弱监督学习

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。

针对合成语音质量评估依赖人工 MOS 且跨语言跨系统泛化差的问题，TDScore 用 TTS 训练中的检查点轮次与训练损失作伪标签训练质量预测器，在法语训练、英法评测上显示轮次标签与人工 MOS 相关而损失标签更不稳定，但仍受 TTS 训练动态与饱和截断策略限制。

针对开集噪声标签无法用闭集纠正解决的问题，论文提出时间集成阈值做样本选择与邻居感知标签混合做标签纠正，并在 VoxCeleb 对称与非对称噪声下把平均等错率降到 3.71% 左右，但高噪声与跨评估集上的优势幅度并不一致。

针对语音识别语料标注偏松导致日志边界虚胖的问题，该研究用因果与反因果模型取交集生成紧伪标签并协同训练，在理想紧标签增益中恢复约 70% 并改善下游识别，但以漏检上升和仍需紧标注验证为代价。

针对无声说话人视频的转录时间对齐问题，V-Align 把帧-音素相容格上的单调遍历作为核心结构，先无边界学习路径分布再用词级 MFA 精修，在 LRS2 上以 32.9 ms 与 91.2% 取得最优，但第二阶段仍依赖音频对齐监督且未公开可运行代码。

针对逐字转写中局部一两个字符的不确定性，论文把通配符旁路从词级下移到词元级并与熵调度的混合图结合，在 25 个任务上相对 CTC 平均降低 9.45% 词错误率，代价是需要按语料调旁路权重与验证集熵进度。