模型融合

CloudEar 针对生成歌曲评价中感知分数压缩与提示词细粒度属性缺失问题，用感知专家加诊断专家做音乐性成对比较、用跨模态专家做体裁乐器对齐比较，在三个人工标注基准上取得更高的偏好一致率与评分相关性，但结论只在给定数据划分与配对构造下成立且推理代价未被测量。

论文固定结构和评测，只把蒸馏损失从 DistilHuBERT 损失换成相关性损失，比较权重插值和激活排列两种合并，发现后者在语音侧更稳、需要搬动的通道更少，但在标准宽度音乐侧仍是旧损失更好。

针对多人口属性交叉说话人识别偏弱的问题，论文先在冻结语音编码器和大语言模型下为 18 个人口子组分别微调连接器再合并为全局模型，然后对跨轴交叉对估计修正向量并加回全局模型，在 Fair-Speech 上把总体词错误率从 7.38% 降到 5.13%，但平均提升并不总能缩小同轴内最大最小差距。

针对手机上音频已预填而完整回答仍需逐词生成的按需理解任务，As2d 让音频条件起草者脱离目标已验证前缀独立推进并由目标验证纠正，在四机七数据集上把合并语音识别吞吐相对纯目标解码提高 42 到 76%，代价是候选供给不足时仍需目标单步推进且增益依赖覆盖率与到达时机。

针对嵌入聚类时间分辨率与神经 diarization 长录音身份一致性互补但表示不兼容的问题，论文用神经说话人划分调制局部表示构成连续亲和并与多尺度声学亲和相加后做一次全局聚类，在 AMI 与 CALLHOME 上同时超过两个组成系统，而硬用说话人计数则显著变差。

针对声学基础模型分数不可解释为出现概率的问题，论文用全球数据集学到的 Platt 校准参数迁移到新站点，再以贝叶斯融合加入地理先验，在保持排序能力的同时改善校准，其中 NBSP 在两模型两数据集上取得校准与判别的最佳平衡，但物种级参数预测未能稳定泛化。

在 T15 同一批缓存候选上，一次返回全表概率的 Jev 调用把测试词错率降到已发表权重下 7.46% 与重调权重下 6.93%，四组配对都领先两个 7B 打分器且 95% 上界最多落后 0.20 个点，代价是托管调用与传输主导的延迟。

该文把是否融合写成共因推断，用冻结音频与视觉估计做后验加权融合，在画面内方向误差上取得可核对的下降，而代价是画面外存在小幅回升。

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

针对无源域数据、只有多个预训练源分类器和极少量有标签目标数据的语音情感分类问题，MOCHEE 用软置换对齐加元学习合并权重构造靶向分类器，在 CAFÉ和 Oréau 上报告最高准确率与 Macro-F1，但对齐与内外层划分等细节仍有未验证边界。

该研究用八次网络认知行为治疗的会话语音追踪隐居患者的纵向声音变化，以基线校正后的 MFCC 轨迹区分改善与恶化，并报告 Wav2vec 2.0 与 MFCC 加基频融合在各年龄性别组取得最高 F1，但样本小且中段无临床量表监督。

针对长篇沉浸式音频故事中人声与角色错配和生成质量波动问题，AuDirector 用身份感知预制作加评论者主导的合成修正闭环与人工交互修订组织语音、音效和音乐，论文报告其在结构连贯、情感表达和声学保真上优于基线，但非语音多样性不足仍是代价与边界。

针对伪造语音攻击下说话人确认失效问题，BiSASV 用说话人全局统计调制反欺骗特征再反向门控说话人嵌入，并在 ASVspoof 2019 LA 评估集上报告 SASV-EER 0.73% 与 min a-DCF 0.0153，代价是依赖预训练前端与联合后端调参。

针对神经音频编解码器生成的老年伪造语音检测任务，论文构建英汉老年编解码器伪造数据集并证明旧基准模型跨年龄泛化严重退化，提出以詹森香农散度对齐语言绑定与图像绑定表示的融合框架 BONSAI，以平均等错误率 1.66% 建立新基准，但代价是依赖域内老年训练数据与双基础模型推理成本。

针对音频编码器在分类与理解任务上各有所长的问题，论文以 Whisper 保语音语义、Dasheng 补声学信息，用逐帧 softmax 门控残差融合加 STFT 支路做稳定骨干，对比隐式 LoRA 适配与显式残差解耦两种注入方式，最强证据是隐式在 Track-A 总体达 0.712 而显式在更多子任务登顶，代价是部分语音任务仍不如单编码器或基线。

论文研究分散在不同类群和地区、不能共享数据的生物声学分类器能否通过任务向量平均直接拼合，证据是 661 种上达到 59.2% 准确率且任务向量近正交，代价是相对联合训练仍有约 9.4% 的组成差距且大类群掉点。

针对语音情感描述在端侧算力不足与云端传输音频隐私风险之间的矛盾，该研究提出只把高熵词块送云端校验的不确定性引导推测解码，在 MER2024 中英子集上以 18.2% 词元上云比例缩小与全云差距，同时把端到端时间从 40.21 s 降到 28.67 s。

针对自然语音中多情感共存却被多数投票抹掉的问题，该工作把 MSP-Podcast V2.0 的众包投票转为确定性多热标签并控制长尾，再用 MFCC 与 log-mel 双分支 Mamba 融合建模，在 Test1 与 Test2 上微平均 F1 约 0.50 的同时把参数量控制在约 3M 量级，代价是尾部情感在固定阈值下依然难以检出。

针对远场多说话人音频让口语大模型直接做带说话人归属的转写和问答会遗忘推理能力的问题，论文选择冻结大模型解码器、只在声学编码器侧用 diarization 条件做目标说话人抽取，Dixtral 在四套转写集上宏平均 cpWER 为 15.4%，代价是每个说话人需独立编码解码一次且问答微调会损伤逐字转写精度。

该文要解决词级强制对齐在多语下的可扩展问题，选择融合 MMS 与无监督音素边界表示再用可学习动态规划定边界，最强证据是在 TIMIT 和 Buckeye 上超过 MFA 与 MMS 基线，代价是编码器与解码器不能联合优化且在荷兰语等未见语言上优势只在部分容差下成立。