数据集构建

GRATS 针对普通话声调对时长扰动敏感而人工变速参考失真的问题，用 25 人×60 句×5 速共 7500 句自然平行录音做基准，报告了极端速率下时长与基频一致性下降而可懂度与感知质量出现分化的证据，代价是仅覆盖台湾朗读语料且暂缺主观听感验证。

针对台语老年居家紧急意图识别，论文构建 21 人 3079 条真实数据集并对比两种野外数据挖掘路线，最强证据是戏剧挖掘预训练再经 1600 条域内适配后达 90.21% 准确率，而直接跨域仅约 70% 上下，代价是细粒度紧急类仍易混淆且轻量模型远落后。

ArtComp 用发声努力度连续调控下颌开度，同步采集 7 名瑞典语者的电磁发音、声门和音频数据，以 3000 个元音样本支撑补偿性发音研究，代价是基频耦合与传感器干扰仍需使用者自行控制。

该研究针对单速链式输送机整机故障，构建三音频加四振动同步数据集并用冻结编码器加通道级 k 近邻统一评测，报告显示音频在检测占优而融合在分类最强，但跨速度与噪声泛化仍留有余量。

该文针对前景事件变化而场景类别不变时的声场景分类失效问题，用 CochlScene 背景加 FSD50K 前景的受控混合构造 ESAS 基准，并在六个可运行系统上报告背景到未知事件的系统性掉点，代价是合成混叠与真实采集之间仍有差距。

VietPrism 用 993.4 小时真人语音与说话人配对的伪造语音研究方言和越英混说下的检测脆弱性，最强证据是零样本检测器随说话人相似度升高而 EER 明显恶化，代价是小方言样本少且合成系统只有四种。

该文用 32 组 105 人的被试内配对设计采集约 59 小时面对面与视频会议群组对话并做多模态特征与人工标注，报告显示视频会议话轮间隔更长、话语更短且句法更简单而面对面愉悦度更高，代价是任务单一且设备与场景控制仍会引入域差异。

针对非洲语言自发语音缺失与评测不公平问题，WazobiaSpeech 以 2540.8 小时、2865 人的多域自发采集加分层质检构建基线，微调后 Whisper Large-v3 取得最好域内词错误率，但声调丢失与正字法分歧仍是主要代价。

YODAS v3 针对开放语料偏向英语单声道窄带的问题，采用分语言关键词与保原始 48 kHz 多声道下载的构造路线，用 22 个语言超 10K 小时与 92.5% 录音有效带宽超 32 kHz 等证据支撑规模与保真判断，代价是弱标注依赖自动字幕与语言标签代理。

YODAS v3 用分语言关键词搜索与去重爬取解决大规模多语料的语言偏斜问题，以 48 kHz 多声道原始 OPUS 保存与带宽声道实测为证据支撑高保真主张，并以 7 语种识别与三采样率编解码基线显示数据可直接使用，代价是弱标注噪声与网络音频域复杂性仍在。

本文以酷儿群体为案例指出众包难以建立长期信任与性别多样覆盖，进而提出社区、项目制定、参与方式与个人自主权四阶段双向框架，其代价是协调成本上升且本文未做新的模型训练与定量验证。

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。

针对说话数据训练的模型在唱歌时出现节奏漂移和表情受限的问题，论文用三阶段过滤构建 29500 余段野外唱歌头数据，并在 Hallo 等架构上验证了唇同步与节奏对齐的提升，但高强度筛选只保留约 6.9% 原料且依赖人工打分融合。

该研究针对可公开复现的大规模音乐与文本配对缺失问题，选择以互联网档案馆中声明为知识共享许可的音频为源、轻量音频语言模型初标加分类标签与档案元数据聚合精修为方法，最强证据是 1500 段抽样下与 JamendoMaxCaps 相当的参考无关分数与正确性完整性约 4.2 分以上的人评，主要代价是长时体裁欠采样与语言流畅性仍落后于人工标注。

该研究把朗读维基百科的语音按小节配上大模型规划加规则渲染的合成幻灯片，在英德荷三语上只用音频测出最佳平均微观词错率 10.23% 与字错率 6.48%，而全量幻灯片文本或图片的零样本提示因大段复制与插入错误而失效。

针对历史转写会传播实体错误并丢失发音与说话人信息的问题，该研究用场景可控的数据管线构造多模态对话历史并做上下文监督微调，最强证据是微调后语音加文本上下文在两个模型上取得最高的总体实体召回，但代价是需要合成语音过滤与条件匹配的微调，且无上下文基线与无关历史的鲁棒性仍有限。

针对波斯语缺少大规模高保真语音数据的问题，PersianVox 用声学轮次感知的韵律切分与 CTC/RNN-T 双自动语音识别一致过滤从网络音频构造语料，最强证据是 SCOREQ 在 564 句人工平均意见分上皮尔逊相关达 0.6658 优于 DNSMOS 且修复后 SCOREQ 均值从 3.04 升至 4.03，代价是从 6179.66 小时原料仅保留 …

该工作从社区采样标注中挖掘出 9.2 万条标注并揭示按边随机切分会使 54% 测试音轨泄漏，提出基于连通分量切分并修剪巨型分量得到 11.4 万/0.6 万/1 万音轨的 WhoSampled130k，代价是丢弃 23% 节点并保留有界泄漏风险。

Neyshekar 针对波斯语正式与非正式语体和命名实体覆盖不足，构建 99.02 小时朗读语料并以等时长对照证明两架构词错误率下降，但混合增益不稳定且说话人广度仍有限。

该文要解决超声舌成像中音频同步与头动记录分散、布线复杂的问题，选择无线 OptiTrack 六自由度头姿态加触发与时间戳统一采集的轻量方案，直接报告了设备布置与对齐检查流程，但完整的几何运动校正仍留待未来验证。