基准设计

论文把语音后期识别定义为效果存在、预设类别、数量与强度回归的多粒度任务，用固定六效果链加 2520 种组合的可复现渲染器构造数据，并以 AudioMAE 多任务基线证明鲁棒增强能缓解采集与平台退化的跨语料下降，但细粒度预设分类仍困难且存在效果间差异。

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。

该研究用与 LRS3 测试集七个因素分布严格对齐的新测试集 MV2LRS3 检验五个主流视听模型，发现词错误率从 1% 以下普遍恶化到 14.0% 至 23.5%，且时长与词表偏差是主要驱动因素，视觉模态在新集上反而多数拖累音频。

论文以 3000 句人工标注比较 30 多个大模型与传统形态分析器的日语字音转换，证明解析模式加规则后处理的最优假名错误率降到 0.52%，低于最强传统工具的 1.03%，但小模型、数字量词与推理模式仍有明确代价与边界。

论文针对通用词错误率难以反映人名公司产品名可用性的问题，在财报电话短片段上构建带本地与全局定制词表的公开基准，用关键词提示与关键词加权两类共六个系统做可复现评测，报告显示加上下文一致提升关键词 F 值但词错误率变化不一，而全局干扰词主要考验精度。

论文用统一纯 Python 工具 DeepFense 复现已有系统并做 96 系统交叉评测，报告显示自监督前端主导性能方差而 CodecFake 训练泛化最好，但高平均性能伴随质量性别语言上的公平性代价。

论文要解决音节切分方法分散、难以同条件复现比较的问题，用包络计算、帧特征、切分算法三模块可互换的 findsylls 工具包统一经典与神经路线，在英语、西班牙语和 Kono 语七个语料上以 50 ms 容差比较核、边界与区间 F1，最强神经组合以 3-5 tok/s 实现最高边界与区间精度，但经典包络在吞吐量上高出一个数量级。

论文针对词错率把所有错误等同处理而漏掉关键语义改变的问题，提出从词汇、语音、形态、语义四个维度分别计分的 SHALLOW 基准，最强证据是合成受控数据上各指标只在目标类别取峰且语义与词错率近正交，而代价是权重与语言相关模型带来领域依赖与英语限定。

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。

论文把语音检索问题改为语音查询加自然语言指令共同决定相关性，用四个子集覆盖语义、说话人、风格、环境音及其组合，并用四类基线证明语义与声学能力目前分属不同路线且多属性组合仍很困难。

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。

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。

该研究用 10150 张 MENA 文化图像的三元组对比基准检验文本与语音、英文与阿拉伯语下视觉 grounding 是否一致，提出条件性对比不稳定性指标并报告语音尤其在阿拉伯语下显著放大碎片化失败，而增大规模与语音加文本联合输入只能缓解不能消除。

针对巴西葡萄牙语自发语音缺乏统一评测的问题，论文把多个公开语料的测试集拼成 72.46 小时的 Tarsila-ASR，用它评测开源模型并以 1156 小时会话数据微调 Whisper-large-v3 得到最低词错误率，但代价是推理更慢且中间检查点优于长训练。