模型评估

论文针对第一视角助手只看拒答率会掩盖伤害对象差异与不懂装拒问题，提出 2,902 条视频加语音查询的 STOU 基准并分离测试拒答与理解，发现理解后仍协助与对佩戴者伤害最弱是主要代价。

论文用组内划分在三个英语数据集上对照零样本、混合 LoRA 与分组 LoRA，发现增益集中在基线错误大且集中的地方，而混合适配常能持平或超过分组适配，因此超过零样本不能直接当作个性化的证据。

论文让两个 PersonaPlex-7B 直接交换音频 token 自由对话，用同一套 floor-transfer 规则测量接话时机，发现模型之间能相互耦合但中位间隔比人大三到四倍，且延迟扫频与分布形状支持反应式等待而非人类式提前预测。

论文用保留与归一化脉冲间隔的配对录音对比卷积与 Transformer 流程在同条件与跨条件下的物种分类准确率，发现归一化未给 Transformer 带来更大优势且跨到自然录音时性能下降，证据只支持有限作用。

论文用固定流程在不同最大上下文上分别训练小型因果 Transformer，发现民谣记谱中长上下文增益主要来自对展开的重复段落的原样拷贝，而演奏录音上增益小且早早放缓，代价是更长的注意力跨度和更不稳定的拷贝习得过程。

论文针对音频渐变轨迹是否在感知嵌入空间中又直又均匀的问题，提出与理想线性均匀轨迹比较的索博列夫距离，并用木材到金属的物理合成控制实验说明它能区分已有指标误判的非均匀与偏离路径情形。

ReTurn 用 7000 个配对任务测模型能否按当前请求选用历史问题或历史证据，最强证据是单轮到多轮中位准确率从 93.7% 掉到 72.3%，而复述请求与监督微调只能部分挽回且长对话冲突条件仍很弱。

针对原生全双工语音会在用户说完前开口的问题，论文用共享模糊前缀加可控停顿构造迟发意图基准，以提前响应率与有害或良性参与率联合评估四个模型，发现三者有害参与上升而一者全面退缩，且停顿放在意图揭示后则效应大减，但代码当前不可用限制了复现。

论文把跨会说话人归属做成一个全局身份映射下的转写评分问题，用同一套单通道串行评测比较五条商用链路、两条学术基线与门控证据的 ThyVoice，最强证据是 ThyVoice 在三种条件下商用最低且全组平均 47.13 对 54.75，代价是重叠与噪声仍带来显著遗漏与身份增殖。

论文用冻结 MusicGen 的 token 损失曲线、预测熵曲线与稀疏自编码器隐变量训练轻量评分器，在五个听感基准上拟合人类评分，并用过自信错误与频谱结构解释低分来源，代价是仍需按基准训练映射且组合不总是更优。

论文把增强语音直接加可优化扰动去推高四个 MOS 预测器均值，在七个 URGENT 2026 系统上四个目标分数都上升而未见预测器至多变化 0.03、参考指标基本不动，MUSHRA 显示优化版并不更好却能把排名提前数位。

PACT-SLM 用配对分支与可变起始点检验部分语音是否支撑外显动作，修正后 WavLM 探针在 onset 后语义标签准确率仅 26.03% 且未超过置换参考，完整轨迹准确率仅 5.94%，而时长对照更准地命中时机，说明身份与时机必须分开度量。

论文固定文字、只改声音来要求不同工具调用，用只读文字的级联做零假设对照，报告 28 个系统在保护性来电上都偏向按字面执行、23 个可测系统中仅 11 个超越零假设，且写明规则与描述声音各只能挽回部分损失。

CoSE-E 针对 HR 与 IT 服务台的 1212 条五语对混语语音，用转写字面错、语义错与下游问答错三层评价发现混语多加的是表层错而能翻转任务答案的错集中在关键实体损坏，且数据集当前已公开。

该文提出以人类高成功对话为参照、比较行为分布距离的对话分布分数，用语速、节奏、轮替共八个可解释特征加语义基线评价系统，在域外目标导向对话上复合分数复现六组听众比较中的五组，但短片段与单一尺度下排序并不稳定。

该研究用从全遮挡到原声的归因轴分解部分掩膜输出，发现 41% 到 77% 的位移是标量方法看不见的正交偏离，且其方向稳定性和维度随模型与填充组合而变化，代价是仍需依赖填充选择的忠实度评估才能谈修正。

论文以可听偏好为目标检验两种 PESQ 辅助损失，显示它们虽抬高匹配集上的 PESQ 与复合指标，却未改善多数独立指标并在主观盲听中被无 PESQ 模型稳定胜出，而复合指标的方差分析揭示其高度依赖 PESQ 本身。

该文针对多说话人场景下谁说了哪句话的归因失败，用动物合成诊断集揭示按画面位置顺序配对语音顺序的偏置，并用 400 个位置与顺序解耦的合成视频微调在真实基准上为 Qwen2.5-Omni 带来平均 8.27% 增益。

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

论文在冻结语音与人脸编码器加小头架构下检验音频视觉情感识别，证明预言者选对分支即算对的上限只是分支精度与分歧的函数，拼接融合至多转化约一半头部空间而学习路由处处不如拼接，污染编码器则通过抬高音频分支掩盖头部空间。