可解释性

论文用线性残差化减去音素、二音子与三音子信息后，再用帧级线性探针测词身份，发现中后层仍能远超偶然基线识别词，同时以词发现任务验证去音素表示的增益与去上下文信息的代价。

论文把图像领域的 DAAM 归因搬到语音扩散模型上，用每词时间热力图研究风格描述词如何影响合成语音，最强证据是风格词时间方差显著更低且与能量语义一致，代价是只在单个 CapSpeech 模型和合成提示上验证且无因果干预。

论文以频带为单位用沙普利解释、部分依赖图与单带扰动对照三个质量评估网络与人类评分，报告网络与人都对拉低分数的因素更敏感且网络集中依赖低频带，而 MOSNet 在放大扰动下反向走高是主要代价。

针对音频编辑缺少参考真值而难以评价的问题，该工作在 Qwen2-Audio 上先补差异与共性联合理解，再用七步思维链做可读文本评价，最强证据是差异与共性准确度与人工编辑和保持评分呈现互补相关，而代价是保持维度的声学一致性建模仍弱于专用监督打分模型。

该文用音频干预检验推理是否扎根于声音、用思维链干预检验答案是否跟随推理，在 Audio Flamingo 3 与 Qwen2.5-Omni 上发现文本侧多半忠实而音频侧常出现幻听与对抗带偏，代价是强退化下接地显著下降。

论文用冻结编码器的逐层探测研究非裔美国英语词尾辅音丛弱化，证明两种模型都能区分弱读与完整形式且弱读仍保留底层塞音身份，代价是二分类准确率受协同发音和丛类型制约而只能达到七到八成。

论文用四类不流利标记改造 whisper-small.en，先在 SME 上建立标记机制再按 Pitt、Delaware 顺序持续适配，发现能稳定发出标记的方法都要付出预处理词错率代价，而跨注意力少数头的共享特化解释了标记学习与通用识别之间的冲突。

针对 Transformer 语音识别难解释且时间定位粗的问题，LEAF-X 选择模型内部注意力做熵加权与跨层聚合解释，在 Whisper 与 Canary 上以更低的删除代价和不稳定性支持更忠实的词帧对齐，但因果重加权带来额外前向开销且未做用户研究验证。

该研究用 FinnAffect 自发芬兰语语料和 127 种文本加音频特征组合做效价与唤醒度回归，证明双模态组合把效价 CCC 推到 0.428 而唤醒度仍以音频为主达到 0.688，代价是可解释词典与句法特征单独解释力很弱。

论文用去掉舌区输入和舌掩膜引导的双编码器检验舌区贡献，发现在单帧二维卷积映射下两种操作均未带来统计显著的质量变化，但引导模型把激活集中到了舌区，代价是结构更复杂而客观指标没有提升。

针对推理时缺少说话人坐标导致地理条件适配无法启用的问题，论文用冻结编码器上的轻量坐标回归头先预测经纬度再做两遍解码，在荷兰方言上用 10 秒语音达到约 25 公里、30 秒约 16 公里定位误差，使无坐标的 CRH+GLoRIA 比同秩 LoRA 平均好 3.05% 词错误率且距真坐标上限仅 0.58%，代价是多一次编码器前向、延迟增加不到 3% 且外推区域 …

针对大音频语言模型在问答中编造不存在声音事件的问题，论文用等长静音作负例构造声学转向向量并按层加权干预，在音频幻觉问答上把 Gemma 总召回从 53.4% 提升到 69.0%，在 MMAU 上把 Qwen 准确率从 54.8% 提升到 59.2%，且不训练任何参数。

针对鼾声四分类的类别不平衡与黑盒问题，该工作用半难三元组加类别平衡交叉熵学习单位超球嵌入，以类质心做主推理并用支撑样本加时频激活做解释，在干净条件下宏召回从 0.401 提升到 0.638，代价是强噪声下优势消失且固定窗与 E 类分散仍存局限。

针对经典线性预测按帧独立且假设高斯残差导致轨迹抖动的问题，论文提出直接优化对数面积比的 LP-DDSP 与端到端 SMELP，在 VTR 库上把平均误差降到 166-246 Hz，代价是 LP-DDSP 需每句 1500 轮逐句优化。

该研究把 GCC-PHAT 拆成可探测的中间目标，追踪 MLP、CNN、Transformer 各层学到什么，最强证据是互功率稳定可解码而 PHAT 相位始终不可解码，代价是混响下时延本身的可解码性仍随 T60 下降。

针对句重音依赖跨词上下文而单层表征不完备的问题，WhiSSDapt 在冻结 Whisper-small 上学习编码器与解码器层权重并经额外解码器块分类，在自然与合成数据上报告最高 4.48% 和 6.09% 的相对 F1 增益，代价是只更新融合权重与分类头且未报告延迟与成本。

针对语音伪造检测只给真假标签而缺可核对解释的问题，该工作用冻结检测模型的可解释人工智能归因图加声学特征重要性约束多模态大模型生成时频定位解释，在 PartialSpoof 上以人工评分和定位保真度检验显示定位精度大幅提升，但多模型聚合会增加推理难度与不稳定性。

该研究以单通道去混响为对象，先证实扩散式与判别式 NCSN++ 深层都学到房间脉冲响应可分的表示，再用对比预训练房间编码器经 FiLM 注入扩散模型，在 N=15 到 100 上提升 PESQ 与 DNSMOS 并加快收敛，代价是需要额外编码器与关闭 EMA 才能稳定训练。

该研究用同一批声学特征同时训练临床诊断模型与人类听判预测模型，发现两者整体部分对齐但在希腊语与男性组完全失齐，而病理模型在该两组未超随机水平，代价是全局可解释性会掩盖这种分组失效。

论文用冻结语音自监督模型的分层聚类信息量与下游可学习层权重的排序比较，证明在 10 分钟监督下对比式模型的权重分布能系统反映预训练音素与词信息结构，而 1 小时监督与聚类式目标会削弱这种对齐。