对抗训练

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

该文以声门源波形为输入、声学韵律聚类为自监督目标、说话人归一化与对抗说话人损失为解耦手段，在音高重建与 ToBI 事件检测上超过 HuBERT-base 与原始韵律基线，并以说话人识别准确率大幅下降为代价证明了解耦效果。

该研究把冻结的语音编码器、投影器和大语言模型连成三阶段流水线，用多头分类器探测说话人属性在各阶段的可恢复性，并用频谱对抗掩蔽选择性压制目标属性，最强证据是编码器端说话人标识准确率从 0.51 降到 0.01 而词错误率几乎不变，代价是越抽象的表示越难控且情感属性跨数据集不稳定。

针对 ASVspoof 5 训练中说话人分布与真伪标签纠缠导致跨域失效的问题，论文用 VoxCeleb 教师经梯度反转引导学生去身份并以变分信息瓶颈控制抑制强度，在九个域外集的混合评估上相对 MHFA 基线降低混合等错率 25.7%，代价是在 ASVspoof 5 域内集上弱于挑战赛前列系统且部分数据集出现回退。

针对约 1 kbps 下语义对齐与波形重建互相冲突的问题，XY-Tokenizer 用语义与声学双编码器加残差矢量量化与先联合对齐后冻结细化的两阶段训练，在英中多数据集上同时取得低识别错误率与高说话人相似度，代价是更大的编码器规模与更重的训练流程。

针对颅内语音神经假体跨会话漂移，ALIGN 用多源对抗会话不变学习加中间层对齐与时间拉伸增强，在 T12 与 T15 上相对基线降低音素错误率与词错误率，但远期大间隔与伪标签自训练仍是主要边界。

该研究陈述针对带口音语音识别中口音表征混入说话人身份的问题，提出用宽松划分对比与探针等方法度量纠缠，再以梯度反转去说话人化加有界条件适配在冻结 Whisper 上缓解，但全文是研究计划而非已验证结果，未报告词错误率数字与公平性收益。

论文针对视觉-语言-动作模型的摄像头与麦克风输入，研究用激光、电磁、超声等物理信号注入的八种攻击如何导致任务失败，并用先干净训练再混入攻击数据的对抗训练在保持干净性能的同时提升中强度攻击下的鲁棒性，代价是干净集平均约 3% 的下降与部分强攻击仍难完全防住。

共收录 1 篇 uai-2026 会议论文的 Reader 深度解读

针对扩散语音克隆的先验防御梯度消失与动态条件问题，VoiceCloak 用异性中心引导加注意力上下文发散做身份混淆、用分数幅值放大加噪声引导语义破坏做质量降级，在相同扰动预算下报告了更高的防御成功率，但保护音频本身仍需付出可感知性代价。

针对混合一致性要求下单步回归难以迭代纠错的问题，论文将任意分离模型扩展为多输入多输出并配合投影与递增加权损失实现多轮互精炼，在 MUSDB18-HQ 上以 BS-RoFormer 与 SCNet 为骨干取得一致提升，但判别器与生成式扰动的收益依赖配置且迭代带来线性计算开销。

CRAW 针对神经编解码器与去噪重合成导致后处理水印失效的问题，用加宽失真训练加注意力池化加推理时感知掩蔽加重复纠错码，在保持 PESQ 约 4.0 的同时把编解码器与去噪下的检测 F1 拉回 0.8 以上，代价是掩蔽带来约 150 ms 的额外推理延迟。

针对未见说话人上情感识别易受说话人差异干扰的问题，论文用 wav2vec 2.0 做编码器、ECAPA-TDNN 做说话人判别器并以熵最大化做对抗，在 IEMOCAP 测试集报告 60.63% UA，代价是交替训练更复杂且存在原文内部数字不一致与未验证的跨库边界。

语音交互 | 5.4/10

音频理解 | 7.4/10

语音超分 | 5.9/10

语音伪造检测 | 6.8/10

语音伪造检测 | 7.3/10

音频分类 | 6.4/10