原始音频恢复决策关键事件链并用 DCIST 打分，最强系统在真人录音上仅得 21.35%，证明只看转写错误率或末态数值会掩盖过程恢复失败。

共分析 80 篇语音/AI 论文

该研究用同音词对的顺序判断任务检验词时长是否直接提示词身份，发现在噪声掩蔽和只剩噪声时长时被试仍把更短的一段对应更高频词，但效应小且只在单说话人、16 对词、固定时长比下成立。

共分析 1 篇语音/AI 论文

论文把只有文字的 SEA-HELM 改造成先合成语音再识别转写的语音评测，用同一大模型和同一规则评分器对比文本直答与语音转写后作答，量化多语言语音链路在选择题和指令遵循上带来的准确率损失及其语言和任务差异。

论文用 11 种语言各自训练的线性映射连接冻结语音编码器和冻结解码器，发现模型能按数字选项格式作答，但主题理解远低于直接读参考文本，差距指向映射的对齐不足。

共分析 69 篇语音/AI 论文

论文用语音语言模型直接从声音算惊奇值，提出对多种发音求平均的重要性采样估计，在听句瞳孔数据上发现词级抽象估计比单次具体发音更能预测瞳孔变化，但总体预测力很弱且受刺激与时间基线限制。

共分析 146 篇语音/AI 论文

用两个外域模拟咨询数据预测未见过第三个项目的专家总体印象，基于专家量表构念的本地小模型文本打分达到嵌套留一域 Spearman 0.54，超过域内训练，代价是需要一批无标签目标会话做按域特征校准且输出只支持排序。

用 182 段带溯源的合成日语护理交接音频适配 1.47B 音频模型，全量微调与 rank-16 LoRA 在 39 段种子隔离合成测试上取得 0.8664 与 0.8461 的事实性-召回调和分，LoRA 以约 0.85% 可训练参数保留 97.7% 的聚合分，但未测量设备延迟功耗且未验证真实语音迁移。

共分析 16 篇语音/AI 论文

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

针对语音理解中后处理不一致与训练条件不可比导致的选型困难，SURE 用统一评估流水线加场景压力套件加智能体辅助的匹配训练转换组织三条轨道实验，最强证据是级联系统在会议与干净感知任务上仍具竞争力而情感等任务普遍困难，代价是受限开放数据预算下的从零训练结论只具初步探索性质。

为解决语音大模型只用文本指令评测脱离真实开口交互的问题，论文构建 9 任务 11 语言的人录平行口语-文本指令集 DOWIS，并用 Phi-4 Multimodal 与 Qwen2.5-Omni 证明文本指令系统性高估文本输出任务性能，而语音输出任务中口语指令打平或反超，非正式与短指令最难。

本研究用三音节人工语言检验音节缩短位置对切分的影响，发现中间音节缩短促进切分、末音节缩短损害切分、首音节缩短无明确作用，说明缩短只有对齐词内可预测结构时才起帮助作用。

针对纯语音语言模型序列过长问题，ZeroSyl 冻结 WavLM 并用第 13 层 L2 范数峰值切分音节、22 层均值池化加球面 K 均值离散化，在 6k 小时对比中词汇句法叙事均领先同类音节系统，而扩展实验显示细粒度单元在词汇任务仍占优且音节单元在句法上扩展斜率更陡。

该研究用 3 种语境×3 种韵律的听辨实验检验中国英语学习者的反语理解，显示语境起主导作用、韵律在语境模糊时独立补位，而语言水平效应很小。

针对二语口语语法纠错中是否应先删除不流利成分的问题，论文用犹豫标记注入加犹豫类型嵌入保留三类犹豫信息，在 Speak & Improve Corpus 2025 人工转写对照上以 F0.5 0.4790 超过规则删除基线与人工流利基线，而犹豫附近误差增益更大且需依赖可靠的犹豫标注。