基准测试

针对泰米尔语等六种东南亚语言真伪检测覆盖不足的问题，论文用十个开源与四个闭源系统按真实文本配对生成 711 小时数据，证明在 ASVspoof5 上为 1.25% 等效错误率的模型会在新数据上恶化到 43.8% 左右，而在新数据上微调可恢复到 0.2% 左右，但伴随原域遗忘与语言间难度差异。

针对文本生成歌曲评价维度重叠与高分扎堆问题，论文按作曲流程拆出七个原子维度并组织 11717 首专家标注样本，用 MuQ backbone 训练自动打分器，在分布外集上以 utterance 与 system 两级相关和 AB 辨别力验证细粒度区分能力，代价是依赖严格筛选的专家标注与长音频推理成本。

针对日语书面与口语风格差异导致语音大模型输出不适合语音合成的问题，该研究用直接偏好优化做口语风格对齐，在 SpokenElyza 上相对提升约 18% 而书面任务 Elyza 仅相对下降约 5%。

StanceBench 用 Seamless Interaction 即兴子集的角色提示构造 9 个人际立场两极对照，在统一音频裁判流程下报告鲁棒性与可分性，最强证据是共情与礼貌最易分而诚实最难分，代价是弱标签有效性与短片段证据不足带来的阈值敏感和高方差。

UG-Bench 针对大音频语言模型理解与生成割裂评价的问题，用解耦的四能力框架统一测 11 个开源大音频语言模型和 5 个专用语音生成模型，最强证据是 Qwen2-Audio 以 78.18 分居首而生成能力仍落后于专用合成模型，代价是中文标注样本不计入排名且生成只比平均意见分。

针对大语言模型时代文本转语音与声音转换带来的分布漂移，VoxENES 2026 用英西双语 53628 个样本与 10 种后处理复现部署条件，不微调评测 8 个预训练检测器，最好的等错误率也只有 28.98%，多数接近随机猜测，代价是现有检测器依赖的细粒度伪影不再可靠。

论文针对合成语音普及后水印检测缺乏统一跨分布评测的问题，用 10 种水印与三类扰动构建大规模基准并提出两阶段基线 AudioWMD，最强证据是白盒下 AudioWMD 在 Test1 取得 0.7715 的 AUROC 而单查询基线仅 0.4863，代价是黑盒 HSJA 谱域攻击下其检出率大幅下降。

针对韩语临床中英语医学术语可用英文原形或韩文音译两种合法拼写导致单参考词错率低估性能的问题，该研究构建带多参考变体的 MultiClin 合成对话基准并提出局部动态选参考评测，显示多文字感知评测大幅降低误差、训练标签统一为 100% 本地文字时最优，而 50% 混排熵最高、收敛最差，但合成语音与受限领域是主要代价与边界。

针对粤语语用资源稀缺且纯文本评测掩盖语音线索的问题，该研究把英文语用题转写为粤语并配对录音构建问答基准，报告显示文本加语音拼接优于纯文本而纯语音落后，但先进融合与说话人多样性仍受限。

针对综艺节目非写实、强喜剧与强同步音效需求，ARCHES 用规划-生成-检查-分派精修的多智能体循环结合检索增强与经验记忆，在 VSSE-Bench 上把 LSD 降到 0.77 dB、起音误差降到 0.048 秒，代价是依赖大模型判断与多轮迭代开销。

该工作把人到非人声音转换定义为保留源内容并复刻参考设计音色的任务，用 40 见过与 7 未见过预设和见过与未见过音色源构造配对测试，并以代表性模型的余弦相似度从 0.667 降到 0.610 和 MOS 从 3.81 降到 3.49 为代价展示泛化难度。

针对长而细的情感语音描述难以整体打分的问题，论文把评价拆成原子感知单元并用音频语言模型逐条做有无的二值验证，再与参考单元做语义匹配算 F1，在 320 对的人评上取得约 0.44 的正相关，而传统 n-gram 指标呈负相关，代价是依赖模型判断且对复杂人声事件的检出率明显下降。

论文针对音频大模型是否真用文本上下文做转写的问题，构建 55.93 小时、8 语 23 域的自然语音基准并用 L0-L6 逐级加信号的提示框架，在 5 个模型上测得母语文字实体表带来最大命名实体增益而对抗错误实体暴露盲从与无视两种失败，且基线转写好的模型不一定更会用上下文。

针对毛利语没有可用合成语音、通用引擎发音近乎不可懂的问题，Te Hiku Media 以原住民领导、母语者音色、逐句人工整理与听辨做出男声约 24 小时加女声超 8 小时的双语录音和 90 句加 100 句固定基准，用少而精的数据得到毛利语优先的高质量语音，代价是流程耗时耗人且评估主要依赖专家主观听辨。

IQRA 2026 针对现代标准阿拉伯语的误发音检测与诊断任务，引入 1333 句真人误读语料与统一评测，用两阶段微调与对齐改进的 CTC 方案把 F1 从 0.4414 推到 0.7201，代价是小规模真人数据依赖与音素到字形反馈尚未打通。

该研究固定说话人与文本、只系统改变常态、气声、嘎裂声和句末嘎裂四种发音，用开放式生成与情绪识别检验语音基础模型，发现在 LFMAudio2 上非常态发音显著改变能动性与领导力评价并伴随性别不对称，而商业实时接口连性别这一生物特征检查都未通过。

该研究把副语言评判拆成风格、语速、重音、年龄、性别五个可控成对任务，用 5175 个音频对和 Tie 弃权条件测出最强模型仍比人类低 17.7 个百分点，且在 Tie 上几乎不弃权，代价是位置偏置与文本依赖同时暴露。

针对希伯来语无元音文本欠指定重音等发音特征的问题，论文用冻结注音模型加轻量增强头再经规则转写得到完整国际音标，并用 2 小时专家标注语料证明小参数本地语音合成模型能接近大专有系统，但仍受限于基础注音模型的元音与语体偏差。

论文针对大模型语音合成隐式处理多音字、字形识别正确但拼音错误的问题，构建覆盖 494 字和 88 词的三套测试集并用 Qwen3-Omni-Instruct 做自动拼音标注，最强系统主集拼音准确率仅 82.02%，方言和口语类仍大幅落后。

针对传统词错误率用统一归一化抹掉格式差异的问题，该工作构建 3210 条音频-指令-参考三元组并用偏好感知归一化选择性跳过评测步骤，最强证据是 Qwen3-Omni 在归一化偏好指令下取得 9.84% 而实体偏好下幻觉到 12.68%，代价是仅覆盖英语且仍需人工校对。