基准测试

针对长时多方全双工对话缺数据缺评测的问题，论文用两阶段脚本合成加 IndexTTS2 渲染构建 57.6k 小时中英并行流语料并以两阶段微调 Moshi，在 MultiTalkBench 上最终分从 4.66 升到 13.15 但仍远低于人类 68.74。

在机载旋翼自噪声下识别十个飞行指令词时，跟踪窗前两秒每频带噪声地板并做条件化输入，能在保持对数梅尔基线误报率的同时把低信噪比检出率转成实际增益，而直接相减的归一化虽能提逐段准确率却会放大连续噪声上的误报。

针对瓶鼻海豚哨声结构研究缺深纵向数据的问题，论文用半自然定点连续录音加两阶段标注构建约 18 万哨声语料与 8354 条专家标注子集，并以域内 Wav2Vec2.0 线性探测在分类与检测上超过通用生物声学模型，但两任务仍留有明显误差空间与单点单群等限制。

该挑战要求在多轮对话下同时给出前 20 首排序和有依据的回复，最强可复述证据是多路候选加保留来源证据的学习排序在受控对比中提升 nDCG，而冷启动与模糊单目标仍是主要代价。

该研究用典型性与干扰相似度双因子控制的 sounding actions 基准探测约 30 个大音频语言模型，发现典型样本到非典型样本与近干扰下的准确率系统性坍缩到接近随机，而层级分解有助、事件显式 grounding 普遍有害，人类仍大幅领先。

论文先用 80 例平行对诊断冻结 TTS 速度场是否存在可用、无代价分段的情感编辑信号，再提出动态速度搬运的 SEmoEdit，在 600 例基准上以替换 TEP 0.691 与擦除 NP 0.704 超越训练式与转向式基线，代价是说话人相似度下降与跨域控制依赖骨干。

针对参考条件下的跨语言语音二选一诊断任务，论文用约 300 组人类偏好筛选并校准声学度量为非约束性概率提示以扩展出万级监督，再比较监督微调、在策略蒸馏与强化学习的不同分工，报告显示维度一致性提升 6.3 个百分点但强化学习主要改善高共识样本且可能降低维度诊断分。

针对闽南语缺少大规模真实语音加方言与普通话配对转写的问题，该文用约 10000 小时多源媒体加三系统投票与翻译或字幕抽取构造配对语料，并在人工核验基准上显示微调后闽南转写字错率降至 15.21%，普通话转写平均指标接近商用系统，代价是保留了低质量历史剧集录音与转写非逐字对齐带来的跨基准不可比。

论文把单声道音频视觉实例分割扩展为双耳音频视觉实例分割，用纯音频声源定位学图像平面空间与语义先验再注入查询解码器，在 BiAVIS-Bench 上报告相对最强单声道基线提升 17.22% mAP 与 7.71% FSLA，代价是依赖固定相机与仿头采集几何并受类别规模限制。

CUE-Mem 用显式与隐式对照的多会话文本图像音频历史检验长期用户记忆，显示隐式线索的保存与检索是主要瓶颈，而细化文本化与原生多模态接入只能部分缓解且带来代价。

Duplex-MPE 用 2000 对显式与隐式称呼配对的多人连续语音场景，检验全双工助手何时新发起回答、答对、保持安静与在他人解决后收声，最强证据是 MiniCPM-o 4.5 在三项能力领先而高语音覆盖常伴随答错或侵入，代价是合成场景与自动语义打分只在抽样上经人工验证。

FA-Bench 用固定转录归一化、固定划分与全边界容差 F1 把 21 个开源模型与 9 个商用接口放在干净与四种退化语音上重跑，报告了 MAE 只算命中词带来 9% 到 14% 的虚低与 Whisper 约 150 ms 系统性偏早等偏差，代价是音素评测仍受词典与实现差异限制。

论文针对 Whisper 在无语音音频上编造句子的问题，用同一批幻觉短语的合成真人朗读做正例来配对抑制训练，在 33 组配对微调中把野外无语音词发射率中位数降低约 0.118 并把短语召回中位数提高约 0.186，最佳点把静音幻觉从 61.9% 降到 2.4%，代价是 FLEURS 多语言误差仍高于基线。

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

MAESTRO 用 16 人同步脑电、注视、瞳孔、第一视角视频、头动 IMU 和环境音频做四选一注意说话人分类，基线报告多模态在各窗口上相对单脑电提升约 5 至 13 个百分点，但包络削波伪影需经直方图均衡去除后结果才是保守下界。

论文针对参考引导的 expressive 语音生成评价问题，用三元组分级比较构建 SES-Bench 并以累积 logit 序回归训练 SES-Judge，在 848 个测试比较上取得 Spearman 0.5297 与准确率 74.96%，显著高于嵌入余弦与大音频语言模型，但仍只覆盖 TTS 与 VC 两类任务与有限情感分布。

VoxMem 用四种声学证据与四种记忆操作的分类构造多会话语音记忆基准，在 15 个大音频语言模型上显示 32K 时无人超过 40%，且词汇语义远好于说话人、韵律与环境声，并随历史变长持续下降。

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。

AcoustiClaim 把自由文本中的数值声称抽出并与定义该量的仪器读数对比，用混合语料控制参考是否在输入中，最强证据是外部面板仅 8 个可排序单元超过 0.3 排序相关且误差多在常数基线之上，而带校准拒答的参考系统在混合上降低十个量的选择风险但排序优势仍在均值预测器。

针对声音与文本矛盾时模型只信文本的语义主导问题，论文用对抗合成基准 ASPIRE 和解耦网络 ACR-Net 做诊断与分离，在极性冲突上把声学准确率做到 68.4%，代价是依赖合成语音和额外解耦超参数。