多语言

针对转写链式思维在有监督微调中用参考转写做前缀而推理用自生成转写的不一致，论文用 GRPO 同时奖励自生成转写和以其为条件的翻译，在相同 CoVoST 2 训练样本下 CoT GRPO 在两套测试上 BLEU 领先并把 WER 相对降低 8.8% 和 7.2%，代价是需要多样本 rollout 和显式调 ASR 权重。

CycleSpeech 以结构化声音档案为共享可验证目标，先联合监督微调再用 CycleGRPO 交替优化合成与理解，在中英文指令匹配上相对基座提升 4.50 和 10.06 个百分点，代价是需要 20,046 条对齐语料与多步采样奖励计算。

针对大规模多语言话者确认中注册与测试语音可靠性差异大的问题，该文在常规逻辑回归融合之外增加一路按熵可靠性分位数加权的逻辑回归并各取一半相加，在自建大规模集与 SdSV、CommonBench、TidyVoice 上均降低等错率与实际检测代价，但 ECAPA2 分组出现例外且注册样本为 1 时增益变小。

该研究在 316 个按说话人划分的多语联邦客户端上比较四种语音大模型与 FedAvg 和 FedProx，最强证据是 Whisper 加 EuroLLM 在解冻编码器并调低其学习率时取得 0.1170 词错率，而 FedProx 只在该多语解码器上有效，代价是联邦仍远差于集中训练且对编码器预训练类型高度敏感。

针对 16 类非言语发声联合转写任务，该工作用跨数据集标签归一加平方根采样后接均匀微调，在官方评测得到 63.86 分排名第四，代价是第二阶段在本地验证集上从 66.25 分回落到 58.91 分且多数类别 F1 下降。

MSI-Bench 用 1152 个多人多轮语音场景考查说话人限定的记忆、指令跟随与推理，最强配置英文全通过率仅 66.8%、中文 54.5%，开源模型主要卡在多人语音感知，前沿模型则卡在干净文本上的说话人限定决策与开口克制。

MuLA-Bench 用 5038 个开放问题检验 16 语言长音频理解，发现语言难度随领域和任务变化、声学证据差距随操作变化、找对事件不等于对准时钟，而代价是声学单元稀疏不均且长尾结论受限。

针对多语言双人长对话口语问答中不同问题依赖不同证据的问题，该工作用带说话人时间戳的转写做主干、按问题动态挂接局部或全局音频，开发集任务二达到 94.84% 准确率，但消融无法完全分离标签质量与证据分配的因果。

针对印度 22 种官方语言语音识别评测中干净音频导致分数虚高与单参考转写导致有效变体被误罚的问题，Vimarsha 用 43.3 小时受控田野录音加 56.1 小时难例野外音频与每词平均 1.5 个可接受变体的格状参考进行评测，发现 10 个主流模型在野外条件下排名大幅变动且最佳系统词错误率从约 10–15% 升至 27–34%，代价是多格评估与人工校验成本 …

COT-TTS 研究给定历史对话音频、固定目标文本和参考音色时如何先显式推理说话方式再合成语音，最强证据是 0.6B/1.7B 端到端模型在时长一致性和人评上接近 34-39B 级联基线，代价是可编辑推理大幅改动时会降低客观音质并引入推理与语音错位风险。

SEABED 针对印尼语、泰语和马来语真实语音构造必须听音频才能推理的问答，用准确率加推理接地审计测六个音频大模型，最好的 Gemini 3.5 Flash 也只答对约一半，且区域模型的正确回答中多达四分之一缺少音频依据。

针对无预先切分的多语会话转写任务，该工作用说话人日志、长语音识别与 CTC 对齐加融合的级联路线，在官方评测集上报告 tcpMER 为 15.41% 获得第二名，代价是三模块串行依赖与多阶段微调成本。

针对 ASR 基座模型持续适配中的灾难性遗忘，CGaLore 用旧任务 KFAC 曲率先过滤当前梯度再选 GaLore 低秩基，在 L2-Arctic 与 CGN 两组实验上取得最优平均词错误率，代价是需少量旧任务语音估计曲率并增加基更新时的计算。

该研究在相同骨干与训练流程下比较按病因拆分与混合病因的严重度分类，报告脑瘫、帕金森、肌萎缩侧索硬化三个方向上按病因模型全面领先混合基线，代价是需要病因路由、单次训练与以英语为主的评测局限。

论文以波兰语为重心研究数字归一化对词错误率的影响，方法是统一把逐字数字转成阿拉伯数字再评测，最强证据是议会数据上逐字与数字文本间差异大于 2% 并可归零，主要代价是归一器覆盖不全且会改变分母权重。

该研究把朗读维基百科的语音按小节配上大模型规划加规则渲染的合成幻灯片，在英德荷三语上只用音频测出最佳平均微观词错率 10.23% 与字错率 6.48%，而全量幻灯片文本或图片的零样本提示因大段复制与插入错误而失效。

CircleMatch 针对极小参数关键词识别，用分频带压缩编码加每类 5 个原型匹配，再以无参数圆环统计与有序路径分数汇总时序，在 GSC 与 MSWC 多词表上以约 1k-10k 参数取得可比精度，代价是大词表与大模型绝对精度仍占优且部分对比协议并不一致。

针对田间噪声、多说话人和农业词汇三类失败，论文用可开关的增强、说话人分离与词表修复包裹未改动的 ASR 模型，在印地语等三语评估上实现云端相对 16% 至 23% 的词错误率下降，多说话人下达 32% 至 42%，代价是增强与修复只在证据支持时生效且 M4 未被测量。

HearInContext 用共享合成语音配对隐式与显式上下文研究同音歧义消解，报告 Qwen3-ASR-1.7B 隐式目标词召回中英分别提升 11.0 和 11.5 个百分点而通用识别误差变化低于 0.1 个百分点，代价是训练配比不当会损害无关上下文鲁棒性。

论文用 10 名双语政客各 20 句卢森堡语加 20 句法语共 400 句和 41 个魅力相关声学韵律特征，以混合效应模型分离说话人与语言方差，发现说话人中位解释一半以上方差而语言中位仅占约 0.5%，语言差异集中在法语更高的 shimmer 与句末基频和卢森堡语更强的中频谱能量，但合成魅力指数无语言主效应。