强制对齐

论文针对昆曲演唱与念白缺少音节级时间边界和音韵属性关联的问题，建成 281 段录音共 482164 个音节标注的 KunSet 语料库，并用 251 段微调的对齐模型把总体边界误差降到 194.83 ms、用传统韵部监督把同韵检索 P@10 做到 17.16%，代价是昆曲唱段对齐误差仍明显高于念白且检索绝对精度仍然偏低。

共分析 58 篇语音/AI 论文

论文针对语音大模型同时做识别、时间戳和翻译时固定权重无法实现部署偏好的问题，提出用专家锚点距离份额做闭环校准的 EA-SURF，并在六组三目标请求上把偏好校准误差降低约六成、端点包含的归一化超体积提高 17.8%，代价是平均词错误率小幅上升 0.16 个百分点。

针对自发含噪语音中填充词和笑声污染词边界的问题，论文保留经典 GMM-HMM 结构并换用 WavLM 特征加噪声配对投影与专用事件单元，在 149 小时自举训练下把 Buckeye 和 FluencyBank 词边界误差降到 20.6 与 76.9 毫秒，代价是朗读语音仍略逊于最强 MFA 配置且重度口吃语音绝对误差依然较高。

共分析 25 篇语音/AI 论文

论文要解决 Whisper 只出词而丢掉呼吸笑声喇叭声的问题，用统一七个异构数据集的卷积加 Transformer 每 40 毫秒输出 54 类概率的做法，在重叠留出数据的留出集上敏感档找到约三分之二事件但宏观精度只有 0.30，代价是阈值与评估都偏乐观且弱类仍不可用。

论文先量出已有对齐器在人工词边界上的误差和电话信道下的退化，再只用人标边界训练 Whisper 直接预测词起止时间戳，在英语、韩语、荷兰语和多语测试上超过蒙特利尔强制对齐器，而电话增强、槽位后置和带噪文本训练是关键代价与收益所在。

共分析 146 篇语音/AI 论文

针对印地语带时间戳转写问题，论文在 Whisper 编码器输出上加一个字符级线性 CTC 头做强制对齐，时间戳精度与依赖外部模型的 WhisperX 相当，并用 CTC 输出长度约束缓解短语音幻觉，但结论只在原文四个测试集和人工标注条件下成立。

该研究把电磁发音仪记录线性映射到 Maeda 参数空间，再用非对称典型时间规整把数学音节模型轨迹对齐到真实时间轴，用语音内容一致与不一致配对的置换对照证明语音一致时发音与共振峰相关显著更高，但唇高参数与生理延迟仍是代价与边界。

FA-Bench 用固定转录归一化、固定划分与全边界容差 F1 把 21 个开源模型与 9 个商用接口放在干净与四种退化语音上重跑，报告了 MAE 只算命中词带来 9% 到 14% 的虚低与 Whisper 约 150 ms 系统性偏早等偏差，代价是音素评测仍受词典与实现差异限制。

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

针对卒中后构音障碍朗读中停顿是否恰当难自动评的问题，论文用逐字 Whisper 转写加 MFA 对齐与 VAD 修正再交大模型分类，专家评定上轻中度组宏 F1 达 0.68，加入不恰当停顿特征使构音障碍检出宏准确率提升 8.4 个百分点，但重度组因转写不可靠未纳入定量评价。

针对低资源声调语言缺少专用声学模型的问题，CrossPhon-Tonal 在发音特征映射后增加自动声调映射，在六种声调语言上达到与专家人工映射可比、并在多组上超过 3600 小时 Global English 模型的一致率，但低训练量模型与克罗地亚语等边界条件仍暴露明显短板。

论文针对印地-英语混码语音的强制对齐提出两个可复述操作：用 bootstrapping 重映射词典解决 ph-f 与 J-z 自由变体，用句级混码数据训练声学模型对齐句中英语词，最强证据是混码模型平均中点误差 4.15 ms 约为单语模型的十分之一，代价是词典需人工校对鼻音与 schwa 且结论限于 MFA v1.0 与朗读语料。

针对多人重叠语音不知跨说话人词序的问题，该文用洗牌积与偏序有限状态自动机构造全部合法交错序列并以 CTC 式前向算法边缘化训练，实现单遍对齐与说话人归属转写，主要代价是图规模随重叠长度膨胀而必须用时间领约束剪枝。

论文要解决强制对齐在多语言、多方言和自发语音上边界不准与流程难复用的问题，选择以隐马尔可夫高斯混合为声学骨架叠加更大规模数据清洗、国际音标词典、发音概率与适配重映射来改进，最强证据是英日韩四个基准上平均边界误差均低于 15 毫秒并在多数比较中领先，而代价是适配与音系规则的收益只在特定条件下出现。

该文要解决词级强制对齐在多语下的可扩展问题，选择融合 MMS 与无监督音素边界表示再用可学习动态规划定边界，最强证据是在 TIMIT 和 Buckeye 上超过 MFA 与 MMS 基线，代价是编码器与解码器不能联合优化且在荷兰语等未见语言上优势只在部分容差下成立。

针对一步式交错时间戳会拖累转写质量的问题，论文用同一语音大模型先做纯转写再带时间戳复写，并以模块化低秩适配实现隔离训练，最强证据是英语平均 27.1 毫秒、多语 21.2 毫秒且词错误率与基座持平，代价是模块化分支需处理缓存复用与二次音频注入。

该研究用 TIMIT 人工边界为金标准、以 MFA 自动对齐比较时长与 F1、F2，沿 token 递增轨迹检验差异是否缩小并何时稳定，报告 85% 组合显著改善而 F2 最费数据，代价是结论限于朗读式高质量英语且部分元音-特征未改善。