对比学习

针对声音与文本矛盾时模型只信文本的语义主导问题，论文用对抗合成基准 ASPIRE 和解耦网络 ACR-Net 做诊断与分离，在极性冲突上把声学准确率做到 68.4%，代价是依赖合成语音和额外解耦超参数。

该文在视觉条件扩散语音先验的去噪分数匹配损失上并联对称 InfoNCE 对齐损失，在匹配与跨数据集失配测试中提升干扰抑制与重建，代价是对视觉输入依赖更强且对比权重需仔细平衡。

针对自然听播客时颅内脑电解码问题，BAT-CLIP 把 DIVER-1 脑编码器同时向冻结 AudioCLIP 音频锚和文本锚做双向对比对齐，在六个线性探针任务上多数超过单模态变体，但句子起始检测出现明显下降且嵌入聚类分析只覆盖单个被试。

针对端到端脑电引导目标语音提取在跨试次上因试次特异结构走捷径而失效的问题，论文提出冻结编码器的两阶段框架 TRUST-TSE，用同目标说话人负采样的对比预训练加置信度加权提取，在 KUL 上达到 62.27% 选择准确率、在 DTU 上达到 70.40%，代价是仍需处理部分脑电引导模糊片段的参考切换与加权。

针对自监督语音特征中说话人、韵律和通道信息泄漏进语义标记的问题，论文用平行话语加增强对齐微调 HuBERT 得到 PINT，最强证据是说话人探针从 93.1% 降到 1.2% 且语言模型困惑度降低 27–30%，代价是仍残留部分情感信号并依赖强制对齐与平行数据构造。

针对自监督编码器加 CTC 微调在非母语口音上退化的问题，该工作在不改推理结构和不加口音标注下引入话语级监督对比辅助损失，在 L2-ARCTIC 未见口音上把 W2V2-Large 的词错误率从 9.98% 降到 7.41%，代价是需要同文本多说话人的成组批次和仅训练期有效的投影头。

针对语码切换点附近集中出错的问题，该研究用只改切换点的近似错误文本做对比训练，在两个中英与越英基准上同时降低整体词错误率和切换点错误率，代价是离线依赖大模型扩写与三重过滤的额外构造流程。

针对长时多事件空间音频中全局对比学习会平均掉局部语义的问题，CoSTALA 用解耦的语义与空间编码加时序编码器与四重多粒度损失建模顺序与位置组合，报告显示完整组合在全局时空检索上达到最高的召回而纯语义表示则大幅下降，代价是需要合成的空间化数据与多路编码推理流程。

针对基会话与增量会话存在域偏移的跨域小样本类增量音频分类问题，论文用对抗训练模拟伪目标域加监督对比学习塑形嵌入空间，在六组跨域配对上报告了更高的平均准确率，代价是基会话需两步交替训练且增量阶段冻结编码器。

针对合成语音来源验证被说话人特征干扰的问题，论文提出在双分支框架上加说话人解耦的切比雪夫损失与双曲黎曼损失，在 MLAAD 四种说话人-来源组合协议上以 ResNet34 加 RiemannSD-AAM 取得平均 EER 最低，但未见训练仍依赖伪说话人标签与固定超参数。

针对模块化看脸零样本合成在训练用语音嵌入、推理用脸嵌入导致身份漂移的问题，论文用去语料痕迹的说话人编码器加双向脸声对齐，并在声学模型训练中同时约束嵌入空间与共享身份空间的一致性，最强证据是在保持可懂度的同时提升说话人相似性与一致性，代价是三阶段训练与多组损失权重需要协同调试。

EchoLoc 针对无声源框标注下热图模糊、阈值后处理难优化的问题，用空间与全局对比学习训练热图并从热图导出伪框来监督查询式框预测器，在 VGG-SS 上报告 36.36 cIoU 和 38.28 AUC，在 Flickr-SoundNet-Test 自适应指标上相对最优基线提升，但固定阈值 AUC 存在未胜出项且框质量依赖热图。

针对语音到 3D 人脸跨模态映射难与级联误差大的问题，ES-3DF 用几何纹理解耦加双分支对齐与多槽记忆对比学习直接重建带纹理 3D 脸，在地标与身份特征指标上优于 CMP 与 VoiceStyle，代价是唇部等动态部位推断仍不适定且依赖受限数据集。

针对无监督声脸关联中的跨视频假负冲突与模态私有噪声干扰，GMOD 用全局相似图挖掘多正样本做对比学习并用正交解耦分离共享身份特征，在 VoxCeleb1 上报告验证 AUC 为 87.73%，代价是每轮需重建全局图与调控邻居数 k。

针对神经编解码处理后真语音更易被误判为假的问题，该工作用难正例挖掘加引导损失和三元组损失拉开编解码后真与假的嵌入距离，在未见编解码上把等错误率从约三成降到约一成二，代价是需构造特定小批量并调两个间隔超参数。

针对双耳录音中方向与混响参数标注稀缺的问题，该工作用跨通道重建加软声学对比约束预训练空间编码器，在五个仿真房间参数任务上多数超过重建基线，但吸收系数等弱几何任务仍有未胜出项且只在仿真条件下验证。

针对语音、文本、视频情绪标签经常不一致的问题，MoLD 为每个模态单独预测标签分布再与融合表示拼接做最终判断，在 EmotionTalk 七分类上多模态达到 58.96% UAR 和 59.67% F1，代价是需要模态级标注和三路编码加两步交叉注意力的额外开销。

针对批量内音频文本配对稀疏且跨模态一对一独热目标过硬的问题，该文用冻结编码器算出的文本间与音频间余弦相似度经混合作为跨模态软目标，并把交叉熵换成均方误差做回归，最强证据是小批量小数据条件下多任务检索与零样本分类累积排名超过基线，主要代价是不确定性估计与模态分类分支带来额外编码与调参负担。

针对呼吸音中短时局部的爆裂音与哮鸣音易被全局自注意平滑掉的问题，论文用蒸馏音频状态空间模型保留中高空间频率，再以高斯平滑约束中间层与双轴切块混合对比学习提升鲁棒性，在 ICBHI 上报告 4 分类 64.48% 与 2 分类 72.57%，代价是引入温度、核尺寸与施加阶段等超参数选择。

针对连续流关键词检测在 0.5 至 0.2 次误报每小时下交叉熵模型漏检严重退化的问题，论文提出只做离线辅助的目标受限拉紧加间隔排斥正则，在谷歌语音命令第二版上把 0.2 误报每小时下的漏检率从 29.85% 降到 14.80%，而封闭集准确率从 95.82% 微变为 95.68%，且部署端参数量、计算量与前视保持不变。