形式化分析

本文把音乐中的重复与变奏统一为二维点集在变换类下的匹配、出现与等价问题，用基对求变换、用出现集做紧凑编码，并证明只有去掉零缩放的子类才成群从而保证出现集内两两等价。

论文把事件流写成每到事件做跳变、事件之间按闭式漂移的模型，证明同时无关与穿越连续都等价于跳变可交换，并用快慢两条迹加累加器的最小 TM 层实现有序对交互，在开发集上比同读出的加性状态明显更好，但正式测试与最优精度尚未报告。

论文用移调、倒影、逆行与轮换生成的群把短窗折叠为轨道，用轨道熵度量动机词汇量、用部署率度量同一动机的展开程度，在 852 首键盘作品与民歌乐句主题中检验其相对随机对照的压缩与偏好。

本文针对房间脉冲响应峰位滑动导致逐点误差失效的问题，提出直接比较带正负号波形的带符号 Wasserstein-1 距离，在声源位移与房间缩放扰动下得到更平滑的损失地形，并在可微镜像源模型中提高房间尺寸恢复精度，但吸声系数估计仍以逐点误差更准。

论文把一发多收的 UWB 音频拆成电子发射时刻、单听者声到达时刻和全员同块交付三件事，用仿真证明电子钟可以很准但声到达仍超 30 微秒目标、全员交付远严于平均交付，而加副本又会占满时隙。

论文把多路 UWB 音频的按时完整交付建模为有限交换机会上的预约与在线调度问题，给出区间需求的可行性判定和乐观剪枝规则，并在突发丢失下八流时把准时完整率从 45.441% 提升到 59.399%，代价是最差流几乎被饿死。

论文针对障板活塞辐射阻抗与带活塞负载的号筒喉阻抗这类非有理超越阻抗，用连分式与单点和两点帕德逼近构造可任意加阶的无源梯形网络，14 个元件在 ka 达 5 时误差约 4×10-4，代价是高精度算术构造与高频波纹处的误差下限。

论文把频率初值偏差看成待逼近的指数项，指出准谐波模型只做了一阶近似，提出高阶正弦模型并用 LM 算法逐帧估计振幅与偏差，在仿真和语音上得到更准的参数与重构，但代价是迭代计算量高于一次最小二乘。

论文用语音语言模型直接从声音算惊奇值，提出对多种发音求平均的重要性采样估计，在听句瞳孔数据上发现词级抽象估计比单次具体发音更能预测瞳孔变化，但总体预测力很弱且受刺激与时间基线限制。

该文用振膜弯曲到波导伸长再到马赫-曾德干涉光电流的解析链，评估光学散粒噪声与背腔热机械噪声决定的压力分辨率和以 10% 总谐波失真定义的过载，在 1 mW 紧凑情形给出 78 dB 信噪比与 124 dB 过载、在 100 mW 测量情形主要改善压力分辨率，但均附带有利假设而不构成对常规话筒的全面优势。

论文把归一化频谱看成概率分布，用瓦瑟斯坦距离度量马勒与韦伯恩段落在加弱音器前后的音色差异，并用三音二阶矩与塞萨雷斯不协和度做并列比较，再把哈蒙弱音器的开口变化与女高音元音放在同一巴拿赫空间中对照，最有力的证据是同一音高与同一和弦在音色改变后几何量与听感指标成倍变化，代价是样本少、只覆盖有限元音且未建模空间听觉。

针对联合训练中某一模态主导而其他模态欠优化的问题，论文用相对函数进度校准跨模态比较，并通过重分配响应预算与张量级学习率进行闭环调节，在六个数据集上报告了准确率提升，但额外参考构造与探测开销需要分开评估。

论文把无声部分配信息的复调乐谱表示成音高—时间点集，用平移、反射和时间轴缩放刻画移调、逆行、倒影与压成和弦等变换，并在拉威尔 Menuet sur le nom d'Haydn 的 31 个 HAYDN 主题出现之间用变换图验证了八种表示的分工与代价。

论文问文本表示能否保留有序规范内容，用信息分解与构造性反例说明视图一致和各向同性高斯几何不足以保证可恢复，再以 CANOPE 对照实验显示规范 token 监督在可恢复与自然损坏下实现近完美恢复而隐一致失败，并延伸到冻结语音读出仍有巨大词错误率差距，但端到端语音基线更强且语义泛化有限。

论文把分块序号与去噪步看成一张二维格子，用两个可叠缩的权重恒等式决定何时重采样，在相同去噪器调用预算下用块边界打分提升长序列奖励，并用奖励到达时机与集合内可预测性解释何时该果断提交、何时值得前瞻。

在冻结说话人 backbone、训练时能直接看到干净目标的前提下，用球面上的冯米塞斯-费希尔轮廓似然得到按残差自适应加权的对数损失，在保持标准集基线的同时改善失配集，但结论只在原文的配对增强流程和评测条件下成立。

论文发现视觉等多模态大模型合并可提升音频与视频模型的本模态成绩，提出只用 256 个校准样本求闭式权重更新的方向性跨模态对齐迁移方法，在音频平均提升 29.55%、视频平均提升 24.92%，代价是视觉端性能可能受损且结论限于共享基座的权重可合并结构。

针对全双工语音每秒输入必须在下一秒前变成一秒语音的截止期问题，DuplexCadence 把时钟速率与保留界声明给运行时，用按需定址的携带缓存与精确形状图回放在合成尾段实现约 2.85 倍加速与约 38.8% 峰值内存下降并保持逐字节一致，代价是一次性捕获预热与自回归阶段仍在无损范围之外。

论文针对语音指令识别中脉冲神经网络被认为比比特串行量化网络更慢的问题，提出带延迟控制的发放内核与流水延迟搜索，在匹配映射下用建模核延迟证明跨时间步重叠可更快，并在 GSC 上以 96.31% 精度达到 119.64 μs 建模延迟，代价是等待位置选错会同时变慢变差。

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