数据集

针对音频大模型能转写却听不懂说话方式与声学环境的问题，论文用 22 维特征定义、120 万音频问答对与先单属性后多属性的两阶段课程训练 ParA-LLM，在 ParA-Bench 总体上报告 43.53% 准确率并在外部语音基准上同步提升，代价是声学单项仍弱于 GPT-4o-Audio 且绝对准确率仍远低于人类。

该文用 1000 组英文转写偏好标注比较词错率、字错率与多配置语义指标，发现词错率与人判断一致度最低而最优语义距离略优但未显著超过字错率，因此主张默认报告字错率并辅以语义指标。

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。

针对肺功能检查依赖设备与配合的问题，SpiroPhonia 用真实访谈中的自发语音提取抖动、频谱与停顿三类特征，在 201 人被试独立测试上报告 78% 准确率、80% F1 与 87% AUC，代价是小样本下置信区间宽且跨语言跨设备泛化待验证。

BioDCASE 用固定 PerchV2 嵌入和两层分类头比较了 14 种批量主动采样策略，最强方法以四子集平均学习曲线下面积 0.507 超过随机采样的 0.401，但增益在 HSN 高达 67.1% 而在 ATBFL 仅 8.0%，且更小批量带来两倍计算代价。

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。

针对语音共情对话中只做情绪识别就直接生成的问题，ER-EDF 用感知加规则调节再提示生成的链路组织回复，在 IEMOCAP 与 MELD 构造的两种共情参考上多数情况下提升共情指标，但高强度表演式对话与小模型接地能力仍是代价与边界。

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。

针对开放回答口语缺少准确度、流利度、韵律逐句标注的问题，OpenEnded 用 1000 条三人标注测试集加 6109 条训练与 2673 条开发伪标签支撑评估，并以冻结骨干加三头评分的 VoxPA 为更强基线，但伪标签偏向中间分且低分常与无语音绑定。

论文用可独立控制的 FormulaBank 把程序化规模拆成公式类覆盖 C 与类内渲染多样 I，在 FDSL 与 AudioMAE 对照中显示两者收益不同且依赖学习形式，匹配的 AudioMAE 实验显示程序化音频偏好 10–25% 低掩码而 AudioSet-28K 偏好 50–75% 掩码，代价是结论限于全量微调与特定模型流程。

论文针对日常录音下声音亲缘验证线索稀疏且跨库泛化难的问题，选择卷积局部编码加变换器长程聚合与注意力池化的两阶段度量学习路线，在自建普通话非受控库 ARKIN 上报告 CONVTRAP-TN 优于三元组基线，但从 KAN-AV 跨库到 ARKIN 时性能大幅下降且少量微调难以恢复。

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

针对随机切分让同一艘船同时出现在训练与测试导致虚高的问题，UniqueShip 按 MMSI 隔离船舶、按天隔离背景构建 2460 小时船舶音频与 4218 艘船的基准，最强 Swin 加 Mel 基线在无泄漏下准确率为 0.665，而引入泄漏可抬高 0.08-0.21，且船数翻倍增益 2.4-2.6 点约为时长翻倍 0.8-1.3 点的两到三倍。

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。

针对法语语音自监督编码问题，论文用 data2vec 2.0 式师生预测潜表示并引入 10 万小时 INA 电视广播音频，语音多任务上达到或超过 LeBenchmark 基线，但 114k 小时在大模型上在 CommonVoice 验证集未继续降低词错误率。