教育

针对初学者看不懂语谱图时间细结构的问题，该演示用 CARFAC 耳蜗滤波加 SAI 稳定成像生成基频图，以 16 kHz 输入和 450 样点分帧做实时双屏对照练习四个普通话声调，默认词表限定 22 词且未报告学习增益的定量实验。

针对课堂中教师主导、多学生短轮次与重叠难以标注的问题，该研究用 Mean Teacher 在 TSSD 上做半监督域适应，以 Role-Aware Union Loss 把学生标签视为多隐通道的逻辑并集并用 PIT-MSE 做排列不变一致性，最强证据是在 TSSD 测试集上取得 16.95% 的 DER，代价是仍需预训练与有标注目标域样本且对有无标注配比敏感 …

针对误发音检测与诊断需要如实转写实际发音的问题，该研究用强制单调帧级对齐的声学模型保留瞬时发音线索并用训练期特权信息隐式注入语言知识，在 L2-ARCTIC 上报告 F1 为 71.77%，代价是插入错误上升与识别率和诊断率之间的权衡。

针对印度初学者母语混英语代码词的口语提问，CodeVaani 用分语种语音识别加代码感知转写修正再接代码模型作答，在 500 条真人语音上把词错率降到 8.1% 左右并获得超 89% 公平以上评价，代价是依赖双 H100 异步流水线且未验证多轮与延迟。

针对二语口语语法纠错中是否应先删除不流利成分的问题，论文用犹豫标记注入加犹豫类型嵌入保留三类犹豫信息，在 Speak & Improve Corpus 2025 人工转写对照上以 F0.5 0.4790 超过规则删除基线与人工流利基线，而犹豫附近误差增益更大且需依赖可靠的犹豫标注。

该研究用母语语料的上下文相关音素类中心加截断奇异值分解建立母语参照坐标，把每条二语话语的同名音素类投影进去算距离，在自发口语上与综合熟练度呈负相关，在朗读上与发音质量呈负相关，但偏离中仍混有流利度和覆盖度因素。

针对日语高低重音与汉语声调等音高敏感语言的口语练习问题，Amadea 选择用语音识别推定意图短语再合成母语参考音并比较归一化基频轮廓的方法，其可核对的证据是 16 kHz 解码与 80-400 Hz 区间 pYIN 估计等具体流水线参数，代价是单参考轨迹对照与识别及对齐失败等未验证环节。

该研究用发音属性序列代替音素直接建模，在母语数据训练后于学习者语料上做检测与诊断，报告显示误接受率与诊断错误率下降，但误拒绝率略有上升且声调细化带来灵敏度代价。

该研究把二语节奏评估做成流利度和韵律分数回归，用一维卷积直接从语音幅度包络及其一阶导数学生节奏特征，最强证据是包络导数模型在低流利度组误差显著低于时长模型，代价是韵律维度仍受语调混杂与低分样本稀少限制。

针对印度、印尼和拉美口音的英语学习对话，该工作用启发式富实体选数据加分区 LoRA 双输出微调 Qwen2.5-Omni-3B，把实体召回做到 80-85% 区间并把填充词保留到 76-86% 区间，代价是依赖银标准转写参考与每个区域独立适配器。

该系统针对 NCERT 课本问答做个性化教学视频，用检索增强生成锁定课本依据并写出多场景脚本，再经 Stable Diffusion 配图、DynamiCrafter 做动效、Google TTS 配音并由 MoviePy 对齐合成，演示显示师生觉得比纯文本更易跟随，但原文只报告定性反馈而未给出可比的定量指标与对照代价。

该文以在 Max、gen~ 与 RNBO 中逐步建造现场循环器为教学方法，让学生在录音播放、叠加与去咔哒声等真实音乐任务中学习缓冲与时序，课堂观察显示参与度和迁移能力提升，但 gen~ 与 RNBO 的转换仍受单学期时间与代码畏难情绪限制。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

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

论文以 1978-1979 年为 Lydia Kavina 制作的最后一台 Terpsitone 为对象，用实测建模的三维体、范德波尔振荡器差拍的声音引擎和头手质心映射的交互链做可演奏的虚拟现实孪生，历史考证显示至少四代形态而音量映射始终多变，当前原型已能走通动作到声音但精度与稳定性仍待验证。

BIKES 把电动货运自行车做成可移动联网乐器，用集中式到网状网络、分布式音频与工业设计迭代解决户外移动演奏与教学问题，最强证据是四车系统的公共骑行与装置验证，代价是第二阶段外观模型尚无发声功能且系统依赖现场网络与人工运维。

该研究以 27 名日本职前教师的 3 分钟微格教学和 729 人次九维度同伴评分为对象，用 8 个客观声学特征做 72 对相关映射，发现语速偏向内容清晰等认知维度而平均基频偏向表情与观众意识等情感维度，但 15 个名义显著相关经错误发现率校正后全部不显著，故最优区间只作探索性参考。

针对已熟练使用商用数字音乐工具但缺硬件原型能力的高年级本科生，论文用研究—搭建—作曲—演出—文档的全周期结构组织 15 周课程，在 16 人两学期中报告 15 人完成全流程、7 人建后改硬件，以小班与统一套件为代价换来持续迭代条件。

论文要解决从文本生成法语 LfPC/提示语编码的教学工具缺失问题，选择把生成引擎与语言规则分离并暴露三步可核对流程，其证据是已验证的生成引擎与用户测试过的界面，而代价是美式英语长元音三维动作在二维显示上尚未优化。