多语言

本文解读 Te Taura Whiri 与 Google 围绕毛利语地名发音的新西兰英语 TTS 合作，用谅解备忘录、参与框架、知识产权协议与对齐框架把文化分歧变成可执行步骤，并以 5 人对 5 人的混合评估验证发音质量，但不报告声学模型细节与定量指标。

针对印度初学者母语混英语代码词的口语提问，CodeVaani 用分语种语音识别加代码感知转写修正再接代码模型作答，在 500 条真人语音上把词错率降到 8.1% 左右并获得超 89% 公平以上评价，代价是依赖双 H100 异步流水线且未验证多轮与延迟。

该研究用同一批声学特征同时训练临床诊断模型与人类听判预测模型，发现两者整体部分对齐但在希腊语与男性组完全失齐，而病理模型在该两组未超随机水平，代价是全局可解释性会掩盖这种分组失效。

该文把语音编码器表示聚成系统发生树并与 Glottolog 标准树比较，报告词典统计上限仍明显优于所有神经表示，而 Whisper-LID 相对最好、XEUS 最差，且多数模型在未见语言上反而重建得更好。

该研究把痴呆检测做成二分类语音任务，用冻结的基础语音编码器加轻量下游头比较单语与多语训练，最强证据是英语合并集 0.854 F1 与多语合并集 0.761 F1，而代价是小语种与跨语言零样本性能明显下降且依赖切分与时长等实验条件。

该研究用 WavLM-Large 对比语系感知与随机采样的 60 小时延续预训练，语系感知在下游得分 0.50 显著高于随机的 0.04，但两者仍低于约 94k 小时训练的原始基线，说明语言结构在数据受限时能缓解退化而不能替代大规模预训练。

该研究在 42 种语言的替换错误上直接测量语音、形态、句法和词义相似度，用混合效应贝塔回归证明句子语义保留来自跨维度交互而非单维度叠加，最强证据是形态句法联合保留的增益和系统差异，但代价是对插入删除不建模且依赖现有工具链的标注噪声。

针对中英会话语码切换数据稀缺问题，该工作用语音级 CMI 连同可懂度和自然度做多评价偏好学习来优化 CosyVoice2 合成，再把合成语音与真实语音混合微调 Whisper 等识别模型，在 SEAME 上把混合错误率降到 DevMAN 8.9% 与 DevSGE 14.2%，代价是依赖伪帧语言标签与多模型打分流水线。

针对仅用 ASR 标注训练多语言语音大模型时共享查询投影器出现语言干扰的问题，论文用查询库加门控做语言相关的蒸馏，在冻结编码器和大模型下报告了开放式指令平均 14% 增益和 Audio-MLQA 上 32% 提升，但合成评测与判分器依赖构成主要代价与边界。

针对无声唇视频生成可懂、自然且口型同步语音的问题，LipAdapter 冻结视觉语音识别与多语 TTS、只训练文本到视频对齐以预测唇形引导的音素时长，在 LRS3 上用 30 小时训练达到 21.2% 词错率，但短于 1 秒的片段同步置信度明显下降且依赖上游识别文本质量。

针对中英码切换识别中语言快速切换与稀有命名实体难认的问题，LLM-HB 用 Whisper 编码器加双专家 MoE 适配器加辅助语言头加 LLM 热词提示做联合建模，在 ASRU2019 码切换测试集 15 干扰词条件下把混合错误率从 7.34% 降到 5.85%，代价是需要约 2200 小时多数据训练与仔细权衡偏置损失权重。

该研究用高能量 glimpse 比例均衡能量掩蔽后比较英语与普通话竞争语音及调制受控噪声，发现降低频谱-时间调制带来的释放可抵消能量掩蔽增加，语言差异的信息掩蔽释放只在低能量掩蔽时显现。

针对大语音基础模型顺序适配时的灾难性遗忘问题，论文提出只在低能量尾部子空间学习近似旋转并跨任务平均旋转的方法，在两组荷兰语系持续学习基准上把平均词错误率降到最低，但新方言任务的适配幅度仍受保留旧知识的约束。

PathBench 把病理语音可懂度评估限定为无需可懂度标签训练的协议比较问题，用六个公开数据集和三种取材协议检验参考条件与刺激类型的影响，新提出的 DArtP 在免参考方法中平均相关最高但仍以显式参考方法为上限且受对齐与录音条件制约。

针对印度语言语音评测碎片化问题，该研究用统一预处理与多指标流水线同时评测 ASR 与 TTS，最强证据是 2B 参数 AudioX 并未稳定超过 600M 的 IndicConformer 且 TTS 自然度与可懂度明显分叉，代价是仍依赖预测 MOS 与公开评测集覆盖。

论文用 10 名卢森堡政治人物各 20 句卢森堡语加 20 句法语共 400 句自发话语提取 41 个魅力相关声学韵律特征并以混合效应模型做方差分解，报告说话人中位 ICC 为 0.56 而语言仅占约 0.5%，语言差异集中在法语更高的 shimmer 与句末 F0 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。

该研究用 10 名政客各 20 句卢森堡语加 20 句法语共 400 句自发话语的辅元音标注与成对检验，显示元音时长与语速随语言系统性重组而辅音保留说话人指纹，且语言与性别无稳健交互，但样本限于精英政客与聚合分析。

论文把预训练限定在 80 万小时级野外网页音频 UPS 上，用冻结编码器加固定探针测 73 语种识别与转写和 70 语种说话人聚类，80 次提交显示无单一模型三项全优且书写系统与子集构成显著影响难度。

该工作把双工对话拆成先写意图关系再测语音时刻的合成管线，用 42 种现象的双通道数据证明因果语义 VAD 能学到起止边界且 Moshi 微调后接管轮次从 0.44 升至 0.85，代价是稀有打断类与自由生成的精确对齐仍弱。

针对逐字转写中局部一两个字符的不确定性，论文把通配符旁路从词级下移到词元级并与熵调度的混合图结合，在 25 个任务上相对 CTC 平均降低 9.45% 词错误率，代价是需要按语料调旁路权重与验证集熵进度。