检索增强

针对阿拉伯语标准语与多方言零样本识别落差，论文用解码器提示、编码器加解码器前缀和 CTC 代理引导 n-best 重选三种免训练上下文接入，在十个条件下取得 MSA 相对 22.29% 等词错率下降，代价是首遍解码、检索与合成带来的额外延迟与对辅助信号质量的依赖。

针对卒中后构音障碍的交替与顺序轮替发音任务，CLINIC 用临床可解释声学特征联合频谱与自监督语音表示做三级严重度分类并用 Shapley 值归因，GENIE 再用检索到的相似病例生成韩文四维度解释，报告显示平衡准确率 0.952 且重度召回 1.000，专家保真度 4.94，但重度样本少且仅覆盖任务化语音。

共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读

针对未见被试在稀疏测量下难以个性化 HRTF 的问题，该工作用图网络分别做基于被试检索的个性化和基于位置检索的上采样，再用前者输出微调后者，报告在 SONICOM 上 3 个方向时把 LSD 从 4.33 dB 降到 3.60 dB，代价是需要先测少量方向并做两阶段预训练加微调。

针对对话语音中固定取前几句会引入无关冗余、取全量历史又成本过高的问题，论文提出多模态检索加精选方法 MARS，只取一条声学或语义最相关的历史来辅助当前句识别，并在 1.5K 小时训练下报告了优于 179K 小时顶级系统的混合错误率，代价是依赖微调 Whisper 建库与两遍解码的额外检索计算。

针对主播与观众实时互动的直播视频理解问题，论文用多智能体加种子问题的人机协同流程构建含音频语音评论的 3168 视频 3175 题基准，并以两阶段指令微调加视频到评论检索训练 LiVi-LLM-7B，在 LiViBench 上报告 64.4% 的总准确率，代价是仍落后最优闭源模型的直播专有任务与对海量评论的依赖取舍。

针对仅对目标语句做跨模态建模导致情感表达不足的问题，论文用多模态参考片段库加情感相似检索与渐进图融合来模拟导演给素材、演员逐步内化的流程，在 V2C-Animation 上把情感准确率做到 47.21%，代价是需要维护检索库并做三阶段图编码。

在 ASVspoof 5 Track 1 的 4,080 条匹配子集上，用被动分数、键控探针、检索与说话人轮廓四路证据组成可审计记录并做晚期校准，使检索增强的固定融合从 15.84% 降至 11.91% EER、校准后达 8.43% EER 并在 33.75% 复核预算下覆盖 82.85% 错误，但最强被动 WavLM 仍为 6.71% EER。

llmovoice 把语音交互的上下文拆成语义、副语言与环境三状态，用 VoicePage/VoiceThread 组织记忆并在预算内投影到上下文窗口，再让服务模型联合推理生成运行时指令，在丢包下把误打断率从 46.0% 降至 0.9%、每轮成本最高降低 24.9 倍，代价是编排调用时约 790 ms 的额外决策延迟与摘要压缩带来的细节丢失。

针对检索增强的文本到音乐生成中用检索到的标题改写用户高层提示的依赖，论文提出保留高层锚点并注入低层声学描述的双层标题投毒，使投毒后生成音频与攻击目标类别的 CLAP 相似度从 0.21-0.28 提升到 0.41-0.48，同时与原始用户问题的相似度维持在约 0.30 附近。

语音活动检测 | 7.0/10

A Decomposed Retrieval-Edit-Rerank Framework for Chord Generation

动作生成 | 7.5/10

音频生成 | 6.5/10

语音识别 | 8.0/10

语音评估 | 8.0/10

本文针对音频深度伪造检测模型在真实场景（in-the-wild）中泛化能力差的核心问题，提出了一种名为ICLAD的全新范式。该框架利用音频语言模型（ALM）的上下文学习能力，实现了无需训练的快速适应。其核心是创新的**成对比较推理**策略：在离线阶段，引导ALM为每个样本同时生成“真实”和“伪造”的