可解释性

该文把平板混响脉冲响应看作大量二阶全极点模态叠加，先估计总模态数，再用矩阵铅笔得到低频极点并外推高频极点，最后用对角复数状态空间模型的状态响应以最小二乘一次性求增益，在自生成 17 条脉冲响应上改善了频率与总数估计，但增益与衰减估计仍弱且本次未能确认挑战隐藏测试集表现。

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

该演示用同一录音走完七条离线分析—表示—渲染链，把音高轮廓、切分表与轨迹等中间物变成可检查的作曲控制器，代价是放弃实时并依赖预渲染与人工核对。

针对语音到语音对话既要评语义又要评声学而级联评测会丢声学信息的问题，论文用大规模合成偏好数据加带解释理由的两阶段监督微调构建端到端语音裁判 SageLM，以 82.79% 的人类一致率超过级联与语音理解基线，代价是依赖合成语音分布与有限声学数据。

论文在 AASIST 最后隐层加 Top-K 稀疏约束，用 ASVspoof5 验证检测性能与按攻击类型度量的解耦度，最强证据是 D=320、k=20 时测试集 EER 为 23.36% 且单样本约 95% 维度为零，代价是需放大隐层并舍弃难检攻击后解耦结论才成立。

把文本解码器的 DiscoGP 搬到 HuBERT 与 Wav2Vec 2.0 上做分类电路发现，用冻结与随机对照验证预训练计算的作用，并以砍掉 QKV 残差把边发现显存从四次降到三次，代价是部分任务仍需保留 MLP 残差与早停。

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。

该文在 Whisper 与 HuBERT 每层编码器激活上训练 BatchTopK 稀疏自编码器，用跨种子稳定性、分类探测与消融、转向和脑电相关验证特征，最强证据是转向使虚假语音检出平均下降 70% 而词错误率仅从 5.1% 升至 5.5%，代价是彻底擦除语音概念需移除 19-27% 特征且强转向会破坏识别。

该文把线性探测、logit lens 与激活干预搬到 Whisper 与 Qwen2-Audio 上，追踪声学与语义表征如何随层演化，最强证据是解码器残差流可达 93.4% 幻觉判别与交叉注意力单头干预抑制 78.1% 重复，代价是合成语境偏置集与小规模探测集限制了泛化结论。

针对短视频广告中夸大表述与跨模态错位带来的细粒度政策违规，BLM-Guard 采用规则锚定的交错模态推理冷启动加自适应评论奖励的分组优化实现可解释审核，在自建基准与消融矩阵中报告严格准确率与一致性提升，但资源本次未能确认可达且一致性依赖大模型打分。

针对卒中后构音障碍的交替与顺序轮替发音任务，CLINIC 用临床可解释声学特征联合频谱与自监督语音表示做三级严重度分类并用 Shapley 值归因，GENIE 再用检索到的相似病例生成韩文四维度解释，报告显示平衡准确率 0.952 且重度召回 1.000，专家保真度 4.94，但重度样本少且仅覆盖任务化语音。

该研究用 10982 词、84932 条语义维度标注检验多模态大模型能否从发音形式推断意义，发现模型在多数维度上超过 0.50 基线并在深层更关注标志性音素，但与人类的维度分布仍有明显差距。

论文用线性残差化减去音素与二三音子成分后，发现英文预训练的 HuBERT 和 wav2vec 2.0 靠后层仍能在帧级别线性预测词身份，并在词发现中验证去音素表示的改善，代价是依赖对齐标签且音素去除未降到机会水平。

共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读

共分析 38 篇语音/AI 论文

针对 GMAW 角焊缝中难以实时发现的五类内部缺陷，论文用 16 帧图像与梅尔声谱的 3D 时序融合加跨块注意力将多模态 F1 提升至 0.99，并以 GradCAM 与 t-SNE 定位每类缺陷的图像关键区与更优模态，代价仅增加 0.1 GFLOPs。

在 ASVspoof 5 Track 1 的 4,080 条匹配子集上，用被动分数、键控探针、检索与说话人轮廓四路证据组成可审计记录并做晚期校准，使检索增强的固定融合从 15.84% 降至 11.91% EER、校准后达 8.43% EER 并在 33.75% 复核预算下覆盖 82.85% 错误，但最强被动 WavLM 仍为 6.71% EER。

针对仅靠音频评估无法诊断唇动与语音时序错位的问题，论文用跨模态注意力显式建模帧级对齐并导出时滞轨迹与稳定性指标，在 8 类录制条件下以线性复杂度和可视化分析实现可解释的同步性诊断。

论文把 ASR 监督前端是否丢弃声学信息当作可证伪假设，在同一 Qwen3.5-4B 流水线中对比 Whisper 与三类重建式编解码器，并用分层探针、几何比值与仅调 LM 头选项行的因果小手术证明声学结构在最终隐状态仍可恢复而 MCQA 失效主要来自读出对齐，但换前端本身不能解决情绪与环境声字幕的欠利用。

论文把幻觉拆为接地失效的必要条件与流畅编造的充分条件，用跳层因果干预定位到编码器最后 1-2 块为接地可恢复边界，并以有效秩压缩、透镜可读性与字形探针收敛作几何与可读性佐证，但干预本身只产生乱码或重复而非流畅幻觉。