模型比较

该文用统一指令微调框架比较连续特征与离散口令在语音声音音乐理解任务上的表现，显示语义约束与多域预训练决定效果而扩大语言模型不能弥补前端信息损失，代价是连续特征训练更慢而重建型编码保真高但理解弱。

论文用 124 位作曲家的旋律续写任务训练条件 Transformer，只以作曲家身份为监督，学到的 124×128 嵌入的第一主成分与出生年强相关并通过打乱检验，最强的向量算术例子同时暴露了旋律表征覆盖不了配器音色的代价。

该研究把持续学习任务收紧到单攻击者加已知真人多样性，用三种检测模型和四种训练策略对比，报告攻击者训练数据与架构影响相当、任务顺序与说话人多样性对不同方法影响不一，而随机回放最稳但需存旧数据。

该文用理想比值掩蔽比较麦克风、波束形成器和 Ambisonics 三种域的增强，报告显示波束域语音质量最高而 Ambisonics 域更好地保留残留干扰的空间属性，且所有方法都保留目标声源定位线索，但以混响目标为期望才能保住混响。

针对非侵入式 MOS 预测中语音基础模型层利用不稳定的问题，论文在 10 个骨干与 4 个数据集上对比末层探测、最优单层、朴素加权融合与全量微调，并评估逐层适配器校准后聚合的冻结骨干方案，最强证据是 Wav2BERT A+M 在四库平均上达到话语级 0.388/0.749 与系统级 0.052/0.932，代价是仍需为每个层训练独立适配器与回归头且最优深度随 …

论文用隐式求解的有限差分弓弦模型复现亥姆霍兹运动并修正最小弓压定律为一次方依赖，再以等容量的门控循环控制器在扰动下领先前馈控制器，但证明其稳态调节不超过查表教师，只在教师失效处反超。

论文在匹配数据与匹配生成设置下比较纯语音、语音文本与纯文本模型，显示内部文本流大幅降低生成困惑度但说话人相似度和预测质量偏向纯语音模型，且联合模型能逼近大得多数据规模纯语音模型的语义水平。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

针对连续语音韵律短语标注耗时问题，论文提出依赖完整主流美式英语 ToBI 训练的加速分组标注法 Rapid-ToBI，报告双人三分类一致性 κ=.87 而 Wavelet 在中间短语处漏检 78.5%，代价是仍需受训标注员且仅在约十分钟奥巴马讲话上验证。

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

论文比较北美英语人类与 Parler-TTS 在陈述句和极性问句中实现对比性焦点的声学线索，发现人类按句型反转 F0 策略而合成语音跨句型高度一致，且在语速与强度上整体偏离人类，最强证据来自贝叶斯逻辑回归的 95% 可信区间方向差异，代价是强度在人类数据中受录音变异掩盖而未能复现经典效应。

该文把 17 个 Wav2vec 2.0、HuBERT 和 Whisper 模型统一微调为法语 35 音素识别器，先在 Common Voice 健康语音上建立基线，再冻结模型到 111 例 C2SI 病理语音上测跨域衰减与临床相关，最强证据是 Wav2vec 2.0 以 6,2% 错误率领先且错误率与人工评分高达 0,88 和 0,91 相关，但最低错误率 …

该文把朗伯德检测做成由干净语音预测诱发噪声级的回归任务，比较卷积、卷积加长短期记忆、变换器编码器三类架构与三类高维表示加六类可解释声学线索的组合，在留出德语数据集上显示卷积加 WavLM 泛化最可靠，而增加音高与谱倾斜能显著降低损失，但中间噪声级与跨数据集泛化仍是主要代价。

该研究把转写词错率当作后续音素对齐的前置条件，在未见过的健康与病理法语数据上比较四类系统，最强证据是训练数据与评测风格越接近误差越低，而代价是没有任何模型在犹豫词和不同病理间保持稳定。

论文把任务定为估计第二句相对第一句在九个反义维度上的印象差向量，对比可解释声学特征、自监督表示与多模态大模型三条路线，报告自监督表示在复杂印象上更稳，而多模态大模型零样本不可靠，代价是单女声优与同文本的强受控条件。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

该研究把语种识别改写为二值语音属性上的独立伯努利似然，用二值自编码器加按频率估计的激活概率做闭集判分，在 FLEURS 上以 mms-lid-126 嵌入达到与 PLDA 相当的精度，同时保留按属性回看判分依据的能力，代价是在 ECAPA-TDNN 与未见语种上出现更明显的性能下降。

该工作以 XLS-R 高维表示为输入，对比单层全连接与单层 KAN 后端，在 21LA 上把聚合 EER 从 2.38% 降到 1.07%，代价是后端参数从 2.05k 增至 22.54k 但仍远小于主流系统，且在 FoR 等个别集上 KAN 并未取胜。

论文把法语 WavLM 到波形的重建作为连续语音转换的前置步骤，对比只用谱损失与加入多周期多尺度对抗监督的 HiFi-GAN vocodeur，并在 15 个未见说话人样本上用谱、感知和基频指标验证对抗监督带来一致增益，同时以可学习的层融合分析各层贡献。

该文在波数字滤波器框架下用神经网络显式逼近四端口非线性散射映射，对比多层感知机与柯尔莫哥洛夫-阿诺德网络，发现 KAN 以 40 对 148 个参数达到相近时域频域精度，但实时率从 1.31 升至 4.74。