数据标注

该研究解决在分通道自然对话录音中把语音活动还原为轮次和反馈两类交互单元的问题，用语音检测加能量过滤加合并加转写加上下文后处理得到初版标注，在 99 段丹麦语对话上检出 F1 约 0.62 且匹配段的中位边界误差约零点十几秒，代价是仍需人工复核且对参数敏感。

InterView-C 用 27 场德语 VR 化身问卷访谈把双人眼动头部脸部手部追踪与逐词转写问卷时间窗对齐到同一时钟，并用人工校对转写和 1422 句否定标注证明短回答数字词易被语音识别丢掉而域内训练更适合转写对话的否定检测。

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

该研究用简化嗓音轮廓分析对 127 名瑞士德语年轻人的自发谈话做四人感知编码，在整体一致性仅为轻微到一般的代价下，报告了东北部鼻音带、男性松弛声道与女性咽腔扩张及嘎裂声稀少等可核对的分布。

论文用时间对齐自监督表示上的积分梯度定位判决证据，再经 100 条样本人工标注与掩蔽反证，显示 AASIST 看非语音环境、CA-MHFA 看局部音素、SLS 看词边界与频谱完整性，而重压缩是三者共同的失效条件。

针对澳大利亚高校国际学生的英语发音反馈需求，该研究从 CommonVoice 英文分区筛选三个口音组，用蒙特利尔强制对齐加三名语音学家的人工标注构建 859 条标注，并报告音段与韵律几乎各占一半的初步分布，但印尼组仅 3 名说话人带来明显的样本不平衡代价。

针对通用语音模型预标注与人工精修脱节、现有工具缺少流水线编排和私有部署的问题，SpeechBench 用前后端分离加可视化流水线与层级编辑把多模型串接起来，展示了离线笔记本演示的可运行性，代价是本文未报告定量效率与精度对照。

论文研究如何在低资源印地语农业对话场景下低成本建 100 小时语料，选择自动语音识别加轻量 mT5 纠错再加标注员到验证员到核查员三层校验，最强证据是相对纯人工标注时间减少 61.1%，代价是领域外泛化仍依赖通用基线且大模型纠错更慢更不稳。

针对端到端语音识别在真实无处理语音上是否幻觉的问题，论文用 Earnings 22 加七模型加人工跨度标注构建 HALAS，最强证据是字符与语义代理指标仅 81% ROC-AUC 而先进检测器仅 53.1% F1，代价是数据集为富集幻觉的高难度采样且不能反映真实部署频率。

针对阿联酋阿拉伯语口语与标准语差异大、已有语料多为标准语或埃及黎凡特方言的问题，Hamsa 构建 11 小时人工转写对话语料并用统一超参数微调多语识别模型，最强证据是 Whisper-v2 词错误率从 42.25% 降到 24.46%、字错误率从 71.91% 降到 8.27%，代价是规模仍小、说话人未严格隔离且原始音频暂只提供转写与采集脚本。

WASIL 针对阿拉伯语级联语音助手的用户差评混杂问题，用 9304 轮野外语音加双路 ASR、金标改写与可回答性标注分离转录与问法因素，并用多法官无参考评分报告金标与 ASR 输入下的性能差距与方言代价。

在 65 条自然脊柱门诊普通话话语上比较 emotion2vec+、SenseVoice 与 FunASR 三套开源语音情感识别，以研究者共识为参照，发现非加权准确率 55.4%-61.5% 掩盖了少数情绪接近零的召回与仅约 24% 的样本加权准确率，代价是标注噪声大与类别极不平衡下无法直接部署。

针对开放回答口语缺少准确度、流利度、韵律逐句标注的问题，OpenEnded 用 1000 条三人标注测试集加 6109 条训练与 2673 条开发伪标签支撑评估，并以冻结骨干加三头评分的 VoxPA 为更强基线，但伪标签偏向中间分且低分常与无语音绑定。

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

针对连续语音韵律短语标注耗时问题，论文提出依赖完整主流美式英语 ToBI 训练的加速分组标注法 Rapid-ToBI，报告双人三分类一致性 κ=.87 而 Wavelet 在中间短语处漏检 78.5%，代价是仍需受训标注员且仅在约十分钟奥巴马讲话上验证。

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

针对 MOCHA-TIMIT 文件名与内容不一致且缺乏统一音素与韵律标注的问题，作者用 Whisper 校对加人工质检加英式英语 MFA 强制对齐生成 8 层标注，在 msak0 和 fsew0 共 920 句人工标注上达到约 80.4%-80.5% 音素分类正确率与 14.0-15.9 毫秒边界平均误差，但 19.5% 残余混淆仍集中在元音长短、双元音与连 …

该研究在法兰西岛 2018-2025 年读词孤立词任务中检验性别对摩擦性增音的影响，基于 434 条以/i/结尾的录音和逐条有无标注，发现录音层面的混合模型显示男性录音显著更多，而人均比例模型不显著，代价是仅 22 人且未做声学参数测量。

该研究在法语朗读任务中比较言语失用症、帕金森构音障碍、小脑性共济失调构音障碍与典型对照的韵律成组，报告显示三组都保留四级边界与两级节奏突显的清单但分布不同，而失用症组以过多边界和词内边界形成最碎的切分。