注意力机制

针对无声肌电到语音映射模糊难控的问题，TAP-ETS 用帧级音素嵌入经交叉注意力直接条件化解码，并在推理时把外部文本校正重分布回肌电帧，在 Gaddy 无声测试集上把词错误率从 25.12% 降到 19.77%，代价是依赖外部语言模型校正质量与精确时长结构。

论文发现联合视频生成中视频到伴随模态的对应强而反向弱，提出以停止梯度的强方向分布为目标的 KL 正则 RecCAR，在视频-动作上把人体解剖学得分从 0.69 提升到 0.75，在视频-音频上把绝对失同步从 0.804 降到 0.752，代价是只微调 LoRA 且需保留原生成损失权重。

针对语音识别中 Mamba 用固定深度卷积做局部聚合而缺乏内容自适应的问题，论文把该位置换成因果卷积加通道内局部注意力来动态生成状态空间参数，在 LibriSpeech 和 TED-LIUM 上以更小参数量取得更低词错误率，代价是引入双向结构和注意力窗口等额外设计与解码依赖。

针对谐波注意力依赖先验字典而清音恢复弱的问题，论文提出对注意力键和值做有限标量量化的无字典离散注意力，并在 TFGridNet 上验证其与谐波注意力的互补增益，最强组合在可见集提升 0.10 PESQ 与 0.56 dB SISNR，代价是前端与注意力替换带来的额外计算与结构复杂度。

针对用稀疏参考 RIR 预测未见目标位置 RIR 的跨场景任务，论文提出按时间分流到双曲分支与欧氏分支再由上下文门融合的 Janus-RIR，在 AcousticRooms 上 K=8 时把 T60 误差降到 7.75% 并把 C50 误差降到 1.12 dB 左右，代价是需要并行双分支聚合与熵正则等额外结构。

针对家具移除与移动后同一声源接收位置的房间脉冲响应更新问题，论文提出以均匀材质仿真代理刻画几何变化的 PG-RIR，在 14 场景留一评估上把 T60 误差降到 0.0316 秒左右，但多步回代会累积平滑且逆渲染基线在大表面数下失效。

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 …

针对实时零样本声音转换中说话人相似度低的问题，该研究用基频激励信号补回离散内容单元丢失的韵律，并用全局嵌入加轻量互补编码器的因果融合提升表达能力，在 LibriTTS 训练、VCTK 未见说话人评测上将说话人余弦相似度做到 80.83%，代价是可懂度略低于最优基线且主观相似度提升未达显著水平。

该研究以推理时因果干预解剖 SAM Audio 的文本条件与自注意力收敛，发现加性注入定语义、交叉注意力修声学、稳定层早收敛，并据此提出免训练的层选择注意力缓存，以约 25% 自注意力计算节省实现最高 6.7 倍的质量保持优势。

针对全频带黑盒检测难定位伪造痕迹的问题，BandMIL 用 8 频带注意力做可解释谱分析、用 WavLM 做全局时序建模并以门控融合与多实例学习聚合，在 ASVspoof 2019 LA 上报告 1.28% EER 和 0.0331 min t-DCF，但融合在 A10 等三类攻击上弱于单分支且未验证跨数据集泛化。

针对复调录音中同音色音符互相泄漏的问题，论文用谐波与打击乐双流 NoteGrab 按音高与起止逐个抓取音符，再用自适应集合归属联合重分混合能量，在 SCNS-Eval 上中位 SI-SDR 达 7.39 dB，代价是逐音符推理与完整乐谱依赖。

针对文本注册的用户自定义关键词检测能耗过高问题，SPARK 用端到端脉冲网络与脉冲驱动注意力做音频文本匹配，在 LibriPhrase 上以 99.07% 的 AUC 和 3.97% 的 EER 维持可比性能，代价是音素级难负样本区分仍弱于重型预训练基线且全脉冲链路依赖特定仿真与能量估算条件。

针对多个移动说话人方向接近时纯空间线索难以稳定归属的问题，SpkGuideDOA 用压缩分辨率的说话人门控对直接路径相位差估计器做残差调制，在仿真与 LOCATA 上报告了更低的漏检与角度误差，代价是引导分支带来的参数增加与联合排列约束。

针对不足 3 秒的自定义短语验证不稳定问题，论文用文本相关与文本无关混合注册加并行交叉注意力帧级重打分，在 VoxPhrase 上用冻结骨干加轻量验证器持续降低等错率，代价是需要同时准备两种注册语音并额外训练验证器。

针对整段语音才能对齐而流式只能看到局部帧的矛盾，该文把流式语音做查询、注册文本做键值实现逐帧计算，在 LibriPhrase 上难负样本达到等错误率 28.21% 与曲线下面积 79.19%，代价是易负样本略弱于 CTC 对齐基线且依赖两阶段训练。

针对穿混凝土墙雷达语音带限与杂波干扰问题，论文提出逐层扩频的 CAF-Former，先用共享键值的多查询时间注意力守住低频时序，再用频率注意力融合引导高频恢复，在仿真与实测上 STOI、DNSMOS 和 CS-MFCC 最优，代价是仿真 PESQ 略低于 EBENet 与 TF-Locoformer 且参数量为 2.726M。

针对单条一秒短语音说话人确认性能崩塌问题，论文在 WavLM 与 ECAPA-TDNN 之间插入可学习的向量档案映射模块，在相同一秒训练条件下把 Vox1-O 等错误率从 10.346% 降到 8.342%，代价是对三秒长输入做多余补偿导致性能回落。

针对稀疏测量到稠密 HRTF 的上采样受固定测量布局限制的问题，GeoAtt 用逐频点查询条件空间聚合加 Conformer 频率建模实现单个模型适配多种布局，在 SONICOM 四个 LAP 布局上报告了最低对数谱失真，但受限测量覆盖下误差仍明显上升且代码权重本次未能确认可达。

针对神经编解码器重合成会抹掉波形域水印的问题，NeuMark 把 16 比特消息分布嵌入 SpeechTokenizer 的 8 路残差量化潜变量并用失真增强训练检测与解码，其代价是潜变量方法的透明度受限于编解码器自身重建质量并需区分原始参考与重建参考。

针对野外遮挡噪声下说话人易误判问题，ROAM-ASD 联合音频、全脸与嘴部三流并用联合自注意力加模态丢弃融合，在五个基准上取得 98.8%、87.9% 等 mAP，代价是需要人脸跟踪与嘴部关键点定位。