可解释性

以 ACE-Step 1.5 为案例，用线性探测追踪仅由歌词驱动的歌手可解码性从歌词编码器经交叉注意力到生成音频的传播，最强证据是编码器输出 0.344 的百类歌手分类准确率，代价是探测只证相关不证因果且 CoT 路径带来稀释与翻唱式复现的混杂。

该工作把逆向合成拆成调制去向分类、去向条件 LFO 回归与振荡器波形恢复三步，用可微合成器连接音频损失，在合成与 Serum 2 数据上验证了去向正确性的关键作用，代价是滤波器与振荡器类型仍受限且感知损失需与直接参数监督配合使用。

论文针对声音形式与交际功能混淆的问题，用冻结音频语言模型写描述加语言模型映射到七维状态再做注意力多实例分类，在 DAIC-WOZ 达到 71.9% 与 MODMA 达到 90.5% 的平均 Macro-F1，代价是依赖大模型抽取与录音条件。

该工作把合成语音归因做成基于样例比较的可解释分类，在 MLAAD 英语训练下用架构族标签达到 99.65% 平衡准确率并支持跨语种与开放集拒绝，但原型冗余与说话人覆盖不足仍是主要代价。

论文用冻结 MusicGen 的 token 损失曲线、预测熵曲线与稀疏自编码器隐变量训练轻量评分器，在五个听感基准上拟合人类评分，并用过自信错误与频谱结构解释低分来源，代价是仍需按基准训练映射且组合不总是更优。

论文用响度、内容丰富度和情感表达三组单变量受控操纵审计六个语音裁判，发现成对比较会系统性偏好更响更丰富更欢快语音而理由很少点名真正起作用的声学线索，人听校准显示部分偏好超出人类权重。

CoLMbo-SV 用冻结说话人编码器加旁路判定保持验证精度、用文本形式声学测量支撑可核对报告，在 VoxCeleb1-O 上报告 0.99% 等错误率与 0.82 数值接地得分，但决策敏感性分析显示报告内容对当前判定的证据选择性仍很低。

该研究用直接处理原始语音的双头语音大模型同时做认知状态分类与自然语言解释，在六个数据集任务条件下取得最高平均准确率并能迁移到未见任务，但解释监督来自模型生成且临床标签为量表阈值定义，解释只能作辅助核查。

该研究把六首有文献记载背景的流行歌曲旋律抽出后交给同一可解释和声器重新配和声，对比发现高旋律适配分不等于保留原有持续、重复与非调式特征，部分曲目保留经济型 I-IV-V 结构，部分则扩张声部词汇或压制标志性进行。

论文以 FlexiCodec 为公共接口比较七种边界分配方法，发现音节、BPE 与词对齐更强的方法池化失真更低、重建词错误率更低，而音素级固定切分不如均匀切分，但自适应分配仍优于固定音节切分，代价是动态规划类方法边界选择耗时明显更高。

该研究用从全遮挡到原声的归因轴分解部分掩膜输出，发现 41% 到 77% 的位移是标量方法看不见的正交偏离，且其方向稳定性和维度随模型与填充组合而变化，代价是仍需依赖填充选择的忠实度评估才能谈修正。

该文用激活交换、解码与转向证明三款大音频语言模型都在中间层把粗粒度相对时间绑到事件名表示上并能因果改变前后判断，但该表示只能粗解码到约 3.5 至 4 秒且不能一致移动预测的起始时间戳。

针对七类浴室助老声事件识别，论文用可学习 sinc 带通前端加深度可分离卷积的 SincDPNet，在环境不相交评估下以 2848 参数达到 75.7% 准确率与 0.661 宏 F1，以 14040 参数达到 80.2% 准确率与 0.760 宏 F1，代价是水声重叠类与门和助行器瞬态仍集中混淆。

该文用 Top-k 稀疏自编码器分解五种神经音频编解码表示并做激活转向，以分类器预测的朝目标偏移为证据探查年龄、性别、口音信息的稀疏可分性，代价是内容词错误率上升与感知质量下降且转向强度不可单调控制。

该研究用时间定位解释截出影响判定的音频段，再用大音频语言模型描述并用大语言模型聚成类级别概念，在受控的干净与虚假相关数据集上报告出对掌声加笑声等三组明确捷径的检出与一组模糊检出，代价是依赖解释阈值与模型集成来压制幻觉。

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

该研究用一遍输出完成句子准确度、流利度、韵律与词音素准确度五维评级并附带自然语言解释，在 SpeechOcean762 上以监督微调加有界偏好优化缓解类别不平衡，句子级解释自洽但词音素级定位仍不可靠。

针对八种英语口音的识别退化问题，该工作把口音差建模为编码器激活空间中的可加均值偏移方向，先做逐层敏感性定位再在中间层做无参数推理时干预，最强证据是在平衡评测集上原生口音词错误率下降约 19.92 至 33.80 个百分点，代价是尾层干预会引起严重崩溃且非原生口音增益较小。

针对朗读英语词级感知重音评分任务，听觉对比网络用三个声学线索的相邻词非线性对比加轻量聚合，在跨语料迁移上以 202 参数达到 r=0.412 追平冻结 wav2vec2 个基线，加文本后到 r=0.451，代价是依赖外部词边界且仅在单语料对上验证。

该研究把评价从分类分数转向可解释探针，用 88 个 eGeMAPS 特征和线性与非线性回归探针测量六个预训练嵌入的可恢复性，最强证据是响度最好恢复而基频最难恢复，代价是拼接嵌入虽互补但高维时反而可能降低任务相关特征的可恢复性。