数据集构建

CVSS-X 把同一批英语真人录音经机器翻译转写为二十八种目标语言文本再用多语合成配音，构造每语言约二十四万对的英到多语并行语音，同管线复测显示其合成可懂度可用但自然度低于只合成英语的 CVSS，代价是受制于翻译质量与众包录音瑕疵。

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

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

论文面对 Barlow 异构、过程性、软件依赖的原生数字遗产，提出以对象/事件框架加可扩展分类把过程翻译为可互操作元数据，证据是多 TB 硬盘遗产的原型编目与 Sibelius/MIDI/DOC/PDF 关联难题，代价是形式化必然不完备而需参与式持续修订。

针对管乐谱到音频缺少可控可复现数据的问题，论文用 311 首四部圣咏的 MEI 编码加规则表情模型加物理建模合成构建对齐的多轨数据，最强证据是 86 小时隔离音轨与 640000 种组合的完全对齐标注，代价是合成音色不及真实录音且不追求数据驱动最优音质。

该文把 CFPR 扩展为八类口音评测基准并做 87 人听辨实验，再用冻结的 MMS-LID-256 训练八分类器，报告在 CFPR 上整体准确率 40.98% 而人类多数投票为 70.4%，代价是中部与东部分类互相混淆且增强后大类反而下降。

DuplexDrama 针对全双工对话训练数据稀缺问题，用四阶段管线同时合成人设场景、三种全双工行为、表情语音与剧本对齐的声音事件，最强证据是相同语音加背景仅带来 UTMOSv2 与 NISQA 的可控下降，主要代价是全双工轮次占比仅 3.8% 且剧本合理性依赖 LLM 判断。

该文以独奏班多钮琴加现场电子与机器学习为对象，提出边缘声、姿态残留与被舍弃声三组声音痕迹作为行动线索，报告微弱气声与机械噪声比主导音高更稳定可辨，最强证据来自两场实验室式演出中的持续调校，代价是放弃通用识别精度与可迁移的定量评估。

该工作把网球赛后发布会视频加工成带说话人角色、转写和词级对齐的自发情感语音语料，并用预训练声学与文本模型做维度回归、离散分类和文本情感三组基准，显示胜者效价与优势感更高、败者悲伤主导更集中，但两组文本多呈积极且 arousal 差异小。

针对捷克语、爱沙尼亚语和希腊语自动语音识别性能落后问题，论文用统一预处理加三阶段混合转写构建每语 1500 小时转写语料，以独立 5 小时测试集上标准化词错误率降至 3.38%-5.54% 为证据，代价是高度依赖母语者校验与语言归一化且未公开可下载资源。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

论文以 129 万条英语 VoxTube 语音为共同源集，用嵌入变换、隐空间转换与负引导合成三族七种方法生成内容对齐的匿名语料，并以每版独立训练说话人验证模型与会话级链接实验，报告了强抑制压缩说话人空间而高效用版本残留可链接线索的权衡。

该文把约 1500 条房间脉冲响应的模态分解结果压缩成每频带阻尼与密度回归、等分能量幅度与明晰度恒等式，用六个感知控制生成数千个二阶共振器参数，阻尼鲁棒决定系数达 0.75 至 0.94 而两端频带密度仅约 0.5。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

针对第一视角视频中模型重视觉轻音频、声源对应差的问题，EgoAVU 用模块化解耦叙述增强与多模态上下文图生成联合叙述，再派生问答，报告显示微调后在 EgoAVU-Bench 上最高相对提升 113.3%，代价是依赖开源单模态模型输出噪声与大规模微调资源。

该文要解决现场表演中表达意图与听众感受难以对齐记录的问题，选择设计一套从练习曲到即兴的可重复多模态采集协议，用 16 场录音的阶段与表达性对照趋势验证流程可行，代价是商用低通道传感器保真度有限且样本存在西方与人口偏斜。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

针对拟音数据缺乏动作与材质细粒度标注的问题，论文用两层人工分类体系组织 10000 段拟音并给出可复现基线，最强证据是大类准确率 0.82 而 73 类降至 0.64，代价是长尾分布与单标注者带来的细类混淆。