对抗训练

针对静态 RawBoost 在环境声上破坏高频纹理且采样与决策边界无关的问题，DAR-Boost 用可微噪声层加形状与强度解耦加自适应路由做对抗增强，在 EnvSDD 上把 ATA 降到 0.90% 而代价是引入梯度反转与多样性权重的联合调参。

DECRA 针对流式匿名会泄漏情感且离线情感转换无法逐帧调控的问题，用 TVTSyn 骨干加情感解耦与因果 SER 预测的连续效价唤醒轨迹做合成条件，在 ESD 中性化与转换上唤醒一致性达到 0.81 与 0.74 而流式延迟为 76.1 ms，代价是效价控制弱且主观音质低于离线基线。

针对跨被试听觉注意解码中被试差异导致泛化下降的问题，DisenEEG-Net 用并行时空 Transformer 编码加正交分解、充分信息瓶颈、对抗对齐与重构约束做特征解耦，在 KUL、DTU、AVED 三个数据集留一被试交叉验证下取得报告的最优精度，但长窗增益有限且 DTU 与 AVED 绝对精度仍偏低。

针对多语言试听中语言线索混入说话人嵌入的问题，论文比较了梯度反转、特征扰动、后端解耦和打分校准四类语言补偿，最终融合系统在 tv26 eval-A 上报告 2.53% EER，但前端去语言化会损失一部分可由强后端利用的说话人信息。

针对零样本跨语言语音情绪识别中语言失配与无目标标注问题，论文用有监督对比拉齐跨语言同情绪表示并用说话人对抗去说话人线索，在九组零样本任务上平均 UAR 达 82.26%，代价是仍需多语言有标注训练数据且未闭合与有监督上限的差距。

该文针对语音痴呆检测中机器窃听转录与人类窃听声纹两类威胁，用关键词对齐的累积信号对抗混淆破坏转录、用梯度反转加互信息选维加噪抑制声纹，在 Pitt 语料上报告痴呆 F1 约 0.78 而说话人识别近机会水平，代价是信号级信噪比明显为负。

针对歌声转换中内容与音色解耦和生成质量的权衡，该文用 K 近邻映射到共享说话人空间去除源音色，再用两处最小池化对抗分别修补内容特征与谐波，最强证据是零样本下自然度和音色相似主观分同时超过基线，代价是需要分两阶段训练与额外判别器。

针对零样本跨语言语音阿尔茨海默检测，ORBIT 用双向交叉注意融合多语言语音与文本预训练表示并以多抽头对抗与球面-双曲共识聚类抑制语言信息，在 mHuBERT+Qwen3 组合上取得 LOLO 平均 86.98% 准确率与 85.29% 宏 F1，但希腊语转写依赖 Whisper-large-v3 生成且 LTLO 仍明显低于混合训练。

针对联邦语音情感识别同时要保数据本地化和抗白盒对抗样本的问题，该文用训练时联邦对抗训练加推理时随机放缩填充的两阶段防御，在 DEMoS 上把 FGSM 和 PGD 下的可用性拉回约 90% 水平，而代价是 DeepFool 仍只能部分恢复且需额外对抗样本生成开销。

针对跨语言合成中口音不可控且易连带改变音色的问题，该文用 Neucodec 离散声学词元加 Qwen2.5 自回归解码器实现合成，以 Perceiver 瓶颈加梯度反转抑制口音残留再用加权语言嵌入连续调控口音强度，在 Indic 多语言 986 小时和 L2-ARCTIC 上显示口音相似度提升而说话人相似度和 UTMOS 基本保持，但主观 MOS 细节与强度 …

针对 1 秒短时声场景分类中局部事件导致长短窗预测不一致的问题，论文提出语义对抗训练以抑制事件偏差，在 TAU20 上把总体准确率做到 63.5%，其中最高差异分位提升 12.0 个百分点，代价是在最稳定分位小幅回落约 1.2 个百分点。

针对 ASVspoof 5 训练集中真假语音文本内容错位导致的语言捷径问题，论文用 Common Voice 训练的语言教师经梯度反转引导 XLSR 学生学语言不变表示并以变分信息瓶颈约束去除强度，在九个域外评测集上把混合等错误率降到 8.72% 但在 ASVspoof 5 域内评测上仍弱于挑战赛前四名。

针对跨被试想象语音脑电解码中通道拓扑被打散与被试特异谱空特征混入任务表示的问题，该文用预训练时序编码加电极对齐池化、滑动窗多视角动态连接先验注入图偏置注意力与梯度反转对抗去被试化，在两个 15 被试五词任务上以严格留一被试交叉验证达到 31.20% 与 30.36% 左右的平均准确率，代价是短窗连接估计仍 noisy 且绝对精度仍只约三成。

论文把语音情感识别拆成说话人侧与标注者侧两路公平，先用对抗去偏构造单侧 FairCLAP，再用源域双侧参数差 ATT2Fair 向量推断目标域缺失侧，在 IEMOCAP 等三库上以约 2.15% 平均 F1 代价换来统计 parity 明显下降。

KeyBound 把 16 比特载荷先用密钥掩码再经宿主频谱调制嵌入，以存在检测与密钥解码分离的验证规则做归属，在谱去噪下保持检测 1.00 与比特精度 0.98，代价是宽带感知质量降到 3.03 且自适应重构移除仍能抹掉水印。

针对零样本语音合成模型被微调、剪枝、量化与蒸馏后仍可经黑盒接口验明归属的问题，TTS-Guard 以双空间关键说话人对选择加课程化影子模型优化构造参考音频扰动，并在五个主流系统上报告平均单查询指纹成功率 96.4%、误报率 5.8%，代价是验证需 20 到 40 次查询且蒸馏与强自适应擦除仍会明显拉低成功率。

针对真实扰动下单一音频伪造检测器不稳定的问题，ROGUE 用扰动智能体出难题、策略智能体按序挑选检测工具的对抗方式构造工作流，在 WaveFake 训练与多扰动和跨数据集评测中提升了平均准确率，但代价是联合搜索更贵且依赖工具多样性。

针对剪切拼接易失同步的问题，AWARE 用时频域对抗优化嵌入水印并以时间无关检测器解码，在保持 PESQ 约 4.26 与 STOI 约 0.99 的同时在多种编辑下保持低误码率，代价是逐样本迭代嵌入开销与神经压缩等条件仍有残留误差。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读