弱监督学习

S3-S2ST 把整句语音对翻译成按语义切分的增量训练轨迹，用 640 ms 固定分块和可调 READ/WRITE 门限实现流式语音到语音翻译，在 FLEURS 和内部 9 对数据上验证了翻译质量，并在 RealSI 上展示了质量与延迟的权衡。

针对带噪目标训练会留下残留噪声的问题，论文用非成对干净语音的 Sinkhorn 漂移损失在语音质量评估模型隐空间内做分布对齐，在 VoiceBank-DEMAND 上保住波形保真度的同时提升听感指标，并在 CHiME-3 真机录音的域自适应中同样改善听感。

本文用图像与声音共现的弱监督对应学习定位电锯电钻骨凿，在独立采集的 21 序列 853 帧上达到总体 IoU 0.36 与中位距离 12 px，代价是仅覆盖三种模拟骨操作且每步依赖 3 s 音频与 16×16 粗热图。

论文把钢琴 MIDI 扩展为器乐流行伴奏定义为 Piano2Pop，用流行录音反向合成的伪钢琴小样微调流匹配生成模型，在 476 对真实翻弹检验下配对监督路线最接近真实流行，功能选择式转录是可行的无配对替代，但结论只在 30 秒片段与客观指标条件下成立。

论文针对社区招募带来的自报诊断标签噪声问题，用注意力、执行功能和记忆三域测验分数重划痴呆、轻度认知障碍与健康对照标签，再训练语音转文本分类器，内部二分类与三分类分别提升约 13 与 12 个百分点并在三个外部语料上复现，而代价是重标签仍是代理标签且依赖单语英语与不均衡小样本。

RespFocus 针对只有周期类别而无事件标注的呼吸音分类，用共享异常证据引导的双分支多示例学习分别汇聚短促爆裂音峰值与持续哮鸣多点响应并组合成四类判决，在 ICBHI 与 PedResp2026 上取得 69.55% 与 72.91% 的 Score，代价是依赖已给周期边界与双预训练特征且儿科新队列规模仍有限。

针对多模态分类中观测标签含噪时难以判断样本是否可信的问题，REFINE 用目标与背景判别分析构造判别特征向量并按类挑选可信表示空间再做标签一致筛选，在七个数据集的多类噪声下提升了分类精度，但结论只在原文的融合结构与筛选节律下成立且个别噪声设置下并未全面领先。

针对仿真训练在真实远场混合上泛化不足的问题，UltraM2M 用同一增强网络同时接受仿真监督、混合重构约束和冻结语音识别损失的弱监督，在 CHiME-4 真实集上降低词错误率，多通道时还提升感知质量，但结论只在该数据集和给定评测识别器条件下成立。

论文用视觉估计的相机旋转与平移方向约束同一视频前后两段立体声的方位预测，并叠加左右声强差约束，在野外步行视频与仿真对照上验证了该弱监督的有效性与重叠声下的局限。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对只有受试者级标签的周级颈表加速度日常嗓音监测，该研究用日级分布统计的 CatBoost 分支捕捉长期低效、用 12 秒窗口门控注意力多实例分支定位短时高强度事件，再经分位数校准的逻辑回归堆叠融合，在官方测试上报告 PVH 的 AUC 为 0.891 与 NPVH 的 AUC 为 0.861，而消融显示深度分支增益很小且 NPVH 存在明显欠置信。

针对整句标注掩盖帧级情感动态的问题，该文只用声学信号做协同推理与冲突回填的多粒度监督，在 IEMOCAP、EmoDB 和 MELD 上报告了 78.10% WA、97.30% WA 和 55.48% WF1，代价是需要先训练 K 组上游子模型并调平衡系数。

针对语音抑郁检测中样本标签可能标错且抑郁线索只藏在片段里的问题，论文用似然比加原型融合做样本级标签校正再用最大规则与聚合器双流多示例学习做片段级检测，在 DAIC-WOZ 上报告 UAR 0.651 与 F1 0.642，代价是两阶段流水线与多个阈值和权重需要调参。

论文先做单说话人预训练再冻结编码器做双说话人微调，只用 utterance 级身份标签经排列不变损失学出帧级语音与说话人活动，在 AMI、VoxConverse 和 DIHARD III 上把混淆误差平均相对降低 13.7%，代价是单窗最多两人且不建模重叠语音。

针对语音情感标签模糊与训练早期不确定性高的问题，论文提出随训练进程把正确标准从前 k 命中线性收紧到 top-1 的渐进弱监督，用 WavLM-Base 在 IEMOCAP 上报告 78.08% 非加权准确率、在 ViSEC 上报告 85.70%，代价是需要设置初始 k、集中度与三阶段退火 schedule。

针对片段级标注无法给出帧级起止时间的问题，该文用保持时间维的多实例网络在片段监督下同时做片段分类和零样本帧切分，在 CASA 帧级 F1 达到 0.70 并在 SEP-28k-E 多标签片段任务上多类取得最优，代价是对长阻塞和 prolongation 仍不稳定且依赖 3 秒窗口。

针对只有无标注混响语音时的单说话人去混响问题，USDnet++ 在 USDnet 混合重建约束上增加对 WPE/WPD 信号处理结果的重建约束并配合多阶段迭代与 SPD 特征输入，在 WSJ0CAM-DEREVERB 上把无监督基线从 PESQ 2.64 提升到 2.94 左右，代价是需要先训练 USDnet 再交替计算 SPD 与微调且推理可能要跑两个模型 …

该研究把词间交界当候选，用长停顿先取高精度锚点再以音高重置与能量变化收紧，并以正未标记学习把稀疏正例扩散为全集连续边界强度，其代价是覆盖极稀疏且依赖浊音可靠与日语朗读语料条件。

针对只有话语级标签却要输出帧级情绪起止的问题，P-SED 用可学习情绪原型加正交约束建度量空间，再用包级非对称对比与帧级 Top-K 显著挖掘联合训练并在推理用全变分去噪保边界，在 ZED 上报告 EDER 为 47.00%，代价是固定比例挖掘对快速变化情绪仍显僵硬且帧标注测试集很小。

针对流式文本输入下缺少前视导致韵律不自然和上下文无界导致长文崩溃，该文用韵律边界标记加有限前视与滑动窗口提示改造 CosyVoice2，最强证据是长文词错误率从 71.0% 降到 4.8%，代价是仍需每块 5 词加 2 词前视的累积等待与流式声码拼接。