正则化

针对语音与噪声频谱重叠时增强模型顾此失彼的问题，论文把语音衰减惩罚与残留噪声惩罚拆成两项并用 λ 加权组合，在四种架构上报告 λ 与语音质量正相关、与噪声抑制负相关，最强证据是 13 个 λ 下相关系数 0.95 与 -0.96，代价是两端极值会出现过抑制或噪声泄漏。

针对预训练模型双分支特征尺度不一致与均值教师固定更新不稳定问题，该文用时间自相似一致约束同步双分支演化轨迹、用基于参考损失的自适应更新稳定教师，并在 DCASE 2024 任务 4 上以 0.541 PSDS1、0.768 mpAUC、1.309 Score 取得最优，但第二阶段同时使用两项改进时 PSDS1 出现小幅回落需靠跨阶段融合弥补。

该文在因果语音增强梯子上用深监督加逐帧单调修复得到可比静态族，证明路由相对专用静态可高出约 0.11 感知质量但与修复后静态前沿差距小于 0.01，且在 STM32N6 实测时延上动态执行只提供同一梯子内的中间工作点。

针对大音频语言模型中思维链变长后注意力偏离音频的推理差距问题，SPARE 在推理起点插入对齐最终结论语义的寄存器标记做训练期正则，在 MMAU 上达到 58.03%、MMAR 上达到 40.32%，代价是需要带结论标签的微调和对齐权重选择，且推理时丢弃辅助头以保持零额外开销。

针对 ASVspoof 5 训练集中真假语音文本内容错位导致的语言捷径问题，论文用 Common Voice 训练的语言教师经梯度反转引导 XLSR 学生学语言不变表示并以变分信息瓶颈约束去除强度，在九个域外评测集上把混合等错误率降到 8.72% 但在 ASVspoof 5 域内评测上仍弱于挑战赛前四名。

针对组织实体多词跨度、缩写和词表外名称导致的边界不稳，论文用 Whisper 为底座叠加定向语义增广、组织专用结束符和结构约束损失，在保持词错误率的同时把组织 F1 作为主指标提升，但类别专用优化伴随整体召回和识别精度的轻微代价。

针对年龄与性别编辑在大规模语音数据中受噪声标签干扰而出现映射漂移和身份丢失的问题，RIVET 在潜表示上增加幂等正则并与生成损失联合训练，在 GLOBE 与受控噪声 EARS 上提升了身份保持与性别编辑成功率，而自然度与可懂度基本持平、年龄分类仍有未胜出项。

针对大语言模型语音识别在噪声下表示不稳的问题，VIB-AVSR 在 LLM 第 4 与第 8 层后只对音频隐状态做变分信息瓶颈压缩与插值，在 LRS2 上 babble 与 speech 噪声多信噪比下降低词错率，而干净语音性能基本保持，代价是需调压缩强度与插入位置且三瓶颈会过正则。

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。

论文研究角间隔 ECAPA-TDNN 分类器原型在单位超球面上的集中与有效维度坍缩问题，用铰链式 Riesz 对数能量与参与率最大化两项直接作用于原型的正则改善覆盖，并在 Fast-VGAN 零样本换声上以 WER 从 6.54% 到 5.97%、相似度从 0.65 到 0.69、UTMOSv2 从 2.47 到 2.70 为证据显示鲁棒性提升，而说话人识别 …

针对显式思维链导致注意力偏离音频的推理落差，SPARE 在推理起点插入寄存器令牌并用结论语义做余弦对齐，在 SALMONN 13B 上把 MMAU 提升到 58.03%、MMAR 提升到 40.32%，代价是微调阶段增加一个训练期对齐分支而推理零新增开销。

针对同一话语的频谱图、MFCC 与 HuBERT 既重叠又互补而直接融合会淹没弱线索的问题，TriCGF 先分解为公共与特有分量再用全局共识加门控融合，在 IEMOCAP 上取得 74.19% 加权准确率与 75.17% 非加权准确率、在 EmoDB 上取得 94.36% 与 94.28%，代价是三路编码与门控带来更多训练配置与调参负担。

针对构音障碍语音识别中离散 token 与识别目标错位且随严重程度漂移的问题，该文用迭代伪标签更新、可微端到端优化与严重程度不变正则学习 DSI token，在 UASpeech 与 TORGO 上显著优于可比 HuBERT 连续与离散基线，系统组合后最低词错误率分别为 18.90% 和 6.38%，代价是需内容平行的健康对照与额外的端到端训练。

针对耳蜗个体差异难以直接调参的问题，该文在可微 CARFAC 上增加后向传输与相干反射路径，以复合损失拟合瞬态诱发耳声发射波形，在传输线模型仿真与 58 耳实测数据上显示可还原不同听力损失形态，但对真实生理状态与泛化仍需更多验证。

该文研究针对 Whisper 系列的通用、有迁移性的目标性声学攻击，提出 MuteOut 随机掩码优化，以较大的扰动预算换取跨模型的目标词成功率，同时用词错率和语义分数量化通用性与迁移性之间的折中。

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

针对可调旋钮的黑盒虚拟模拟在旋钮转动时出现噪声的问题，论文用深层拼接条件 LSTM 加谱范数或无穷范数正则与 32 通道 Gammatone 滤波损失，在三块效果器数据上把正则模型的精度追近无正则基线，同时把零输入下的控制噪声压到实用底噪以下，但同等规模下正则仍有小幅精度代价。

针对合成到真实的域偏移，论文在合成训练中把隐表示拆成波达方向相关与干扰两路并施加互信息最小化和均匀约束，仅用仿真训练就在真实录音上把误差降到 3.22 度、准确率提到 82.76%，代价是增加了解耦分支与两项正则的训练复杂度但推理结构不变。

针对亮区固定、暗区用户移动时离散切换会掉声对比度并引起系数跳变的问题，该文把整段轨迹滤波器拼成块矩阵并在分母加相邻差分平滑项做广义瑞利商最大化，仿真报告最小声对比度最多提升约 7 dB，代价是峰值提升有限且引入平滑正则权衡。

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