多语言

Spark-Audio 1.0 要解决从只转写到真正理解语音的问题，用表示增强的掩码预训练加三阶段音频编码器与三阶段音频语言模型训练，在 1300 万小时音频下在多语种识别和真实场景对话上接近更大数据量模型，但复杂音频推理和指令遵循仍有差距。

LoCA 针对整句奖励分不清局部内容错误、带符号回归容易过度拟合或过度排斥的问题，用语音识别对齐做帧级信用再分配并加双侧阈值控制，在 VoxCPM2 上把多语言 CV3 子集的内容误差降到 4.758% 并把说话人相似度提到 69.137，但结论只在所选评测子集和单种子单主干条件下成立。

Monsoon 针对部署时面对的自发对话语音缺数据问题，用配对话题引导采集加自动过滤加五级人工校对加覆盖度选段的流程，在七个语言各约 3500 小时上证明同量下质量阶段带来 10-39% 相对误差下降和在独立自发测试上 20-44 点的语义词错率差距，且误差随数据量仍在下降。

MS-Bench 把多说话人转写按说话人数、重叠、相似度、轮转间隔和声学质量分层取样，用 32.72 小时录音揭示重叠同时损害文字与归属、其他因素各有侧重，并以 MOSS-Pro 最低 WER 22.49% 为最强证据。

论文把应答机检测做成二分类，用冻结的 CNN6 输出 512 维嵌入再接轻量梯度提升机，在两个数据集上都拿到最高精确率并保持毫秒级延迟，代价是抗加性噪声较弱且结论依赖特定的数据划分与统计条件。

X-MDD 把学习者语音、合成的标准语音和标准音素序列一起送入大模型来预测真实发音，只在中文和英文上训练，再靠标准参考和示例迁移到阿拉伯语，代价是召回和诊断精度仍明显低于有监督基线。

论文在全部 22 种印度 scheduled 语言的 1164 段录音上零样本比较九个说话人日志系统，用印度电话银标签适配分割网络得到时长加权 16.78% 的错误率，并证明话语内停顿是否切分这一标注口径能带来 1.9 到 4.1 个百分点的系统性差异。

论文诊断投影类与 CKA 类特征蒸馏在强 logit 蒸馏下对英语与非英语的不同作用，用只走非英语适配器并截断共享编码器梯度的 CAFE 把平均词错误率从 8.55% 降到 8.02%，代价是需要已知或估计语种且增加约 0.5M 参数。

CoSTA 针对语音对话模型生成与合成共用长语音 token 序列导致推理贵的问题，用 BPE 压缩扩展生成词表并经发音与对话两阶段适配、推理时确定性展开回原空间，在 Step-Audio 2 mini 上实现约 1.7 倍展开后语音 token 生成速度并保持质量，代价是一次性增加约 6% 词表参数与两阶段适配训练。

论文针对随机组批可能让单批梯度只看到狭窄干净语音区间的问题，提出按干净语音特征分位数均衡组批的采样策略，在英语、西班牙语和帕金森病理语音上用回归与生成两类模型验证了多指标改善，但增益大小随特征、模型和数据集组合而变化，且几乎不增加训练改动。

论文把只有文字的 SEA-HELM 改造成先合成语音再识别转写的语音评测，用同一大模型和同一规则评分器对比文本直答与语音转写后作答，量化多语言语音链路在选择题和指令遵循上带来的准确率损失及其语言和任务差异。

VoxTurn 把轮次结束等多个判断写成选择题并用一次前向同时给出答案，在真实对话停顿上训练并在静音中反复查询，在 eot-bench 英语 300 ms 预算下误抢断 11.5%，单次判断约 8.3 ms。

Apertus 1.5 用继续预训练把 Apertus 1.0 扩展为能读图像和音频、上下文到 262144 词元并带可选思考模式的完全开放模型，最强证据是 8B 思考模式把 MATH-500 从 51.2 提高到 71.4，代价是图像细节重建变粗、音频能力仍落后同规模音频模型且长上下文需专门恢复。

COAX 在预训练选专家时按数据类别加软偏置，让低资源类别被引向更大的指定专家子集，在多语言与多模态混合上改善了低资源验证损失，而推理时可去掉偏置保持标准 MoE 流程，代价是小规模下可观的训练吞吐开销。

针对多语言混合语音中不同输入提取难度不同，该研究用样本级难度估计加共享多出口提取器做自适应路由，在 PolyExtract 上以 0.30 GFLOPs 达到 15.07 dB 宏平均 SI-SNRi 并把下游平均词错误率从 16.8% 降到 14.6%。

SSEmb 只用标准语音转写对训练轻量适配器，把冻结语音编码器接到冻结文本检索向量空间，实现直接语音查文本，在英文与多语言及口语文档检索上接近级联系统且时延更低。

论文先量出已有对齐器在人工词边界上的误差和电话信道下的退化，再只用人标边界训练 Whisper 直接预测词起止时间戳，在英语、韩语、荷兰语和多语测试上超过蒙特利尔强制对齐器，而电话增强、槽位后置和带噪文本训练是关键代价与收益所在。

本文综述 2006-2025 年僧伽罗语 ASR，问题是标注语料少、形态复杂导致词错误率高，对比显示同架构下修正 OpenSLR-52 标注可带来 18.1% 相对下降，而跨测试集的 WER 数字不可直接比较，且大模型微调仍需解决方言、噪声和代码混合问题。

针对公开基座上算出的扰动能直接拖垮私有微调语音识别的问题，论文把防御集中到基座来源的可迁移方向上，用基座扰动训练、隐层位移约束和混合梯度扰动，把平均对抗词错误率从 92.6 降到 27.8，干净词错误率则从 16.4 升到 18.9。

针对注册与测试语言不一致时声纹会混入语言线索的问题，该工作用 w2v-BERT 2.0 做前端提取多层特征并聚合为说话人嵌入，在 TidyVoice2026 上融合后达到评测 A 等误率 2.21% 与评测 U 等误率 2.99%，代价是 580M 以上参数与 58.43 GMACs 的计算量。