数据集

针对啮齿类超声发声在声谱图上窄带、短时、稀疏难检的问题，USV-DETR 在 RT-DETR 上加入 P2 高分辨率层与 DEIM 稠密监督，在 SqueakOut 上达到 78.7 的 AP，代价是引入 P2 后解码器注意力计算量上升且参数增至 34.5 M。

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。

论文把语音后期识别定义为效果存在、预设类别、数量与强度回归的多粒度任务，用固定六效果链加 2520 种组合的可复现渲染器构造数据，并以 AudioMAE 多任务基线证明鲁棒增强能缓解采集与平台退化的跨语料下降，但细粒度预设分类仍困难且存在效果间差异。

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。

针对多人语音中重叠与抢话导致的何时开口、是否开口难题，论文提出以角色为条件的流式语音大模型 ModeratorLM 及其思维链变体，在真实会议与合成对话上把轮次精确率与召回率大幅提高，代价是依赖文本转写与动态分块训练。

针对音乐源分离缺少细粒度、大规模、高质量训练数据的问题，该工作用七类单源二分类检测器清洗多语言关键词爬取的独奏音频，最强证据是检测器七类平均准确率 97.14% 与清洗后联合训练带来平均 SDR 提升 1.16 dB，代价是阈值提高会大幅削减保留时长且类别时长仍不均衡。

针对 6 月龄到 8 岁儿童音素识别难、标注少的问题，论文整理 TinyVox 并在儿童日常长录音预训练的 BabyHuBERT 上做带 20 秒上下文的 CTC 微调，验证集降到 43.5% 左右的音素错误率，测试集达 42.1% 且替代错误多留在大类内，代价仍是绝对错误率高且依赖粗粒度聚合才显出发育趋势。

论文以 3000 句人工标注比较 30 多个大模型与传统形态分析器的日语字音转换，证明解析模式加规则后处理的最优假名错误率降到 0.52%，低于最强传统工具的 1.03%，但小模型、数字量词与推理模式仍有明确代价与边界。

针对仿真与真实远场语音分布不一致导致轻量模型失效的问题，该研究用 70 小时真实配对数据训练两阶段框架，先由冻结 GTCRN 粗增强再由轻量映射模块对齐到干净近场隐空间，在仅 0.8 GMAC/s 下取得 P.835 OVRL 2.94 与 P.808 3.35，但代码与权重当前不可用。

论文针对通用词错误率难以反映人名公司产品名可用性的问题，在财报电话短片段上构建带本地与全局定制词表的公开基准，用关键词提示与关键词加权两类共六个系统做可复现评测，报告显示加上下文一致提升关键词 F 值但词错误率变化不一，而全局干扰词主要考验精度。

针对语音对话模型能说清但不够生动且缺客观表现力度量的问题，DeEAR 把表现力拆成情感、韵律、自发性三维分别建模再用 XGBoost 非线性融合，仅用 480 个标注在整体表现力上达到 SRCC 0.85 并以 14K 筛选数据把基座模型表现力从 2.0 提升到 23.4，代价是依赖启发式伪标签与小规模专家评测。

该工作把人到非人声音转换定义为保留源内容并复刻参考设计音色的任务，用 40 见过与 7 未见过预设和见过与未见过音色源构造配对测试，并以代表性模型的余弦相似度从 0.667 降到 0.610 和 MOS 从 3.81 降到 3.49 为代价展示泛化难度。

针对轻度认知障碍老人抑郁与认知衰退声音混杂问题，该研究用每次录音共时的抑郁与认知评分筛选声学特征，发现只有共振峰组在控制认知后仍与抑郁相关，并用 12 个第一二共振峰特征取得 0.760 的非加权平均召回率，但代价是样本仅 89 人且女性特异性偏低。

针对最长 120 分钟音频的可验证时间定位问题，论文用连续音频 token 中周期插入文本时间标记并配切片加全局校验的合成监督来训练，在长时定位上保持约 53.8 mIoU 而去掉锚点跌至 14.2，代价是更密锚点增加约 1.9% 至 16.0% 的 token 开销。

IQRA 2026 针对现代标准阿拉伯语的误发音检测与诊断任务，引入 1333 句真人误读语料与统一评测，用两阶段微调与对齐改进的 CTC 方案把 F1 从 0.4414 推到 0.7201，代价是小规模真人数据依赖与音素到字形反馈尚未打通。

针对希伯来语无元音文本欠指定重音等发音特征的问题，论文用冻结注音模型加轻量增强头再经规则转写得到完整国际音标，并用 2 小时专家标注语料证明小参数本地语音合成模型能接近大专有系统，但仍受限于基础注音模型的元音与语体偏差。

论文针对大模型语音合成隐式处理多音字、字形识别正确但拼音错误的问题，构建覆盖 494 字和 88 词的三套测试集并用 Qwen3-Omni-Instruct 做自动拼音标注，最强系统主集拼音准确率仅 82.02%，方言和口语类仍大幅落后。

针对传统词错误率用统一归一化抹掉格式差异的问题，该工作构建 3210 条音频-指令-参考三元组并用偏好感知归一化选择性跳过评测步骤，最强证据是 Qwen3-Omni 在归一化偏好指令下取得 9.84% 而实体偏好下幻觉到 12.68%，代价是仅覆盖英语且仍需人工校对。

针对音频与文本多对多、粗细粒度共存的问题，ProLAP 把每个输入表示为高斯分布并用包含损失约束层级，在保持音频文本检索的同时用音频遍历与包含测试证明层级建模更好，但遮挡构造与合成评测带来适用边界。

针对课堂中教师主导、多学生短轮次与重叠难以标注的问题，该研究用 Mean Teacher 在 TSSD 上做半监督域适应，以 Role-Aware Union Loss 把学生标签视为多隐通道的逻辑并集并用 PIT-MSE 做排列不变一致性，最强证据是在 TSSD 测试集上取得 16.95% 的 DER，代价是仍需预训练与有标注目标域样本且对有无标注配比敏感 …