基准设计

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。

BACH 把八种约 1 kbps 的神经音频编解码器放在五种生物声健康任务上，用原始域、压缩表示域和重构音频域三条路径对比，发现重构保真度高的编解码器不一定保留诊断语义，而解耦语义的编解码器下游更好但重构受限。

该文在统一录制协议的 18 人芬俄双语 FROST-EMA 上以留一说话人方式系统比较原始 EMA 与声道变量、自监督前端与 MFCC、BiLSTM 与轻量注意力反演器，最强证据是跨性别约降 0.05–0.10 而跨语言约降 0.10–0.20 且舌体收缩位置退化集中在音位活跃段，代价是俄语女性仅 2 人及唇突出维度本身难以从声学恢复。

针对轮次切换评测只看说没说的问题，CoDeTT 用 4 动作加 14 意图的分层决策与两阶段漏斗评测揭示动作正确但理由错误的幸运猜测，其代价是合成主导的数据构造与历史过长时的语义过承诺。

针对儿童中心长时录音跨库异构、无共享基准、儿童敏感语音难合规使用的问题，论文用 DataLad 加 ChildProject 标准化 27 个语料并给出四任务基准管线与 ELSI 分级治理，最强证据是全量数据重训语音类型分类在关键儿童类达 73.4% 而仅公开数据平均仅 44.4%，代价是 21 个语料仍需授权且人工筛选映射不可省。

针对西班牙语和法语 10 个国家级方言自建 20 小时性别均衡播客语料并评测 7 个模型，发现法语偏向欧洲、西班牙语呈现多米尼加优于半岛而智利最差的非均匀差距，词法与声学分析及编码器冻结微调共同指向解码器语言模型先验是主要故障点，但小规模适配只能部分恢复方言特征。

DiscoPhon 要求在未见过的语言上仅用 10 小时语音产出离散单元并映射到预定音位表，用多对一与一对一两轨分别考查单元纯度与音位对应，最强基线 SpidR VP-20 微调后在多对一上显著优于 HuBERT，但插入错误主导且一对一仍极难。

该研究用 UniARC 框架在语音、声音、音乐三域对照连续特征与离散口令，发现语义约束而非离散与否决定理解性能，增大语言基座不能补偿前端信息损失，而离散表示收敛更快但高保真重建类编码器在语义任务上明显落后。

论文用视觉世界眼动时间线做基准，对比因果与非因果端到端语音识别模型的词激活轨迹，发现因果循环模型能复现先队列后押韵的竞争顺序而非因果与大预训练模型不能，但识别准确率更高者反而偏离人类，代价是小词表孤立词和受控语义目标的生态效度有限。

该研究用 10000 条 7 语 34 情绪的三级感知重音标注检验 EmphaClass 与 WhiStress 在单语、跨语、多语、跨唤醒度和跨数据集下的泛化，报告语系内可迁移、跨语系与中文显著下降而多语联合训练可恢复鲁棒性的证据与代价。

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。

该研究要解决金融财报电话会议上通用语音识别因术语、数字和行业长尾而失准的问题，选择构建 498 小时全量集与 46 小时行业均衡切片并配说话人角色与行业元数据，用 Whisper 与 Parakeet-TDT 可复现基线显示均衡集更难且生物技术等领域词错误率明显高于平均，但均衡切片仍只覆盖美国英语且未验证多语言与部署代价。

FakeSound2 把声音伪造检测从二分类扩展为定位何时伪造、辨别如何伪造与追溯何处来源的三维诊断，证据是域内操纵类型精度 93.1% 掉到域外 32.4%，代价是相似操纵与新来源仍难区分且需大规模可控构造与标注。

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。