形式化分析

该文把说话人匿名定义为区分两个说话人的高斯差分隐私权衡函数，用裁剪加噪的高斯说话人机制扰动低维说话人嵌入并经变分自编码器映射回有效嵌入，在 2024 语音隐私挑战上以词错误率低于 4% 实现最高 41.2% 等错误率，同时给出任意攻击者的等错误率理论下界。

论文把 Whisper 幻觉归因于信号传播几何的相变，用谱传播不稳定性框架解释小模型因跨注意力秩崩解而丢失声学证据、大模型因自注意力压缩锁定内部先验，并以 Tiny 到 Large-v3-Turbo 在对抗扰动下的有效秩与谱衰减变化为证据，代价是未直接测量层间对齐且结论限于 Whisper 家族。

该文把长音频活动识别做成从事件序列出发的层次解析，用训练脚本归纳的概率上下文无关文法加噪声节点约束子活动顺序与组成，在 MultiAct 上以事件监督恢复子活动切分与活动标签，最强证据是 Eval 子活动 Edit 从 24.6 到 35.3 的顺序一致性提升，代价是边界精度在严格 IoU 下未同步改善。

该文研究用可移动机器人作已知位置校准源时的分布式麦克风几何标定问题，以含时钟捕获偏移的到达时间差模型推导克拉美罗下界并最小化该下界来求最优声源位置，最强证据是在高斯噪声与声学仿真下定位与偏移估计误差均低于随机放置，代价是一阶段联合优化计算量随声源数增大而显著上升。

针对自回归测试时自适应中熵最小化实现分裂的问题，论文推导出包含词元级策略梯度损失与词元级熵损失的完整梯度，并在 Whisper 语音识别上以 20 余个噪声口音多语域验证，最强的束搜索变体带来最低词错率，但代价是每步多采样与多步更新的计算开销。

该文针对语音语言模型同时受文本与音频越狱威胁的问题，选择在中间层残差流上用主成分分析暴露拒绝与顺从的分离结构并构造可跨模态转向的向量，最强证据是音频来源的拒绝向量把文本 AutoDAN 攻击成功率从 72.69% 压到 2.82% 而反向亦成立，代价是干预强度需按模型分布手调且只验证了两模型五种攻击。

该文把语音序列生成中的自回归搜索拆成估计、决策、先验更新与终止检验的递推结构，用纳入标准区分投机解码与非自回归方法，但未报告定量解码基准实验与可运行代码。

针对可逆恒 Q 变换各频带时域系数不等长导致的多次核启动与搬运开销，论文用打包实信号傅里叶加固定路由表把选频加窗重排折进带内短逆变换，在同算子同长度基线下把分析合成往返加速两到八倍，代价是实现固定在 65536 点切片并依赖重叠切片处理长信号。

论文研究无异常标签时能否预测 kNN 异常检测性能，推导 AUC 下界并用局部尺度分解内点分数方差，再用嵌入空间伪异常估计分离度，在 DCASE 2022-2025 共 208 个候选系统上显示 Diverse 伪异常的 Pseudo AUC 可超越有异常开发集选择，但代价是依赖语义元数据与伪异常构造质量。

该文把瓶颈适配器装进冻结解码器每一层并用输入成分做二进制门控，使旧模态走原计算图实现逐位不变，同时用对照实验显示音频检索提升与热成像包的可组合性，代价是新增模态的文本混排输入属于新行为且双门同开不在保证内。

针对全双工语音对话持续暴露声学通道的问题，论文用掩蔽阈值约束的不可闻扰动形式化劫持、静默与越狱三类攻击，并以码本几何与掩蔽匹配的潜变量平滑加一致性训练把劫持从 91.7% 降到 8.3%，代价是 UTMOS 相对下降 2.3% 且认证半径只到 0.616 的保底水平。

该文研究用振膜集成光波导马赫-曾德尔干涉仪把声压转成光程差再转成光电流的传声器，以解析模型评估信噪比、声过载与动态范围上限，结论是在常规微机电与测量传声器应用中无总体优势，可能价值在高温等恶劣环境。

论文把带侧支亥姆霍兹腔的通气耳道建模为二端口传输问题，导出音频带预算只由总腔体积与通孔面积之比决定，再用危害加权注水分配证明低频选择在通气类中接近无效而中高频匹配设计可达十二分贝，代价是每 1 分贝言语代价约换 1.3 分贝防护。

论文研究视频字幕与语音转写在流式条件下如何决定每写一个词可见多少源，用单参数幂律窗口替代固定等待，在三个公开集上以 29M 解码器在低延迟处保持质量并给出结构化不偷看证明，代价是长度估计与单轮运行噪声仍需复核。

针对长语音强制对齐的二次方内存与时间瓶颈，论文用分治原地计算的赫希伯格维特比算法保证结果不变，再用随机游走先验加转写精度界做剪枝，三小时音频在单核中央处理器上以兆字节级内存完成对齐，剪枝后进一步提速但依赖精度假设。

论文把考试式四部数字低音配写形式化为相邻事件上的硬约束与局部代价问题，用完整和声状态的分层图与动态规划证明固定声部数下可行性与最小代价可多项式求解，并以二拍、四拍、八拍实例展示合法性、贪心失效与复现步骤。

论文把受约束加性 U-Net 等价为临界采样完全重构滤波器组，再用全速率残差路由把学习目标转为任务相关的取舍，在 TIMIT 上以相同识别器把测试音素错误率从 28.60±2.09% 降到 25.76±0.41%，代价是保留双路全分辨率表示带来的过完备冗余。

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该研究以陈述句的词末重音为基线，比较撒奇莱雅与法兰澳阿美语的疑问词首与祈使句动后小品的高音位置，提出高音重联而非重音移位的统一解释，代价是仅依赖八位发音人的声学描写而未做统计检验与感知验证。

论文以粤语上升调 T2-T5 为对象，用发音与感知分离的样例模型证明最小对比例决定生产端平衡距离，而感知端随功能负荷下降更快塌缩，零负荷时走向完全合并，代价是一维基频目标与理想化词库的简化。