无监督学习

该文研究门诊多房间录音中无访客注册时的访客跨房链接，用逐设备中心化加并发与房间类型约束和员工语音校准阈值做聚类，在 VOiCES 仿真日上对 11 种嵌入全面超越无标签基线，但高度依赖跨房重复语音去除且单访患者仍易误合并。

论文针对部署中无标签条件下无法判断检测器是否处于熟悉条件的问题，在固定检测器嵌入上用两个参考的正则马氏距离做可信与告警分流，实验显示未被拦截的伪造误接受率降到 1% 以下，但代价是自动覆盖率明显下降且真语音漂移也会触发大量告警。

论文把风格是否可从文本推断变成跨模态聚类预测问题，用六个说话人上文本嵌入预测声音聚类的提升只有 0.111 且四分之三来自词本身，句子语义只多加 0.026 且几何上不紧凑。

针对幅度谱损失丢掉相位、难以端到端学准基频的问题，GOLF-inv 用加性声门源加状态空间格型声道滤波器做可微合成，以谐波支路波形误差加全信号谱损失做无监督训练，在歌声上实现相位对齐重建并直接读出瞬时频率与声门闭合时刻，但频谱失真仍不及使用外部基频的 GOLF。

针对健康机动与故障在声音上容易混淆的问题，该工作用去噪加机动条件重构只学习健康声音，用重构误差做异常分，在同一划分下完整模型 AUC 达到 0.884，但误报率上升到 0.296 且端到端延迟约 20 ms 主要来自去噪网络。

针对少麦克风、低信噪比下盲语音分离观测约束不足的问题，VM-ArrayDPS 把独立向量分析输出当作虚拟麦克风与物理麦克风一起做多通道一致性引导，在 SMS-WSJ 二人和三人混响分离上一致超过 ArrayDPS，代价是每步要多做虚拟通道的前向卷积预测与梯度计算。

针对音乐基础模型内部是否形成和弦与调性关系结构的问题，该文用半音移调多视角稀疏自编码器对齐恢复有序特征轨道，并以大三小三和弦环与下属音环为证据支撑，仅用少量锚点解释整族特征，代价是节奏等移调不变概念与部分调式信号仍需额外偏置与验证。

无配对漂移只优化干净语音的边缘先验而丢失内容与音色，本文用内容锚、身份锚和键控条件先验把输出拴回退化输入，在 VoiceBank-DEMAND 上把词错误率从 11.7% 降到 10.1%、说话人相似度从 0.490 恢复到 0.879，代价是背景质量随键强度下降且去混响质量未改善。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对单通道无监督去混响缺少干净参考的问题，ARTT 先用随机合成混响构造可训练的加重混响到观测混响映射，再用均值教师非对称蒸馏提纯，并在 WSJ0CAM-DEREVERB 上以 7.3 dB 的 SI-SDR 和 2.61 的 PESQ 超过已有无监督基线，代价是两阶段流程与仿真参数依赖。

针对非平行语音转换中训练与测试的内容音色组合不一致问题，CFLOW-VC 在 VITS 与 FreeVC 骨干上用归一化流的可逆变换加 StarGAN 式循环一致性训练，并引入梅尔风格编码器与波形增广，在干净、噪声与口音三组测试上提升音色相似度与自然度，代价是干净条件下词错误率略高于个别基线且需两阶段训练。

针对无监督声脸关联中的跨视频假负冲突与模态私有噪声干扰，GMOD 用全局相似图挖掘多正样本做对比学习并用正交解耦分离共享身份特征，在 VoxCeleb1 上报告验证 AUC 为 87.73%，代价是每轮需重建全局图与调控邻居数 k。

该研究在儿向语上比较音素与语音转写下的四种无监督切词算法，发现两类算法几乎不受语音变体影响，另两类下降幅度也明显小于成人语既往报告，但小数据下基于词典累积的算法代价增大。

针对儿童发音高度可变而成人音素识别会强制归类的问题，该研究用无监督音节发现模型 Sylber 对 957 名 5 到 15 岁儿童做自底向上分析，报告了边界一致性随年龄上升、音节簇数量先升后降、簇纯度单调上升的证据，代价是需要成人对齐参考和额外儿童适配训练且边界未做严格评测。

LISE 把冻结的说话人向量无监督分解为 35 个非负正交分量，在保留验证性能的同时让人耳以 83.9% 准确率分辨高低权重说话人，代价是重建后等错误率仍略高于原始向量。

该文以英语口音二分类为可测量任务，用 TopK 稀疏自编码器分解四种神经音频编解码器的句级表示并以相对 F1 损失度量可解释性，最强证据是 DAC 与 SpeechTokenizer 在 16 种稀疏配置下下降最小，而代价是高稀疏下全部分解表示均出现明显性能损失且位置与幅度编码方式因模型取向而异。

针对只有无标注混响语音时的单说话人去混响问题，USDnet++ 在 USDnet 混合重建约束上增加对 WPE/WPD 信号处理结果的重建约束并配合多阶段迭代与 SPD 特征输入，在 WSJ0CAM-DEREVERB 上把无监督基线从 PESQ 2.64 提升到 2.94 左右，代价是需要先训练 USDnet 再交替计算 SPD 与微调且推理可能要跑两个模型 …

该文研究无配对语音增强中干净语音与噪声先验失配导致的源泄漏问题，采用同时建模语音和噪声的双分支对抗框架，在 VCTK 加 Demand 基准上以 PESQ 2.58 和 COVL 3.08 取得可比最优感知质量，代价是 CBAK 偏低且依赖域内先验数据。

针对在线说话人日志随说话人数增多而误注册增多的问题，论文用延迟承诺缓冲加自适应阈值的质心跟踪，在系统语音活动检测和 0.5s 延迟下于 VoxConverse 和 VoxSRC-23 取得 9.53% 和 9.12% 的日志错误率，代价是仍无重叠处理且单缓冲假设未覆盖强重叠场景。

该研究用超声舌轮廓加无监督聚类回答普通话卷舌擦音如何实现，发现六个轮廓簇可归为穹顶形、驼峰形和凹形三种超策略且发音人偏好稳定分组，代价是仅五位女性发音人、低帧率和小样本的探索性结论。