多语言

该研究以 10 名卢森堡政治人物各 20 句卢森堡语加 20 句法语共 400 句自发政治话语为对象，用 C/V 分段与成对变异等时长节律指标加配对 t 检验与方差分解，报告显示元音时长与语速主要随语言重组而辅音时序保留说话人特征，且未发现语言与性别交互。

该工作在西班牙语德语捷克语帕金森语音上对比语音大模型的编码器表示解码器表示与零样本生成，报告编码器优于解码器而生成接近随机，并用样本自适应层聚合代替单层搜索，但跨语言绝对性能仍明显低于多语言混合训练。

为在指定文本位置可靠生成 16 类非言语发声，该工作用连续隐变量 DiTAR 加专用标签与停顿判别建模，以双语预训练加针对性合成与频率重采样补长尾，再用解码参数搜索与五选一多指标选样提升鲁棒性，最终以双语加权 62.786 获 Track 2 总分第一，代价是额外推理计算与英文控制仍待加强。

针对约鲁巴语 TTS 中字符错误率看不见声调错误的问题，论文提出只读输入变音符号作金标、只读基频作预测的 DunDun 指标，用压平基频与翻转答案键验证其声调敏感性，并显示微调主要降低字符错误率而声调早已接近母语锚点，代价是可用区间只到 0.596 且依赖可靠标调文本。

论文要解决希腊语混英语电话与会议转写同时过九道生产门的问题，选择不再找单一训练配比而是用路由加解码干预加组合绕行，最强证据是三模型词投票把门覆盖从单模型 4 到 7 项拉到 9 项并把重叠语音词错误率从 53.35% 降到 37.87%，代价是单模型在该规模下希腊噪声门与英语语种识别门所需步数相差近 6 倍而无交集。

CVSS-X 把同一批英语真人录音经机器翻译转写为二十八种目标语言文本再用多语合成配音，构造每语言约二十四万对的英到多语并行语音，同管线复测显示其合成可懂度可用但自然度低于只合成英语的 CVSS，代价是受制于翻译质量与众包录音瑕疵。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该研究用去词汇化朗读检验双语听者仅凭韵律区分印地语和印度英语的能力，再对同一批话语的感知边界做基频、强度、时长和停顿的词级声学分析，最强证据是总体语言识别准确率为 63.5% 且印地语边界分类更依赖相对强度而英语更依赖时长，代价是朗读体、单一切分与小样本朗读者限制了推广。

该研究以芬兰语、法语、斯洛伐克语共 8212 个停顿间语段的 88 维 eGeMAPS 特征经主成分分析降维后用线性混合效应模型检验组别差异，最强跨语言证据是自闭症组整体强度变异更大、嗓音更清晰少气息、动态强度斜率与中心基频更低，代价是数据高度不平衡且法语单语建模无显著结果。

该研究以二分类检测特发性帕金森病的运动性言语障碍为问题，用冻结的 Wav2Vec 2.0 XLS-R 加 128 维多层注意力分类头做跨库评估，最强证据是三库联合训练在未见过的 MDVR-KCL 上达到 85.3% AUC 并避免单库模型的跨库崩塌，代价是对低 UPDRS 评分和 OFF-DOPA 条件的患者仍明显更难检出且结果受随机划分影响大。

DuplexDrama 针对全双工对话训练数据稀缺问题，用四阶段管线同时合成人设场景、三种全双工行为、表情语音与剧本对齐的声音事件，最强证据是相同语音加背景仅带来 UTMOSv2 与 NISQA 的可控下降，主要代价是全双工轮次占比仅 3.8% 且剧本合理性依赖 LLM 判断。

该研究用 40 个法语西班牙语非言语声音做四选一情绪识别，报告年龄越大识别越准、喜悦悲伤优于恐惧、非言语声优于句子、五岁双语儿童优于单语，但样本小且组间不均衡使语言效应只能算探索性发现。

该研究把单语和多语语音基础模型放在同一微调与分类流程下比较伪造检测，报告显示多语模型在域内和野外数据上更稳健，但超大规模参数并未带来系统性增益且单语模型在未知压缩与信道下退化明显。

该文把每门语言大量 F0 帧间差值 dF0 做成整体概率分布，用 Wasserstein 距离和最优传输比较 20 门语言，并在教学示例层面把经验分布解释为 Boltzmann 型动力系统，但未分解各峰的功能来源。

该研究把多语言音素识别器输出的国际音标序列接上单语种 n 元音位组合模型做闭集语种识别，在 FLEURS 上达到与近期声学系统可比的准确率，但音素识别错误率和解码对照显示该序列并非真正与语言无关。

该研究用英语为矩阵语、粤语为嵌入语的对比性焦点产出实验检验韵律层面的混合与超清晰化，报告切换词居中而切回后英语词出现类声调转折与更极端高低目标的主要证据与代价。

针对大模型预测高码率语音 token 难、表达性数据难对齐的问题，Kraken 用 25 Hz 单层 VQ 低码率 token 加 LLM 与声码器双路源语音条件，在 150k 小时多任务数据上实现可复述的端到端语音到语音翻译，并在 FLEURS 与 CVSS 上保留说话人与韵律，代价是音频质量指标弱于用理想参考音色的大模型。

针对捷克语、爱沙尼亚语和希腊语自动语音识别性能落后问题，论文用统一预处理加三阶段混合转写构建每语 1500 小时转写语料，以独立 5 小时测试集上标准化词错误率降至 3.38%-5.54% 为证据，代价是高度依赖母语者校验与语言归一化且未公开可下载资源。

论文用词即连续声学轨迹加听者线索权重的最小前馈模型复现英语首音队列、普通话声调分叉和意大利语重音延迟分化三类时程，代价是小词表演示且权重手工设定而非拟合人眼数据。