声学场景分类

论文针对标注很少且教师本身也在同样少标注下训练的声音分类，提出先把真值换回前 k 高置信集合再把支撑内关系、支撑与补集质量、补集内关系分开蒸馏，在城市声场景和鸟鸣两个基准上稳定优于独热基线和常规全分布蒸馏，但对其他强蒸馏基线的相对优势随任务、预算和指标而变化。

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

针对无源数据的多源声场景适配中设备异质导致的预测偏置问题，论文提出先做后验校准再按标签一致性加权的 FASOLA，在 DCASE 2020 六个仿真目标设备上平均准确率报告为 54.43%，代价是需要遍历目标集估计全局统计量且依赖多模型间的一致性假设。

针对多分支卷积只做简单相加而没有补偿各分支局限的问题，该工作把通道、时间、频率与联合时频权重按感受野特性交叉分发，在 TAU 2020 上报告 72.03% 准确率，代价是保留分支导致失去重参数化合并的推理简化。

该文用 Whisper-small 共享编码器加三分类门控在推理时按需激活转写、情感和场景头，在自合成的 ESAS-32K 上把非语音幻觉率从 96% 以上降到 1% 以下，代价是固定 10 秒英文合成数据与有限场景下的验证边界。

针对 1 秒短时声场景分类中局部事件导致长短窗预测不一致的问题，论文提出语义对抗训练以抑制事件偏差，在 TAU20 上把总体准确率做到 63.5%，其中最高差异分位提升 12.0 个百分点，代价是在最稳定分位小幅回落约 1.2 个百分点。

该文针对前景事件变化而场景类别不变时的声场景分类失效问题，用 CochlScene 背景加 FSD50K 前景的受控混合构造 ESAS 基准，并在六个可运行系统上报告背景到未知事件的系统性掉点，代价是合成混叠与真实采集之间仍有差距。

该文把去噪目标改为随声场景变化的界内与界外事件，用先做声场景分类再做条件掩蔽去噪的两阶段网络，在六类场景配对数据上以可运行的 UNet 为基线对比，学习到的上下文取得最高 SI-SDR 但合成混合的统计失配仍是主要代价。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

语音去噪 | 7.5/10