可解释性

该文把语音编码器表示聚成系统发生树并与 Glottolog 标准树比较，报告词典统计上限仍明显优于所有神经表示，而 Whisper-LID 相对最好、XEUS 最差，且多数模型在未见语言上反而重建得更好。

该研究针对语音认知障碍筛查中变换器不可解释的问题，选择在 SpeechCARE-AGF 筛查模型上叠加 SHAP 词归因、理论驱动语言特征与四阶段大模型推理，最强证据是测试集 AUC 86.83% 与 F1 72.11% 基础上的 70 例盲评一致率 98% 与可用性 82 分，代价是解释目前只覆盖语言分支而未解释声学分支。

该研究以线性探针检验预训练语音嵌入与声学、语音和结构特征的关联，最强证据是振幅与频谱特征在测试集上可解释约五成方差，而形态句法特征几乎不可线性读取，代价是中值池化和线性假设可能压低结构信息的真实含量。

针对语音伪造检测泛化差且缺可解释推理的问题，该文用 4 万条人类标注的伪造线索做思维链监督，在 SALMONN 上做二分类与推理联合微调，最强证据是 Test-1-HL 上 EER 从 15.7% 降到 13.2%，代价是推理质量提升小且对高保真未见合成器仍吃力。

该文把静音替换作为破坏基线，用干净隐藏状态回填来测量恢复率，在四个听觉属性上追踪五个模型，发现融合深度分化与末 token 瓶颈，但未给出可部署精度的数值增益与开销测量。

该研究以推理时因果干预解剖 SAM Audio 的文本条件与自注意力收敛，发现加性注入定语义、交叉注意力修声学、稳定层早收敛，并据此提出免训练的层选择注意力缓存，以约 25% 自注意力计算节省实现最高 6.7 倍的质量保持优势。

针对全频带黑盒检测难定位伪造痕迹的问题，BandMIL 用 8 频带注意力做可解释谱分析、用 WavLM 做全局时序建模并以门控融合与多实例学习聚合，在 ASVspoof 2019 LA 上报告 1.28% EER 和 0.0331 min t-DCF，但融合在 A10 等三类攻击上弱于单分支且未验证跨数据集泛化。

针对波兰语儿童咝音替代筛查，论文用波兰语 wav2vec2 加 6 层后编码器做带括号替代标记的 CTC 词元识别，再经 Levenshtein 对齐定型并由固定模板助手呈现，在 10 名未见儿童 559 句上报告 88.7% 整句匹配与筛查代理 F1 为 0.67，代价是仅覆盖固定提示词与替代类偏差且假阴性仍明显。

论文用双耳掩蔽级差检验 9 个冻结模型的微秒级耳间相位编码，发现通用双耳模型靠谱-时干扰纹理而非跨通道相位计算，专用相位感知模型才获得实质但未达解析上限的释放量，而宽带语音中的高检出率是包络混淆。

论文把非语音幻觉当作编码器表示中线性可分的方向来检测，用原始激活转向和稀疏自编码器潜变量加性转向做免微调干预，最强证据是完整非语音测试集上 small 从 72.63% 降到 14.11%、large-v3 从 86.88% 降到 27.33%，代价是中文 CER 明显上升和语音 WER 小幅波动。

论文用典型相关分析和留一组合重构检验冻结的 Wav2Vec2、HuBERT 和 CLAP 能否把未见声源组合表示成各声源贡献之和，最强证据是 CLAP 在 FSD50K 重复保持组合上同时超过置换与标签重叠基线，但三者都存在不可忽略的重构残差。

针对日本长期照护高龄有症状人群的六通道前胸数字听诊任务，论文用 X 线监督训练共享权重 ARP-N 卷积网络并在病人级重复交叉验证下比较临床诊断监督，最强证据是听诊单模态 XRAY 模型 F1 为.729、准确率为.783 而融合模型 AUC 为.791，代价是单中心 185 例与域漂移限制外推。

针对病理性语音可懂度评估需要准确且可解释的问题，ART-NAD 用说话人无关声学到发音反演得到的九通道准声道收缩变量替代 NAD 的 wav2vec2 特征做多变量 DTW，在 20 个参考音频协议上平均说话人级 Pearson 相关与 NAD-FA 持平而可定位到具体收缩通道，代价是反演模型只在英语 EMA 上训练导致非英语连贯语音出现差距。

论文针对巴西葡萄牙语合成语音口音稀释问题，用多语言音素识别加传统声学分析构建说话人级音系画像，仅在自然语音上拟合核密度估计即显示可分性，并在自建集与公开反欺骗集上验证了对大模型的增益与跨域泛化，但语音克隆场景下增益收窄且需要较多同说话人语句聚合。

XSQ-AST 用冻结的 SQ-AST 做多维度打分、用 WhisperX 做音素对齐、用显著性加核密度估计定位时间毛刺，40 人听音验证显示 Rollout 等方法与听众标注呈中等相关且 AUC 高于随机，但不同伪影类型最优方法不同且存在未评测边界。

论文用分组留出的方向消融检验语音有害请求的拒绝边际，发现 Qwen2.5-Omni 在 L16 处消融使边际下降约 7.10 而投影器处仅约 0.013，代价是良恶提示的措辞差异使该方向只能读作拒绝相关而非纯粹有害性。

共分析 29 篇语音/AI 论文

该研究在抑郁、构音障碍、帕金森和口吃五个语音数据集上只用首秒或静音段做分类，发现其加权 F1 常与全音频持平甚至更高，说明录音条件等非言语线索可能贡献了预测性能，但未定位确切混杂源。

论文用 124 位作曲家的旋律续写任务训练条件 Transformer，只以作曲家身份为监督，学到的 124×128 嵌入的第一主成分与出生年强相关并通过打乱检验，最强的向量算术例子同时暴露了旋律表征覆盖不了配器音色的代价。

针对自动视频面试只给分数而缺乏可检查依据的问题，E-AVI 选择先抽取带时间戳的结构化多模态证据再做维度条件打分，在 RecruitView 上把 MAE 从 0.641 降到 0.607、Spearman 从 0.440 提升到 0.541，代价是提取阶段仍是 83.3% 困难样本的瓶颈且推理依赖 15 秒级抽取开销。