时频分析

针对 MP3 低码率造成的带宽缺失与编码失真，MPASCNet 用幅度和包裹相位共同指导频点到紧凑 token 的自适应压缩与分支重建，在 MedleyDB 非重叠评测上以 6.49 M 参数取得整体 17.65 dB SDR 和 17.27 dB SI-SNR，但增益只在原文的混合训练与三类评测条件下成立。

针对播放器染色、空间传播与手机录音链路耦合导致的音乐退化，该系统用尺度感知编码加直接复数谱映射的双轴 Top-1 稀疏专家模型复原，并以 202 种条件下 1572.12 小时对齐仿真数据提供监督，最终以 2.951M 参数取得盲测 LSD 1.273、FAD 2.540、ViSQOL 3.495 的第三名成绩。

针对野外难以测量水琴窟几何尺寸的问题，论文用同一套频谱与时域描述子对关西 9 处录音做归一化比较，发现整体音色高度相似但各有可测差异，且同地点多次录音相似度高于跨地点，代价是环境噪声无法分离、结论只限录音层面的探索性描述。

论文针对隐式神经表示中固定激活难以组合多谐波的问题，提出每层共享的残差截断傅里叶激活，在音频、图像与神经场实验中提升重建质量，但以更高的激活计算与显存为代价。

论文把查询半径以内的说话人累加和作为直接目标，用连续半径调制和相邻半径一致性约束实现单模型连续区域提取，在实测混响上给出 29.25 dB 等结果，结论限定在两说话人训练和 0 到 4 米查询范围内。

该文比较固定分辨率线性短时傅里叶变换与谐波常数 Q 变换作为人声合唱多音高估计输入，在同一编码器下线性表示精度更高且每轮特征提取更快，但加长窗和扩大频带并无增益且结论受自动参考音高与同期录音条件限制。

该文把说话人跟踪拆成段内分离加跨段两阶段组织，用重叠拼接接续连续语音、用工作记忆做说话人验证来连接中断语音，在 LibriCSS 和 AMI 上验证了在线跟踪效果与说话人增多时的代价。

该研究以 5129 段野外蜂箱录音判断有王与失王，在蜂箱无关划分上比较了梅尔特征、多分辨率梅尔、调制谱与两种预训练音频 Transformer，最强证据是二维调制谱加任务专用卷积网络取得 AUROC 0.81 与 AUPRC 0.37，而在蜂场无关划分上降至 0.63 与 0.26，代价是跨蜂场泛化仍未解决。

针对 84 类、60 种采样率混合语料的物种分类问题，论文用原生采样率连续滤波器组保留带宽并统一为固定尺寸特征，再用傅里叶神经算子做全局频率时间建模，最强证据是 SFI-FNO 达到 0.906 准确率与 0.899 宏 F1，代价是未做增强时对采样率扰动敏感、需用温和采样率增强抑制捷径。

针对条件流匹配合成中近似子带持续增长而细节子带滞后的问题，论文提出免训练的频率选择性增强，在离散小波域按步调制中间梅尔谱，最强证据是 26 步达到 32 步质量且 FAD 大幅下降，代价是一次性标定低维调度且跨模型需更换函数形式。

针对复数谱对数幅度难以直接求近端算子的问题，论文提出经指数耦合辅助变量间接施加倒谱稀疏等先验的 EPILOG 正则，给出分量近端算子与交替极小 ADMM 流程，去混响实验显示倒谱稀疏版本取得最高平均指标，但收敛性证明留待后续工作。

该文把板混响辨识做成基于仿真的推断，用多分辨率谱摘要加神经样条流从脉冲响应学参数后验，再对每个测试样本做三轮定向仿真精修并用波形重建误差做选择，在 50 条测试脉冲上把全局误差降到 0.47×10 的负三次方，代价是每次精修约 2.5 小时。

该研究把问题定为按多热查询减去 1-3 类触发音并保留残差声景，用 6 毫秒分块的流式双路径网络实现 10 毫秒算法延迟，并在 30 名误音症受试者中报告困扰下降 2.37 点但抑制后仍高于基线地板。

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

针对大参数检测器逐条调用成本过高的问题，该文用转置卷积与逆短时傅里叶变换推导的可预测谱峰加线性频率倒谱时变特征训练 151 KiB 梯度提升树，在同源测试报告等错误率 0.021%，并在 0.050% 漏检约束下估计节能 84.4%，但留一生成器误差分布不均显示跨生成器迁移仍是主要限制。

该研究用脑磁图在 5 名健康成人朗读 5 个真实短语时检验运动后贝塔反弹是否存在并受构音复杂度调制，最强证据是高复杂度短语组在左侧口部运动皮层的反弹更强，主要代价是样本小且未做统计检验、基线可能受残留调制污染。

针对语音丢包隐藏中突发长丢包导致的相位失配问题，DDSN 把幅度与相位解耦建模并用幅度先验做残差引导，在 VCTK 与 2022 PLC 盲测集上提升 PESQ 与 PLCMOS，代价是 15.37M 参数量大于对比基线。

针对已知房间内任意发射接收位置的 RIR 预测问题，MiNAF 用 Fibonacci 射线在粗网格上采集显式局部几何并与神经声场结合，在 SoundSpaces 和 GWA 上以 T60、C50 和 EDT 为核心证据取得可比或更优的重建，同时在少数据和噪声网格下保持鲁棒，但跨场景泛化和稠密采样的探测成本仍受限。

针对未授权语音克隆问题，FreqGuard 用可学习的频域特征先验生成不可感知扰动，在黑盒 TTS 上把攻击成功率压低，同时以多损失联合优化保留语音质量，代价是强净化与部分大模型上仍有残余攻击成功率。

LavaSR 把 8-48 kHz 输入先重采样到 48 kHz 再用 Vocos 式生成器补高频并用平滑交叉精修拼接，在 VCTK 上以 0.85 的 8→48 kHz 对数谱距离持平强基线，代价是相位精细度略逊于双分支结构但 CPU 与 GPU 吞吐高出一个数量级以上。