模型评估

针对五人以上拥挤录音中端到端 diarization 系统性少计低话量说话人的问题，论文在 EEND-TA 上加训练期门控耦合正则与按说话人加权的归约，最终系统把拥挤子集精确计数从 32.9% 提到 41.6%，代价是 CallHome 这类吸收型错误为主的域精确计数下降且需多调存在门指数。

论文研究无异常标签时能否预测 kNN 异常检测性能，推导 AUC 下界并用局部尺度分解内点分数方差，再用嵌入空间伪异常估计分离度，在 DCASE 2022-2025 共 208 个候选系统上显示 Diverse 伪异常的 Pseudo AUC 可超越有异常开发集选择，但代价是依赖语义元数据与伪异常构造质量。

该文研究用振膜集成光波导马赫-曾德尔干涉仪把声压转成光程差再转成光电流的传声器，以解析模型评估信噪比、声过载与动态范围上限，结论是在常规微机电与测量传声器应用中无总体优势，可能价值在高温等恶劣环境。

该文用 1000 组英文转写偏好标注比较词错率、字错率与多配置语义指标，发现词错率与人判断一致度最低而最优语义距离略优但未显著超过字错率，因此主张默认报告字错率并辅以语义指标。

AVTrace 把音画时间能力拆成七类可复算的定位与排序任务，用固定测试集显示现有全模态模型语义描述尚可但时间定位与同步判断偏弱，而针对 Gemma4-E4B 的时间后训练能在部分指标上提升但伴随外部任务的涨跌。

共分析 1 篇语音/AI 论文

该工作用隐式提示迫使模型从互补的多模态证据中推断缺失事件并用生成视频表达，在 517 个实例上 MiniMax-H3 总体成功率报告为 41.97%，其中视频决策最好而音频消歧最弱，说明多模态支持尚未转化为可靠推理。

该研究用同一话题下只换触发句并压缩停顿的配对独白，检验五个模型家族何时抢话，结果显示被直接提问和静音可靠地触发开口，而错误事实与危险行为几乎不触发，且把话轮交出去后纠错与警告比例仍很低。

RoleBreak 用 310 个角色与 6688 个多轮语音轮次同时测语义角色保持与声音情感表达，发现最强系统仍在平均 10.4 轮出现人格失败且全部系统情感分低于 14.7，而把语言模型从 2B 放大到 27B 能推迟语义失败却几乎不改善声音情感。

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

该研究把听者重叠贡献分为回馈、协作与打断，把说话人行为分为不变继续、回合内适应与让出，用 300 个人工确认线索对比录音人与 PersonaPlex 的配对延续，最强证据是 66 个协作对中录音人 68.2% 适应而模型仅 34.8%，代价是其余行为分流为不变继续与让出且评估依赖转录打分与受限复现条件。

该研究用同一句 Molly mailed a melon 在四种问答语境下考验七个主流 TTS 能否做出正确且自然的韵律焦点，人类基线仍最稳，最强的 Gemini 也不均衡，而高自然度与高可辨度难以兼得。

论文提出只变一个物理因素的时间对齐视频对与单视频模式测试来审计视频生音频模型，用方向一致性与敲击对齐度量揭示文本提升语义却损害同步、像素物理推理普遍偏弱的代价。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

八名研究生在同一减法合成器作业中对比有无 GitHub Copilot，报告显示助手主要改善代码组织而非振荡器抗混叠与滤波器拓扑等领域正确性，且口试表达未见明显受损，但样本极小只能作试点参考。

论文针对视频多模态大模型看人不细的问题，用两条自动标注与组装干扰项的流水线合成 16 个细粒度选择题，并在 30 个模型与人类基线上显示情绪与声画对齐仍远落后于人，且开放流水线把人工从出题转为验题。

论文把多种自监督音频、视觉和音画特征冻结后只训练线性分类头，在科学数据集与野外数据上比较检测、异常检测、可解释定位与互补融合，发现含音频信息的表示泛化最好但野外数据仍困难，且随机特征也能靠捷径得高分。

针对空间语义分割同时要分离和分类而旧联合指标会把标签错配算成负分的问题，论文提出先做置换不变匹配再算分类的 CASA-SDR，并在受控交换与 DCASE 2025 系统上显示它能把差分离与标签交换区分开，代价是对删除与替换类错误不再区分。