模型比较

该研究用合成语音控制发音变量，对比可读性与转写错误，发现现代端到端语音识别的字错率与全局可读性指数近乎正交，而人类感知难度仍与错误相关，内部不确定性也未随文本变难而上升。

该研究用同一被试三种发声方式的颅内脑电分别训练声谱重建解码器并做跨条件测试，以包络相关和句子排序可分性验证共享表征，最强证据是跨条件显著高于打乱零模型，而代价是想象条件句子特异性较低且非线性高相关不等于高可分性。

论文在三个语音分类任务上用九个预训练实例比较八种微调配方，发现统计上不差于最优的顶组身份随 checkpoint 而变，多随机种子还会双向翻转激活成败，因此小幅领先更像实例与种子相关的唤醒匹配而非普遍更高的性能上限。

针对连续情绪识别中标注滞后于语音的问题，该文提出在特征上做因果滑动平均以引入群延迟来代替直接平移标签，并在 RECOLA 上显示其峰值与移位法相当但对时间参数更不敏感，代价是效价需要更长的累积窗且长窗下个别种子会失效。

在 Qwen3-Omni 30B 与 1000 题 MMAR 音频推理任务上，结构化提示以 72.6% 准确率比基线提高 5.5 个百分点，而需要大量候选生成与迭代微调的 ReST 与自动优化的 MIPROv2 反而低于基线，代价是提示只重组推理流程而不增加可迁移的权重知识。

该研究让 101 名英语单语听者与冻结的英语单语 Whisper-medium.en 和 HuBERT-large-ll60k 在相同法语、日语、希腊语、泰语情绪语音上做六选一判断，发现三者都显著高于 21.4% 的机会水平，但人类偏向中性与负情绪而模型偏向快乐与惊讶，且 HuBERT 整体高出人类 6.8 个百分点。

论文比较模块化流水线、任务专用大语言模型与通用多模态大模型在多说话人长音频转写中的表现，提出时间受限语义错误率与重叠分解指标，最强证据是重叠段贡献约九成总误差而模块化多通道系统在复杂会话中仍最稳健，代价是语义指标仍依赖词级对齐且人工语义一致性尚未验证。

论文用人类感知的说话人相似度分数检验 43 个语音与音频基础模型各层嵌入余弦相似度的对应关系，发现编码器与大规模监督模型峰值对齐更高，而解码器、语音识别微调与参数增大总体拉低峰值并改变层间走势，但层间斜率仍多半无法被现有配置解释。

论文以频带为单位用沙普利解释、部分依赖图与单带扰动对照三个质量评估网络与人类评分，报告网络与人都对拉低分数的因素更敏感且网络集中依赖低频带，而 MOSNet 在放大扰动下反向走高是主要代价。

论文把语音检索问题改为语音查询加自然语言指令共同决定相关性，用四个子集覆盖语义、说话人、风格、环境音及其组合，并用四类基线证明语义与声学能力目前分属不同路线且多属性组合仍很困难。

问题是深度学习语音表示多而散、难以与 Praat 式交互分析衔接，方法是用 Python 后端加网页前端统一连续、离散与变长表示并做可切换距离与对齐的单句分析与双句比较，代价是本研究不报告定量精度对比且强制对齐依赖额外服务。

论文在受控晚融合下比较梯度与损失两类平衡方法，报告其均未稳定超过简单拼接基线，并用合成诊断与全局权重上界说明训练拟合信号不能代替留出集判别价值判断，代价是逐样本最优仍有约 8 个百分点结构余量未被利用。

论文用 MaFI 孤立词任务比较三类视觉语音识别模型与人类唇读者，发现模型词错误率更低但成功与失败的词不同，错误更随训练词频而非视觉清晰度变化，代价是视觉清晰度只能解释模型约 6 到 9% 的排序方差而人类可达 50 到 79%。

该研究把 GCC-PHAT 拆成可探测的中间目标，追踪 MLP、CNN、Transformer 各层学到什么，最强证据是互功率稳定可解码而 PHAT 相位始终不可解码，代价是混响下时延本身的可解码性仍随 T60 下降。

该文在匹配主干与数据轮次预算下比较全局分类锚定与成对验证做开放集语音合成源头追溯，报告域内全局锚定 8.61% 等错误率优于成对变体的 12–15%，并以瓶颈对照与 k99 分析支持差距来自目标函数对嵌入方向的塑造而非单纯维度降低。

针对极角估计中声源谱与头相关传输函数纠缠的病态问题，论文用相关性贝叶斯观察者联合评估生态声源先验与五种空间先验，最强证据是所有变体复现了谱分辨率提高时极角误差与象限错误率单调下降而非对称先验整体更贴合，但生态声源先验增益有限且组水平无一致最优先验。

该研究用同一套英语元音辨别任务比较荷兰籍英语学习者与三种神经模型，显示语音大语言模型在多人 babble 训练后提升趋势最接近人类且在稳态噪声下绝对准确率最接近人类，但匹配噪声训练比 babble 训练带来更大提升，代价是结论受限于 100 个训练试次和未分 proficiency 的样本。

该研究在统一多模态架构下比较标准自注意力与 RetNet、LightNet、GSA、FoX、KDA 在 MSP-Podcast 上的情感识别效果，报告显示标准自注意力在 Test1 均值 36.42% 和 Test2 均值 27.19% 上最稳，而高效变体在 400 秒序列上把延迟降到 5.96 ms 量级、显存降到 0.328 GB 量级，代价是识别分数下 …

以塞浦路斯希腊语延续升调为案例比较勒让德多项式与广义加性混合模型，两种方法共同报告 CYG-nh 与 ATG 及 CYG-nl 分离，前者刻画整体斜率降低与曲率增加，后者定位核高目标附近相对时间差异，代价是都需要先验分类且对边界与阶数选择敏感。

该研究在统一协议下对 3 个核心加 8 个复现加 2 个盲测 TTS 模型做训练后量化，发现相同位宽下自然度损失完全取决于模型特异的敏感部件，最强证据是 4 比特逐通道权重让 Supertonic 下降 2.8 个 UTMOS 而 Kokoro 仅下降 0.07，而代价是逐张量缩放即使在 8 比特也会严重退化且真实部署的延迟与能耗必须逐运行时验证。