数据集

论文针对成人母语语音训练的识别模型在阿拉伯儿童青少年尤其是第二语言者上误差大的问题，构建 151.72 小时 286 人朗读语料并用未见说话人与提示是否见过的划分评测四种模型，发现第二语言儿童最难而分年龄与联合微调各有适用条件，代价是朗读体与分布不完全均衡且原始音频不公开。

ARIA 把粤语作词拆成先从带字槽的歌声估计 0243 声调层级序列、再以该序列为控制生成歌词，TRATE 与 DRA-TCLG 分别解决音频侧相对调高恢复与文本侧一对多选词问题，代价是依赖字符边界且第二阶段一般只实现而不修复第一阶段的错误。

AuraLuxMuse 用音乐与灯光的对比对齐检索专家灯光序列并按偏好适配，证据是演唱会与综艺场景专家评分占优而戏剧场景不显著，代价是依赖固定语料库且单次推理约 7.65 秒。

论文针对孟加拉语合成数据少且难以做零样本声音克隆的问题，用两层均衡语料加三步适配改造英语自回归语音基础模型，并用母语人评测证明自然度和克隆保真度的提升与适用边界。

论文用四层任务分类同时做评测集 BEANS-Next 和训练集 ROOTS，证明按层补充整理元数据、语言模型合成文本和合成音频能提升已有基座在声学感知、类别识别、场景理解和示例学习上的表现，但计数和开放描述仍弱且结论只在给定划分和指标下成立。

论文针对电商广告视频需要跨视频比较的问题，用 AdsCVR 基准衡量六类比较能力，并用能主动调用视觉与语音工具的 AdSeek 智能体做多轮取证，在 AdsCVR 测试集上达到 74.30% 准确率，代价是多轮交互与训练开销更大。

针对日中语音识别在冻结 CTC 贪婪解码下按字符热词表加偏的问题，用字符级自动机暴露匹配深度做门控并叠加读音空间匹配，在 Aishell-1 难例上达到 66.5% 召回并在日语基准上提升约 25 个百分点，代价是随词表增大和权重设置需要权衡插入错误。

CARES 先把声音显著性定义为说话人是否可听地做出反应，再用受控流程生成 10000 个双人场景，证明六个音频语言模型能认出声音和地点，却在判断反应类型上不超越只看文字的对照系统，且总结时很少提及未被说出的声音。

论文用三名被试每人约三十小时听法语播客的全脑功能磁共振数据，把解码做成在未见会话中用脑活动检索对应音频片段的任务，基线解码器随被试内训练量持续变好但只在三人单站点法语叙事条件下成立。

论文把同一角色换演员和同一演员演多角两种混淆拆成可评分的验证条件，用 85 个经人审核的配音角色建成 KyaraBench，并用跨演员正样本加同演员难负样本训练 KyaraEmbed，在角色相关条件下取得表中最好成绩，但结论只限于日本动画及英配范围。

EchoChat 针对语音共情中细粒度感知不足与多步推理误传问题，用声学锚定注意力做有监督微调，再用级联门控与分步信用分配做结构化强化学习，在 EchoEval 的多场景感知推理回应评测中取得领先，但结论依赖合成训练数据与模型打分评测条件。

针对第一视角视频音频流中何时说话与说什么的联合问题，论文用分离与重合成清洗指导录像，再经监督微调学听或说、经偏好优化调时机，在 170 段基准上以起始 F1 与内容相似度为最强证据，代价是召回仍低且内容略有回落。

论文比较声学导向与内容导向两类攻击者在六种语言匿名语音上的再识别能力，发现攻击效果随匿名语音的语言可用性下降而下降，而大规模多语语音转换数据微调只能部分缩小跨语言差距。

论文揭示合法神经编解码压缩会让现有音频伪造检测大幅退化且基于编解码重合成训练的模型更脆弱，并用成对一致性微调在保持编解码生成检测的同时把压缩下的平均等错误率从 28.67% 降到 12.77%，代价是需多编解码增强训练与推理前只用单次前向。

论文把多模态情绪理解改写为从感知到认知评估再到情绪的推理链，用 CogEmo-40K 做监督、用稀疏 CogEmo-MoE 做适配、用 AEQS 做评估，在自建基准上得到 70.60 分 AEQS 与 71.43% 准确率，但结论只在给定数据分布和评测流程下成立。

HelixWorld 用连续 6-DoF 相机轨迹加离散动作同时驱动视频与双声道立体声音频，先训双向教师再蒸馏为因果学生，在单卡上实现 24 帧每秒的同步交互，并在 HelixBench 上显示出更强的随视角变化的声场对齐能力，但结论只在原文的数据筛选、评测子集与硬件条件下成立。

论文把逆向撞击声渲染做成从参考录音直接回归仿真器可用的连续材质参数，用单材质加混合材质合成数据训练集合聚合模型，在合成测试上误差和单查询耗时低于可比基线，并能把真实录音转成新网格的重渲染声音。

InterView-C 用 27 场德语 VR 化身问卷访谈把双人眼动头部脸部手部追踪与逐词转写问卷时间窗对齐到同一时钟，并用人工校对转写和 1422 句否定标注证明短回答数字词易被语音识别丢掉而域内训练更适合转写对话的否定检测。

MOV-AAD 用 50 人、64 通道脑电加眼动和外周生理同步记录移动双人对话下的注意选择，验证了包络重建和注意分类的可行性，但轨迹解码只在 Alpha 频段有限成立。

论文针对单模态可解的音视频评测无法检验联合推理的问题，用 OmniQA 构造带时间戳证据链的问答与 112K 加 19K 训练数据，并用 MFSD 做线索条件下的 token 级信用分配，在 OmniVideoBench 达 50.0% 且在自建基准达 42.5%，代价是多路线索打分与验证流水线开销。