数据集构建

该研究固定模型与采样条件，以规模抽样和多源混合两组对照说明固定生成方法下扩量收益先升后降，而 53 种生成方法、94 小时的小混合集在跨域上优于上千小时的单一大数据集，但未验证模型容量与采样策略的交互代价。

论文报告 ELSI 已托管 40 余个儿童中心长时音频并用三角色分层隔离原始音频，但 10 个原住民社区语料的控制权仍集中在 3 名欧洲学术托管人手中，作者因此提出增设社区托管人并发出共同设计邀约。

论文用试镜与选角双角色游戏收集多语言情境化韵律语音，再用冻结表征加轻量分类器做情感识别与分阶段探测，显示库内情感可学但跨库更难，且年龄与情感在中间表征仍可恢复，代价是整体规模小、非专业表演变异大。

GADVOX 针对德语缺失焦虑抑郁双标注语音的问题，用 10 个随机化中性自由言说提示在众包平台采集 1004 人语音并配对 PHQ-9 与 GAD-7 自评严重度分数，以 29.3% 多阶段质检换取可做双目标回归的数据，最强证据是量表内部一致性与质量-严重度无相关的核查，代价是自评非临床诊断且样本偏向高教育数字人群。

该文针对客服语音中烦躁强度难以及时量化的问题，用银行客服表演录音加三维度 1 到 10 分众包标注与一致性筛选构造时序语料，最强证据是微调后 XLSR 模型在攻击性强度上平均绝对误差 1.333 而相关系数 0.710，代价是表演口音、非说话人无关划分与小样本内部验证限制了外推。

针对声音印象数值控制中无公开语料与参考音频导致印象泄露的问题，论文构建 LibriTTS-VI 并提出双话语解耦训练与无参考生成，最强证据是 11 维印象均方误差客观从 0.61 降到 0.41、主观从 1.15 降到 0.92，代价是无参考方法说话人相似度略降且部分维度仍难控。

针对语音增强被动处理与主动投毒假设的矛盾，论文用训练集内高信噪比干净语音作触发器并配对静默目标，仅做数据投毒就在四种模型和两个数据集上实现近 100% 静默攻击成功率，而正常增强的 PESQ 下降多在 2% 以内。

该研究为毛利语构建首个 16 类情感表演语料 Pā-Kakare 并用听辨与基频、强度、语速验证其可区分性，最强证据是八选一听辨 36.15% 显著高于 12.5% 机会水平且三项声学特征方差分析均显著，代价是表演语料自然度有限、混淆集中在相近唤醒度类别且数据需申请受管访问。

该文为普什图语从界面本地化、维基句子抽取、易丢音素补句到广播动员建成 147 小时众包朗读库，并用 MCV20 微调 Whisper Base 在 MCV20 测试集上报告 13.4% 词错误率，但朗读口音、方言与性别缺失限制了外推。

针对曼尼普尔两种拉丁拼写藏缅语的数据空白，论文用教科书录制加自动切分流水线建成 9.58 小时坦库尔语和 10.79 小时马林语单说话人库，并在相同划分上训练 Tacotron 2 与 FastSpeech 2，最强组合 FastSpeech 2 加 StyleMelGAN 在主观盲测取得 3.06 与 3.51 分，代价是方言差异与声调建模仍限制可懂度。

针对泰米尔语等六种东南亚语言真伪检测覆盖不足的问题，论文用十个开源与四个闭源系统按真实文本配对生成 711 小时数据，证明在 ASVspoof5 上为 1.25% 等效错误率的模型会在新数据上恶化到 43.8% 左右，而在新数据上微调可恢复到 0.2% 左右，但伴随原域遗忘与语言间难度差异。

SingFox 针对歌声伪造检测泛化难的问题，用 20 个语言、1150 歌手、四类生成范式构造六条评测赛道，报告跨数据集最高准确率 77.84 %，而替代伪造使基线跌至 45.13 %，代价是训练子集小且部分语言缺乏人评验证。

SoniSpeech 用声学传感眼镜采集 34 小时、18000 条配对的有声与无声话语和同步视频，以当代对话语料实现开放词汇覆盖，并用 CTC ResNet-34 基线在无声测试上报告 26.3% 词错误率，但跨模式泛化仍存在大幅落差。

论文用 196 份问卷加 66 份自录语音建成跨男性态度与语音库，证明自我感知的男性度与平均基频只有弱线性关系而满意度关系更顺，并揭示 Praat 与 REAPER 在同一批朗读上存在系统性基频偏差，但众包录音条件与横断面设计限制了因果推断。

该文以酷儿语音数据难收、风险高为案例，提出由社区、项目形成、参与方式与个人自主构成的双向共创框架，但未做定量实验与新数据集验证，代价是落地成本与治理复杂度上升。

TriageSim 针对急诊分诊缺少真实护患语音的问题，用结构化病历加人物设定驱动多智能体对话与语音合成，生成约 800 段文本音频对齐语料，并在三模态分诊分类上只得到公平一致性，说明瓶颈在临床推理而非转写噪声。

论文研究约 1 万使用者的胡拉语如何做社区所有的文档化，方法是社区发起的众包翻译加长者审校平台 Vavanagi，最强证据是 77 名译者与 4 名审校者产出 12124 对平行句且一次通过率 91%，代价是目前仍以文本为入口、语音只作附件且下游翻译与识别模型尚未建成。

针对越南语说话人识别数据少且依赖人脸关联身份的问题，该工作用说话人日志分割加元数据驱动的大语言模型身份推理构建了约 902 小时 4715 人的 VieSpeaker，并在跨数据集评测中显示更强的鲁棒性与预训练迁移收益，代价是身份恢复准确率随节目类型变化且仍需声纹聚类与人工核验。

针对中文老年语音在自然场景下识别困难的问题，WildElder 从在线视频收集并人工标注 23701 条语音，用从零训练与预训练模型的字错率对比证明野外老年语音仍具挑战，而微调能显著降低误差但高龄与男性语音代价更高。

针对文本查询同时检索语音库和文本库时分数不可比的问题，论文用 Z 分数归一加基础音频语言模型标注构造跨模态排序数据，再用 LoRA 微调音频语言模型做重排器，最强证据是混合域下重排显著超过 Z 分数基线，代价是对目标函数和音频切窗策略敏感且依赖合成语音数据。