数据集

针对仅用参考语音或仅用文字描述难以精确改一项声学属性的问题，FineCombo-TTS 用统一声学表示加条件流匹配的方差预测器学习源到目标的相对变化，在 FineEdit 配对数据上把韵律、情感和音色控制精度提高，但可懂度和音色相似度仍需在较强引导下权衡。

针对无声视角视频直接生成一阶 Ambisonics 时内容与几何纠缠的问题，该文用第一阶段生成单声道 W 保语义、第二阶段残差空间化生成 XYZ 保方向的选择，在 YT-AmbiSem 上同时取得最优语义与空间指标，但强空间化仍受能量预算约束且复杂声场景泛化待验证。

GADVOX 针对德语缺失焦虑抑郁双标注语音的问题，用 10 个随机化中性自由言说提示在众包平台采集 1004 人语音并配对 PHQ-9 与 GAD-7 自评严重度分数，以 29.3% 多阶段质检换取可做双目标回归的数据，最强证据是量表内部一致性与质量-严重度无相关的核查，代价是自评非临床诊断且样本偏向高教育数字人群。

针对行政标签掩盖真方言差异导致评测失真的问题，GLAD-CSpeech 按《中国语言地图集》划分 16 个方言区 23 个点并分离真方言与带口音普通话，用 163.3 小时以上三层对齐语料在 ASR、TTS、DID 上报告基线，最强证据是 DID 微调后宏 F1 达 99.08% 而零样本仅 72.29%，代价是温州、梅县等非官话点 ASR 仍极难且长文本重 …

该文针对客服语音中烦躁强度难以及时量化的问题，用银行客服表演录音加三维度 1 到 10 分众包标注与一致性筛选构造时序语料，最强证据是微调后 XLSR 模型在攻击性强度上平均绝对误差 1.333 而相关系数 0.710，代价是表演口音、非说话人无关划分与小样本内部验证限制了外推。

该工作针对阿姆哈拉语和阿凡奥罗莫语从零搭建录音室级多说话人语音合成数据与基于 SpeechT5 的微调流程，用 100 小时加 13 小时针对性数据的规模与主观平均意见分 4.65 和 4.43 证明语言学知情数据是关键，代价是同形异义消歧仍依赖规范化输入且未开源验证。

论文构造约 108 小时三类声学条件的多人对话基准并统一评测说话人日志与识别，报告显示印度专用管线在时长加权平均上取得最低的 16.0% 日志错误率与 38.8% 级联词错率，但高重叠与低资源语言仍使三类误差同步上升。

该研究在 24753 对罗马尼亚语口语-书面语数据上比较规则文法、微调模型与大模型提示，显示少样本大模型提示域内平均词错率 1.21% 与域外 2.57% 最接近人类 2.45%，而规则系统以约 60 句每秒的中央处理器吞吐保持低成本可用。

针对歌唱质量评价中歌词与音乐脱节、颤音与拖腔导致转写错位的问题，论文提出按语义块对齐的内容与音乐双路框架 MUSICJUDGE，在自建 SWARALYRICS 上取得与专家排序 Spearman 0.683 的报告相关性，代价是依赖伴奏估计全局调性与多步流水线实现。

针对车舱中文多意图口语理解缺少复杂基准的问题，论文构建含 8 域 81 意图 192 槽位的多意图数据集并统一评测多类大模型与大音频模型，报告显示上下文学习总体准确率不足 15% 而域内微调可达 60.73%，端到端模型靠避免识别误差传播追平流水线方法。

论文把鲁棒性当作随分布漂移持续演化的能力，用语言内容、说话人特征、声学环境三类因子构建 MoDiCoL 并设计四段课程，对比经验回放、表征正则与正交梯度三种持续学习策略，最强证据是 10% 回放把平均词错率降到 17.31 并接近零遗忘，代价是仍依赖记忆容量与任务顺序且部分组合靠合成与仿真补齐。

针对只用少数公开模型训练导致在真实商用语音合成面前泛化不足的问题，论文用 30 个 API 约 230 小时伪造语音构造 MultiAPI Spoof 并提出在嵌套块间加滑动窗口局部注意力的 Nes2Net-LA，加入训练后把 MultiAPI 测试集等错误率从 7% 以上降到 1% 以下且在未见 API 上仍有效，代价是 API 溯源中未见类召回仍偏低。

MuVAP 针对单通道音频加单视角视频的多人轮替问题，用角色相对投影把任意人数压缩为当前与下一持有者两角色，并用因果视听轨迹锚定全局声学预测，在连续未剪辑对话上评估静默与活跃条件下的换保持与下一说话人预测，但历史窗依赖与类别不平衡带来延迟与偏置代价。

该研究为毛利语构建首个 16 类情感表演语料 Pā-Kakare 并用听辨与基频、强度、语速验证其可区分性，最强证据是八选一听辨 36.15% 显著高于 12.5% 机会水平且三项声学特征方差分析均显著，代价是表演语料自然度有限、混淆集中在相近唤醒度类别且数据需申请受管访问。

该文为普什图语从界面本地化、维基句子抽取、易丢音素补句到广播动员建成 147 小时众包朗读库，并用 MCV20 微调 Whisper Base 在 MCV20 测试集上报告 13.4% 词错误率，但朗读口音、方言与性别缺失限制了外推。

论文把 Wav2Vec2 与 HuBERT 微调到两种富含搭嘴音的 Khoisan 语言上比较搭嘴与非搭嘴音素误差，报告搭嘴误差显著更低且单语 HuBERT 整体最优，但冻结基座与盲目增大规模或语言数都不能保证更好。

论文把音位 ABX 改成韵律 ABX，用同一音段不同重音、声调、音高的三元组和 DTW 距离检验自监督语音表示是否拉开韵律对立，最强证据是 17 个模型在三语上显著优于声学基线且层间排序跨合成与上下文保持稳定，主要代价是英语重音上合成代理与自然录音相关性低且人类仍在日语和汉语任务上领先。

针对曼尼普尔两种拉丁拼写藏缅语的数据空白，论文用教科书录制加自动切分流水线建成 9.58 小时坦库尔语和 10.79 小时马林语单说话人库，并在相同划分上训练 Tacotron 2 与 FastSpeech 2，最强组合 FastSpeech 2 加 StyleMelGAN 在主观盲测取得 3.06 与 3.51 分，代价是方言差异与声调建模仍限制可懂度。

论文用先听后想象的配对范式采集单人超 21 小时 EEG，以音素诱发电位与加权 Canberra 距离检验听觉感知与想象言语在音素级是否一一对应，最强证据是对角最小与分离比提升 3.37 倍，代价是单被试与弱头皮信号带来的泛化限制。

SingFox 针对歌声伪造检测泛化难的问题，用 20 个语言、1150 歌手、四类生成范式构造六条评测赛道，报告跨数据集最高准确率 77.84 %，而替代伪造使基线跌至 45.13 %，代价是训练子集小且部分语言缺乏人评验证。