数据增强

针对 MLAAD 开放集溯源中 SSL 域内强但域外过自信的问题，论文用冻结 XLSR-53 加 66 维 CORES 双分支与输入条件门控联合能量间隔训练，在 Eval 上报告 97.6% 域内准确率、4.9% EERc 和 10.4% FPR95，代价是需 Dev 域外样本做辅助监督且门控需冻结预热与熵正则维持。

针对原发性进行性失语临床语音稀缺问题，HASS 用词汇检索损伤层与音素编码损伤层串行仿真 logopenic 变体的内容与语音共现损伤并经语音合成生成严重度可控语料，只用合成数据训练的 Wav2Vec2 低秩分类器在真实跨机构测试上报告更高曲线下面积与更小跨折方差，但离散音素编辑与为流利语音优化的合成器仍是明确代价。

针对构音障碍语音数据稀缺且误读高度个人化的问题，该研究用说话人相关的音素映射矩阵指导典型语音 PPG 的音素替换，再结合说话风格转换和音素级变速做数据增强，在 UASpeech 上微调 HuBERT 后整体词错误率报告为 19.53%，代价是需要配对的典型与障碍语音做映射统计与强制对齐且合成器需两阶段训练。

针对跨语言和噪声下说话人确认易把语言当成身份的问题，该文先用弧面间隔损失在多语言数据上微调 ReDimNet-B6，再冻结主干训练轻量三元组投影网络，开发集等错误率从基线 3.07% 降到 1.58%，代价是最易条件出现 0.07 个百分点回退且盲测集仍明显高于开发集。

SEAM 针对朗读与自发语音易被语料身份和通道条件污染的问题，用统一预处理加接缝感知采样加非语音增强配合 DistilHuBERT 做 8 秒窗口实时检测，以全量训练下外部面试集 0.971 左右 ROC-AUC 为证据，代价是去掉防捷径组件反而会抬高内部指标。

针对病理嗓音数据稀缺与传统线性增广失效的问题，论文用临床状态词控制的 F5-TTS 合成持续元音，研究 100 到 100000 的合成规模律，最强证据是仅用 10 万合成样本训练的分类器在留存真数据上超过真数据基线并显著提升灵敏度，代价是特异度下降与远域过量合成出现非单调退化。

针对随机切段与噪声增强导致单步置信抖动的问题，HistoMatch 用瞬时置信加稳态历史一致性做双态筛选，在每说话人 20 条标注时 VoxCeleb1-O/E/H 上报告 0.91%、1.13% 和 2.13% 的等错误率，代价是需要维护跨轮预测队列与双阈值滑动平均。

针对中英会话语码切换数据稀缺问题，该工作用语音级 CMI 连同可懂度和自然度做多评价偏好学习来优化 CosyVoice2 合成，再把合成语音与真实语音混合微调 Whisper 等识别模型，在 SEAME 上把混合错误率降到 DevMAN 8.9% 与 DevSGE 14.2%，代价是依赖伪帧语言标签与多模型打分流水线。

该文研究多通道语音增强训练数据的房间声学仿真保真度问题，对比几何声学与波加几何混合仿真训练的 SpatialNet 在实测 Eigenmike 数据上的词错误率，最强证据是混合仿真在 OV40 上相对 ISM-U 降低 38.3%，代价是需要高精度几何、频变材料与全波接收建模。

该文把方向跟随 TTS 定义为相对修改任务，用印象可控 TTS 生成伪语音对再由大语言模型补写导演指令来构造伪三元组，并训练固定主干上的流匹配风格精炼器，报告显示伪数据提升说话人稳定性而真人录音提升方向对齐，二者结合取得平衡。

针对标签转指令中超过 40% 改写存在语义漂移的问题，论文用受控多样化扩大覆盖、用大模型校验过滤保忠实、再用扰动配对补齐韵律控制，在中文评测上把平均遵循率从 34.5% 和 51.0% 提升到 56.4%，代价是仅保留约 61.5% 候选。

针对平行耳语数据稀缺导致耳语转正常语音韵律和音色难恢复的问题，WhispEar 用统一语义表示做双向转换并以容易的正常转耳语方向生成大规模伪平行数据，主实验显示 WhispEar-Scaled 在中英文测试上同时提升可懂度、音质、基频相关性和说话人相似度，代价是仍需少量真实对齐数据微调且依赖共享声学模型与声码器条件。

针对助听器难辨非语音环境声的问题，RALCT 把随机音频增强、MFCC 与 log-mel 拼接、CNN 降维与 Transformer 建模串成一条流水线，在 UrbanSound8K 上以约 310000 参数达到最高 94.56% 验证准确率，代价是增强强度受内存限制且部分易混类别仍偏弱。

BranchShine-CR 用 25.39M 参数、log-mel 加 12 层旋转位置 E-Branchformer、中间自条件 CTC 与双视图一致性正则，在 16646 句共享测试上取得 4.47% 国际音标字符错，相对 ZIPA-CTC-NS 降低 22.3%，代价是整句完全正确率仍低于后者且大基线训练划分并不完全可比。

针对加噪监督微调改善噪声却损伤干净集并过拟合特定损坏的问题，DASH 增加无标签编码器自蒸馏阶段学习干净与噪声视图的一致性，在 LibriSpeech 上保持干净集的同时改善多种噪声条件，额外开销约为微调时间的 4%。

针对组织实体多词跨度、缩写和词表外名称导致的边界不稳，论文用 Whisper 为底座叠加定向语义增广、组织专用结束符和结构约束损失，在保持词错误率的同时把组织 F1 作为主指标提升，但类别专用优化伴随整体召回和识别精度的轻微代价。

针对 154 通中文心理热线三级危机分类，该研究把语音副语言线索文本化后交给文本大模型微调，并用推理生成做辅助约束，在呼叫级五折上报告准确率 0.805 与宏 F1 值 0.802，代价是依赖分块扩增与模型生成的非金标准推理目标。

针对空中交通管制英语口音重、信道噪声强且真实标注仅 4 小时的问题，该工作用文本转语音、声音转换、双向口音转换加声学仿真合成训练数据，在 ATCO2 上把 Whisper-small 从开箱 63.32% 词错误率降到纯合成 24.18% 与混合训练 21.64%，代价是需先做分离增强、过滤约 35% 幻觉样本并承担额外微调耗时。

针对吴语越剧无专用演唱合成数据的低资源问题，论文用 565 段棚录对齐数据加发音与音高增广与条件流匹配基线 YueOpera-Singer，在 F0 RMSE 0.2133 与 MOS-N 3.92 取得可复现基准，代价是单演唱者单行当与 10 步推理开销。

针对只有极少量目标说话人录音时直接混入大量零样本合成语音会提升可懂度却拉低说话人相似度的问题，ZeSTA 用轻量域嵌入区分真假域并对真实数据做小倍数过采样，在 LibriTTS 上把相似度从 0.765 恢复到 0.815 左右，同时保留可懂度增益，但额外合成数据的扩展仍会带来相似度轻微回落。