论文解读
不只听懂说什么：ParA-LLM 用两阶段课程补上副语言与声学理解
针对音频大模型能转写却听不懂说话方式与环境的问题，ParA-LLM 用 22 维副语言分类加 120 万音频问答的两阶段课程学习，在 ParA-Bench 上达到 43.53% 整体准确率，代价是仍需仿真声学数据与低秩微调的特定训练流程。
数据集
论文解读
从遮罩改混音到生成新声音：SSE 为何要能凭空补音频
针对日常视频中增益失衡叠加噪声与混响的问题，SSE 用视频加文字引导的流匹配生成做重混与增强，在 DegradedMix 与 MuddyMix 上以分布与对齐指标优于 VisAH，但单真值重建指标上优势收窄且依赖预训练编解码与分离权重。
论文解读
短语音不稳、长语音不对词：用混合注册加帧级重打分稳住验证
针对不足 3 秒的自定义短语验证不稳定问题，论文用文本相关与文本无关混合注册加并行交叉注意力帧级重打分，在 VoxPhrase 上用冻结骨干加轻量验证器持续降低等错率，代价是需要同时准备两种注册语音并额外训练验证器。
论文解读
台语紧急意图为何难做：用戏剧字幕挖数据，再回到老人真实现场检验
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。
论文解读
先找全证据再算时间：TEMA 在多轮多音频对话里做可核对的时间问答
针对多轮多音频时间问答中实例漏检会改变计数与总时长的问题，TEMA 用 Route 定音频范围、Span 记全全部实例区间再推理作答，在 Test253 上 Qwen2.5-Omni 基座的问答准确率达到 69.81%，代价是需要三阶段训练与完整逐轮证据监督，且跨音频比较仍有波动。
论文解读
用可控的喊声拉开下颌：ArtComp 如何记录瑞典元音的自然扰动与补偿
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。
论文解读
口语怎么说就怎么写：非正式波斯语如何同时拉动识别与翻译
针对正式语料与日常口语失配导致波斯语识别与翻译退化的问题，论文构建 36.77 小时口语优先的非正式平行语料 T-PID 并做针对性文本规范，再在该语料上微调 Whisper 与 Wav2Vec2-BERT 和 NLLB-200，在 T-PID 及正式集上同时降低词错误率并提升 BLEU，代价是英文译文主要由机器生成加抽检、附着词等细节未统一且资源当前不可用 …
论文解读
吴语越剧演唱合成的第一套基准：小数据如何做对齐、增广与流匹配基线
针对吴语越剧无专用演唱合成数据的低资源问题，论文用 565 段棚录对齐数据加发音与音高增广与条件流匹配基线 YueOpera-Singer，在 F0 RMSE 0.2133 与 MOS-N 3.92 取得可复现基准，代价是单演唱者单行当与 10 步推理开销。
论文解读
事件一变场景就错：用合成混叠检验声场景分类的事件鲁棒性
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。
论文解读
把方言、语码转换和伪造配对放在同一语料里：VietPrism 如何控制词汇与身份混淆
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。
论文解读
同一批人、同一任务、两种媒介：VIP-MINGLE 如何把视频会议与面对面的差异可比化
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。
论文解读
转录错还是问法本身不可答：WASIL 把阿拉伯语语音交互的差评拆开看
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。
论文解读
换了语言就换了破绽：66 种语言下伪造语音检测为何不再可靠
该文构造只含合成语音的 2732 小时 66 语言语料 LRLspoof，用外部混合基准标定的等错误率阈值做零样本迁移评估，发现同一检测器在固定合成器下跨语言的伪造拒绝率可相差数十个百分点，但该结论只刻画伪造拒绝一侧，未测量目标域真人语音误拒。
论文解读
百万小时立体声语料如何凑齐：YODAS v3 的均衡爬取与保真验证
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。
论文解读
百万小时立体声如何爬来：YODAS v3 的语言均衡与真带宽验证
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。
论文解读
只改几个词更难抓：SPADE 用 12 种语言考验部分伪造定位的跨模型泛化
SPADE 针对长语音中局部篡改的检测与定位问题，用大模型改写文本加合成与编辑两类生成器构建 12 语言数据，并在定位模型上报告跨生成器、跨语言、跨声学环境三类泛化证据，主要代价是未见生成器下接近随机猜测且噪声下显著退化。
论文解读
俳句的停顿为何难念：HaikuS2S 用两段微调把 5-7-5 念出节奏
针对用户语音输入后用英语俳句语音回应的任务，HaikuS2S 采用自动语音识别加大型语言模型加语音合成的级联路线，配合通用诗歌与自录俳句两段微调，最强证据是俳句微调后音高对齐与可懂度改善，而代价是会话自然度评分下降与小规模录音带来的泛化限制。
论文解读
文本定意图、空间音频定方位与时机：MoSAT 的分层条件动作生成
MoSAT 针对空间音频加文本联合驱动人体动作的新任务，用运动 VAE 压缩加变换器流匹配分层融合条件，在 STAM 联合评测中对齐与分布质量占优，但强噪声与模态错位时仍会退化。
论文解读
先想好怎么说，再开口说：COT-TTS 把对话历史变成可检查的说话计划
COT-TTS 研究给定历史对话音频、固定目标文本和参考音色时如何先显式推理说话方式再合成语音，最强证据是 0.6B/1.7B 端到端模型在时长一致性和人评上接近 34-39B 级联基线，代价是可编辑推理大幅改动时会降低客观音质并引入推理与语音错位风险。
论文解读
唱歌头比说话头难在哪：Hi-Singers 用 170 小时野外数据补节奏与表情缺口
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。