注意力机制

针对只有全局共有与单模态私有两类表示会漏掉仅在两个模态之间成立的情感协同的问题，论文把表示分成公共、两两共享、私有三路并用子空间感知交叉注意力融合，在对齐与非对齐条件下报告了更低的平均绝对误差与更高的细粒度准确率，代价是更多分支与正则项需要逐项验证。

针对跨生成器泛化难的问题，论文用音频条件扩散模型的 DDIM 反演重建差异与音频视觉交叉注意力做双路检测，在 MMDF 未见生成器与外部基准上取得领先，但单次反演约一分钟的计算开销是主要代价。

该文把 1B 参数离线直译模型 Canary-1B-v2 用 AlignAtt 策略改成同声传译，在计算无感知的英语到德语和意大利语高延迟档报告超过 4 和 6 个 BLEU 点的提升，代价是低延迟档德语 BLEU 仍落后基线且强制前缀加领域上下文会卡死。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

论文把英语语音同传拆成 Qwen3 语音识别加强制对齐与 Gemma-4 解码器翻译的同步级联，用显式源文区间加离线挑选的 8 个对齐头加 qk-fast 重算实现解码器侧 AlignAtt，在英德和英意低延迟约 2 秒与高延迟 4 秒内超过主办方基线，代价是中文方向不稳定且全头重算会明显抬高计算感知延迟。

针对多模态大模型做音视频语音识别时视觉时间建模粗糙且深层解码逐渐丢失时序的问题，论文用编码端时间感知注意力和解码端分层时间 token 堆叠来补时间信息，在 LRS2 与 LRS3 上把纯视觉识别词错率做到更低，代价是只在英语离线句子级条件下验证且增加了投影与注意力模块的开销。

该文把声码器从条件生成改写为从梅尔退化观测恢复目标谱的两步优化，用可学习伪逆做初始化加分频大核卷积注意力做深层先验，在 3.89M 参数下报告了优于 112M 量级基线与流匹配基线的质量，同时代价是仍需 GAN 判别器训练与多损失调参。

该文把语音幻觉检测转为推理时读取注意力图的二分类问题，用四个音频注意力指标加轻量逻辑回归在同域语音识别上超过不确定性基线，最强提升约 0.23 PR-AUC，但跨任务需重训且模型依赖明显，少头反而更利于域外泛化。

针对语音共情对话中副语言信息易被转写或早压缩削弱的问题，ES4R 在编码前用轮内与轮间注意力构建情感上下文再做语音引导的语义融合与能量引导的语音合成，在 AvaMERG 上语义一致性最优但多样性指标未占优且合成风格集合有限。

共收录 38 篇 iwslt-2026 会议论文的 Reader 深度解读

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

针对多语说话人带来的身份偏置问题，该工作用说话人门控动态加权同说话人与跨说话人两个神经 PLDA 语言专家，在盲测上报告验证等错误率 19.13% 与识别宏平均准确率 78.94%，代价是两阶段数据复用导致开发集显著乐观。

针对脉冲神经网络在语音命令识别中时序建模弱的问题，论文提出多视角脉冲时间感知注意力与上下文精炼 MLP 构成的 SpikCommander，在 SHD、SSC、GSC 上以 100 时间步取得更高精度，代价是更长的时序展开与更复杂的分支结构。

针对流利度评分既要看整体节奏又要抓局部停顿且等级有序的问题，该研究用专家特征锚定 Whisper 时序表示做深度融合，并用距离感知的顺序平滑损失建模等级远近，在 SpeechOcean762 上报告 83.40% 准确率，代价是依赖冻结声学表示与有限人群验证。

针对多人对话中谁在何时说话与内容难以联合对齐的问题，TellWhisper 在语音编码器内用时间说话人旋转位置编码联合建模时间与说话人活动，并用双曲空间说话人日志估计帧级活动，在真实会议数据上取得内容加说话人加时间的一致改进，但支持说话人数限于 1 至 4 人且编码器与双曲分类器仍处在不同几何空间。

该工作在 SeamlessM4T 编码器每层加入预测未来帧数的调度器并用滑动窗口重翻译与改造版 StreamAtt 进行验证，最强证据是改造版 StreamAtt 在英德 4 秒块取得 1976 毫秒延迟比基线快 817 毫秒，主要代价是两种策略下翻译质量均系统性低于未修改基线。

针对纯因果状态空间模型难以全局检索频域伪造痕迹的问题，论文提出 XLSR 前端加 Mamba 与注意力混合后端的模块化框架，最强证据是 MamBo-3-Hydra-N3 在三组跨域评测上取得有竞争力的等错误率，代价是堆叠深度与变体选择敏感且浅层检查点方差大。

针对教师情感的表演性与教学情境依赖问题，该研究构造 14,938 条四模态 T-MED 数据集并提出以音频为中心的非对称注意力模型 AAM-TSA，在 T-MED 上报告加权准确率 86.84% 与加权 F1 值 86.37%，代价是依赖视频转文本描述与教学信息输入且未公开可验证代码数据链接。

针对普通话四声在脑电中细微难分且跨人易失效的问题，CAT-Net 用脑电与肌电双分支时空编码加双向交叉注意力融合与域对抗训练，在 20 个脑电通道加 5 个肌电通道上报告了默读 88.08% 与出声 87.83% 的五折精度以及留一被试 85.10% 与 83.27% 的跨被试精度，但消融显示去掉融合与单模态后精度大幅下降且重度异常被试仍明显偏低。