多语言

论文把 Fisher 白化后的输入误差互协方差用于构造语音模型的低秩适配子空间，并在相同可训练参数量下比较均匀秩、自适应秩与跨层共享，报告自适应秩分配在 Whisper 与 Qwen3-ASR 上对标准 FCCA 最稳定地降低词错误率，但仍落后于大预算 LoRA 与全量微调。

针对长音频中领域术语不一致和声学混淆问题，Agentic-GER 用全文转写做全局上下文来发现可疑片段并定点重转写核对，在 GigaSpeechBench 上中文 Whisper 基线最高获得 36.8% 术语相对误差下降，代价是思考模式大幅增加输出 token 与耗时。

论文以 100 余种语言的统一评测回答损失、预训练表示与数据规模如何影响通用音素识别，用 XEUS 加自条件 CTC 在 IPAPack++ 上得到多语言 17.7% 与口音英语 10.6% 的 PFER，代价是对时序性发音特征与极低资源语言仍有高误差。

针对儿童中心长录音中说话人类别难分的问题，论文用 13164 小时有效语音的 40 余种语言儿童中心数据做两轮 HuBERT 预训练再微调做声音类型分类，在留出集上平均 F1 达到 66.9% 接近第二标注者的 69.8%，代价是 32 块 H100 各 30 小时预训练与对其他儿童类的剩余差距。

论文在特维语、达格巴尼语和埃维语上先用圣经通用域与青少年性与生殖健康域对比五种语音识别系统，再把微调目标从算力不可行的 Gemma 4 转到可在 T4 上训练的 Qwen3-ASR-0.6B 并在严格隔离的人录域内音频上验证，最强证据是埃维语词错误率下降 44.5 个百分点，代价是残余错误仍高且依赖域内验证数据的持续投入。

该研究用西班牙语主导的西英双语者在线词语影子任务检验对真人与合成语音的语音趋同，发现元音时长和嗓音起始时间总体发生趋同但受语言与社会因素调节，而英语嗓音起始时间的负距离差需用抽象音位目标解释。

该研究用 47.88M 参数的双向 Mamba2 编码器在 250 小时 67 语种无标注语音上做掩码离散单元预测，主检查点以 ARI 0.735 超过四个基线，但语种识别与识别错误率仍明显落后，代价是后期训练出现音素泛化退化与本地诊断失效。

该文先用英语量化把训练单元从 12.03 秒缩到 0.35 秒的代价，再用短语音训练的单音子模型去强制对齐长语音得到句子级语料，并在 5 种濒危语言上证明 CPU 可训练的 HMM 系统域外性能优于大模型，但 Jejueo 和 Mohawk 仍极难且 Hawaiian 只保留 23.20% 时长。

BranchShine-CR 用 25.39M 参数、log-mel 加 12 层旋转位置 E-Branchformer、中间自条件 CTC 与双视图一致性正则，在 16646 句共享测试上取得 4.47% 国际音标字符错，相对 ZIPA-CTC-NS 降低 22.3%，代价是整句完全正确率仍低于后者且大基线训练划分并不完全可比。

该研究把对儿童说话检测放在 182 名儿童共 22 小时多语长程录音上，用儿童中心录音预训练的 BabyHuBERT 加 10 秒上下文窗口做三分类，最强证据是验证集平均 F1 从无上下文约 53.2% 提升到 10 秒约 67.0%，代价是训练时间从 22 分钟涨到 2 小时以上且自动切分下性能大幅回落。

针对越南语—英语语码切换在语音助手链路中字错率与意图损失不一致的问题，该研究提出经大模型修复与问答探针计算的代码切换语义错误率并用商用与自研系统四集基准验证，显示音译策略虽推高词错率仍能保留意图，但语义评测带来更高的计算开销。

该文把低资源与非标准变体的识别失败界定为语言政策问题，提出七层处境模型与误识、错位、失信三害分类及参与式审计修复闭环，代价是未做新架构实验且验证仍待后续多社区审计完成。

论文在乌尔都语、旁遮普语、普什图语和信德语上零样本评测五种多语言模型并用 11 维误差分类拆解总词错率，最强证据是转写后处理不重训可恢复最高 25 个百分点词错率，代价是最佳结果仍远高于可部署阈值且短句、稀有词和命名实体持续失效。

论文以最小对立体偏移方向的余弦检验听觉与文本两流是否共享区别性特征方向，最强证据是仅清浊特征在两个 Qwen2.5-Omni 模型中通过多重校正，而随机配对基线在模型间相差达 7 倍，说明不能对零比较。

该研究用英语词监测加数字预载双任务检验掩蔽语语言与认知负荷的影响，报告显示英语掩蔽导致最差准确率与最慢反应时而类型相似性与高认知负荷未改变词监测表现，且阿拉伯英双语者更慢但不更不准。

论文在英语与意大利语双语识别上只联邦更新投影器与 LoRA 而冻结编码器与大模型主体，用 100 轮、每轮 30% 按说话人划分的客户端对照集中式训练，最强证据是单语联邦与集中式差距仅 0.3 至 2.6 个百分点，而双语随机选择下英语差距扩大到约 10 个百分点，需用样本聚类与早期语言偏置把英语差距压回约 3 个百分点。

论文在冻结编码器加固定轻量后端的配方下，用约 315M 容量的 wav2vec2 家族对照 1 到 1406 种语言覆盖，并用相同 Libri-Light-60k 数据对照掩码预测与对比目标，发现域外误差在 128 语言处触底而 1406 语言不再提升，且掩码预测明显更稳，代价是结论限定于单训练语料与固定流程且覆盖与数据量无法彻底解耦。

针对高分辨率音视频序列输入大语言模型时计算过高且压缩研究只做单任务识别的问题，MTC-AVSR 用每秒 3.5 个令牌的压缩流加语言适配器与令牌对比对齐做识别加四语翻译，在 LRS3 干净集取得词错误率 0.74%，在 MuAViC 英西取得 28.1 BLEU，代价是噪声下部分语对仍弱于专用双语模型且大模型显存更高。

论文把多语言笑声切分做成先去人声再按能量切事件、用 BYOL-A 表征加 Isolation Forest 找异常的无监督流程，在站立喜剧等多语言数据上比英语中心的有监督基线更稳，但代价是依赖能量阈值和去人声质量且在人工合成的 AudioSet 上不占优。

该研究用冻结的自监督语音表示加音节级预分类器与词级时延后分类器做阿英重音检测，多语言联合训练保持接近单语的 97% 英文与 90% 阿语准确率，而跨语言迁移呈方向不对称且后分类器与多语言预训练表示能缩小差距，但仍低于单语基准。