口语理解

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。

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。

针对组织实体多词跨度、缩写和词表外名称导致的边界不稳，论文用 Whisper 为底座叠加定向语义增广、组织专用结束符和结构约束损失，在保持词错误率的同时把组织 F1 作为主指标提升，但类别专用优化伴随整体召回和识别精度的轻微代价。

针对第一视角下判断说话人是否在对佩戴者说话的问题，该工作用说话人身份与对话轮次感知的文本上下文建模加注视感知的视觉分支，在 Ego4D 验证集上报告 72.40% mAP，代价是依赖转写、说话人聚类与冻结视觉骨干的级联流水线。

该文用 120 文本×24 声音画像×10 风格的合成正交网格审计 10 个开源音频编码器与 2 个闭源语音问答系统，以主夹角泄漏解释探针差距并用正交残差对比适配器降低泄漏与差距，代价是需要合成感知属性假设与额外适配训练。

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。

口语讽刺检测难分词汇与韵律贡献，CLASH 用同一句话的四条件配对变换固定模型做反事实审计，最强证据是目标句 Qwen3-Omni 在时长平衡后词汇保留领先韵律保留 0.135 至 0.148 的 AUROC，代价是声学分数移动常不带来判别增益与二值判决变化。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该研究用视觉世界眼动范式检验英语真诚与反讽韵律的实时加工时间进程，发现韵律类型主效应不显著，而基频升高预测更多看向真诚目标、基频与谐噪比升高预测更少看向反讽目标，但初始注视偏置与刺激问题使交互式与模块式之争仍无定论。