基准测试

针对非洲语言在朗读基准上被低估的部署误差问题，AfriVox-v2 用 14 种语言的自发野外对话加 10 个应用领域标注来重测现代模型，最强证据是区域优化的 Sahara-v2 在 AfriVox-v2 平均词错误率 20.49 仍显著低于通用大模型，但数字 20.32% 与命名实体 23.11% 的高误差说明关键信息转写仍不可靠。

该文新建 14 口音 128.6 小时角色扮演客服对话只做评测，报告显示手动切分多为最优而固定长窗仅对 Qwen3-ASR 更优，且口音间绝对差距可超 10%，平均词错误率降低并不自动带来口音鲁棒性。

论文用显式与隐式问法加语音注入构造 6.5K 评测揭示 Audio Flamingo 3 等模型高达 95.35% 攻击成功率，再以 120K 偏好对做 DPO 对齐把隐式攻击成功率从 79.19% 降到 40.24% 但仍残留显著幻觉。

Audio2Tool 用约 30000 条横跨智能车、智能家居和穿戴设备的八层语音查询，把语音工具调用拆成选接口、填参数和多步编排来测，报告显示简单命令准确率高但多意图与强噪声下精确匹配大幅下滑，且端到端语音大模型尚未稳定超过先转写再调大模型的级联路线。

针对音视频特征同时需要时间敏感与语义敏感却被混在一起评的问题，该研究用野外视频构造时间扰动与语义编辑两条独立挑战，以 0.64 秒分块对角相似度的二选一准确率为证据，显示时间强者与语义强者并不重合，但生成式编辑引入的额外声学差异仍是代价。

论文用只交换两种乐器之间一个属性的最小扰动检验文本嵌入是否保留绑定关系，发现四个对比模型在原句与交换句之间接近随机选择，大模型的较高分数主要来自无音频语言先验，对称音频集上全部回到随机水平。

论文在英日德三语 MELD-ST 上量化语音大模型情绪识别的语言依赖性别差距，并用经验风险加最坏语言内男女损失差距正则与自适应权重训练，在单模态提升约 5.5% 且多模态提升约 5.0% 的同时把总体性别差距分别缩小 0.1% 和 1.4%，代价是固定大权重会明显损伤识别性能。

该文把主动语音交互拆成四个可判定任务，用 1182 条合成语音样本测何时介入与介入做得对不对，发现主流多模态模型普遍过度触发且思维链能部分缓解但未根治。

针对自然语音中多情感共存却被多数投票抹掉的问题，该工作把 MSP-Podcast V2.0 的众包投票转为确定性多热标签并控制长尾，再用 MFCC 与 log-mel 双分支 Mamba 融合建模，在 Test1 与 Test2 上微平均 F1 约 0.50 的同时把参数量控制在约 3M 量级，代价是尾部情感在固定阈值下依然难以检出。

针对多事件缺失与时序颠倒问题，该工作用音频大模型分别核验事件存在与事件顺序来构造偏好对并做直接偏好优化，在 AudioCaps 与多事件叙事基准上提升联合指令跟随准确率，同时保持可比的音频质量与分布指标。

论文用相同句子配对立上下文来检验词级重音，报告显示纯文本模型能从上下文推断重音而所有受测语音合成系统都难以在语音中稳定实现，显式标注也只是不完美的上界。

该研究在 29 种语言 33 个数据集上冻结 11 个自监督语音主干只训练分类头，发现跨语言迁移更多受语言结构类型制约而非预训练量或参数规模，最强平均 F1 来自 Whisper 而达罗毗荼语系系统性失效且增大参数不能解决。

论文把鲁棒性当作随分布漂移持续演化的能力，用语言内容、说话人特征、声学环境三类因子构建 MoDiCoL 并设计四段课程，对比经验回放、表征正则与正交梯度三种持续学习策略，最强证据是 10% 回放把平均词错率降到 17.31 并接近零遗忘，代价是仍依赖记忆容量与任务顺序且部分组合靠合成与仿真补齐。

针对只用少数公开模型训练导致在真实商用语音合成面前泛化不足的问题，论文用 30 个 API 约 230 小时伪造语音构造 MultiAPI Spoof 并提出在嵌套块间加滑动窗口局部注意力的 Nes2Net-LA，加入训练后把 MultiAPI 测试集等错误率从 7% 以上降到 1% 以下且在未见 API 上仍有效，代价是 API 溯源中未见类召回仍偏低。

针对非言语发声合成缺乏配对真人参考与统一指标的问题，NV-Bench 用 1651 条中英野外语音与双维度协议测控指令对齐与声学逼真度，最强基线 NV-CV3 在普通话单标签上做到 PCER 27.69% 与 OCER 4.90%，但多标签与英文仍有明显差距。

NVV-SuperBench 针对笑、叹息、哭泣等非言语发声提出 45 类双语可控生成基准，用客观、人听与大模型多评分者三路评估 15 个系统，报告显示可控性常与语音质量脱钩，而低信噪比口腔音与长时情感发声仍是最难的瓶颈，且加非言语发声会抬高词错误率并改变自然度偏好。

该研究用 5357 句覆盖 10 种印度语言的受控基准和 12 万余次成对比较回答多语言 TTS 如何可靠排序，发现 Gemini 2.5 Pro TTS 总体领先且表达力最能预测总体偏好，代价是需要百名量级母语评委和千句量级句子才能稳定排序。

该研究不做端到端定位或增强，而是冻结 13 个预训练音频编码器、用线性探针检验 7 个声源级与房间级因子是否可解码，发现声源因子系统性易读、房间因子系统性难读，且输入格式与训练范式决定编码偏置。

针对韩语短句中文字相同但情感不同的语用歧义问题，论文在冻结的 Whisper-large-v3-turbo 编码器之后拼接插值对齐的基频与能量并联合建模，用同一骨干上子集准确率从 12.46 到 26.39、语用歧义消解从 21.00 到 32.60 的提升证明表示层缺韵律是主因，代价是只验证了特定分类头与数据集且未报告延迟与开源可用性。

针对词错误率把声学失败与格式失败混为一数且在马拉雅拉姆语等黏着语中因合法连写被结构性夸大约三成的问题，论文用带连音容忍对齐的四维误差向量做诊断评估，并用大模型清洗管线训出印地语等三语丰富转写模型，最强证据是数字维度与专家评分相关达负 0.92 而词错误率多维不显著，代价是标点仍高达百分之十以上且本次未能确认代码权重可达。