数据增强

针对小型弦乐重奏近场麦克风串音问题，论文把去串音做成 P 进 P 出的多通道分离，并在训练时对输入与目标施加同一随机置换以强制通道置换等变，在未见房间布局和真实 URMP 录音上提升 SDR，但低频与未见乐器上的增益仍然有限。

该研究把 DiffRIR 从单声源扩展为多声源联合优化并把学习率调到 3×10-2，用 24 条 RIR 实现频谱误差下降，同时揭示空间不变晚期残响在多声源下存在时间衰减精度的结构性代价。

针对吉他缺乏力度标注的问题，该工作用虚拟乐器渲染带力度标签的合成数据先学力度曲线，再把冻结的力度子模块拼到在真实录音上训练的音高转录模型中，合成集上平均绝对误差从约 32 降到约 7 但跨音色误差增大，而在 GuitarSet 与 EGDB 上的音符转录 F 值只提升约 0.1 个百分点。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

Affectron 针对开放场景下非言语发声数据少且无对齐监督的问题，用解耦小语料上的情感驱动匹配与情感感知路由构造增广样本并微调 VoiceCraft 主干，报告显示非言语真实感与多样性提升而口语自然度基本保持，代价是重叠语音未建模且依赖伪标签与小规模干净语料。

该研究用会话对齐加 Conformer 加 CTC 直接从皮层神经活动解码字符序列，在验证集上报告字符错误率为 23.80%，代价是跨会话信号漂移仍大且词边界错误集中。

论文研究说话人识别中速度扰动和混合拼接增强如何加大训练难度，提出用杰弗里斯损失约束非目标分布并用面向近邻的混合采样供给局部样本，在多组失配评估上报告稳健性方向，同时显示单阶段联合多种增强会使判别过难而分数融合更稳妥。

针对 SRE24 音频验证中固定训练缺阿拉伯语与法语、短语音与多说话人测试变难的问题，I4U 用 Multi2dCoTNet 多嵌入约束、NPSVM 分类器、自适应归一化与 Mixed-Norm 虚拟说话人给出官方五系统方案，并用 Multi2dCoTNet 加 XLSR-CAMHFA 的两系统精简方案在更低算力下达到相近精度，但短时长与声源失配仍是主要误差 …

共收录 38 篇 iwslt-2026 会议论文的 Reader 深度解读

该工作以中库尔德语到英语自发语音翻译为目标，对比用真实语音经语音识别加机器翻译做伪标签与用语音合成加机器翻译造数据两条路线，最强证据是伪标签训练的端到端模型在开发集 25.73、测试集 21.09 的 BLEU，代价是依赖已微调好的识别与翻译模型以及严格过滤，而纯合成数据在自发语音上明显偏弱。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

Pinch-AST 针对最长约 2.5 小时无切分音频同时翻译，用 Qwen3-ASR 加 Qwen3.5-4B 每语言对 LoRA 级联与字符级最长公共前缀只增发，在单张 H100 上报告 En→De、En→It、En→Zh 相对基线 XCOMET-XL 提升 4.1、5.7、2.6 分，代价是靠固定块重解码与前缀截断训练控制延迟。

针对现代语音整体质量高但损伤只出现在局部而难定位难分类的问题，该工作用部分混合生成帧级伪标签并加帧级监督对比损失训练双头帧级模型，在域内与域外混合数据上把嵌入检测做到交集面积 0.91 左右，代价是多重并发损伤下类型纯度下降且干净帧取舍需在检测稳定与聚类纯度间权衡。

论文把电话传输拆成降带宽与过编码分别测量，发现未见过的编码是退化主因，并用窄带重采样加随机量化加 RawBoost 加 G711 仿真在未见真实 VoIP/PSTN 上把 EERc 从 18.9% 降到 15.1%，代价是训练条件变多且干净宽带上的匹配性能不再是最优。

论文以白盒 Qwen2-Audio 为对象，用梯度优化构造定向唤醒与有害指令噪声和非定向降质噪声，并用平移、加噪与 SpecAugment 增强实现经 Chromebook 播放、iPhone 录音的空中攻击，最强证据是数字定向 12 组条件 100% 成功与真实录制定向 100% 成功，代价是对采样率扰动敏感且可被 EnCodec 压缩大幅抑制。

共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读

针对半监督歌声旋律提取中频域增强敏感与一致性正则化丢弃约半数无标注数据的问题，论文提出分频带扩散增强、全局-类别置信筛选与通道交叉注意力三模块组合，在 ADC2004 等四套测试上相对 MCSSME 的 OA 提升 0.9% 至 7.7%，代价是引入扩散迭代与记忆库等额外结构与调参面。

针对统一输入空间大音频语言模型音频窗短的问题，论文提出只改音频区旋转位置编码的部分 YaRN 与训练时随机虚拟长度的位置增强虚拟长音频训练，在 1 至 10 分钟问答上用免训练与微调对照验证长音频泛化收益与调参代价。

针对语音到文本翻译在真实噪声下不稳定的问题，论文用可解释环境模拟器加功率谱模板原型约简与 27 组小规模超参数搜索组织鲁棒训练，在相同数据预算下使模拟噪声训练与真实噪声训练表现接近，代价是混响与精细调度需另行取舍且最优配置只在搜索范围内成立。