流匹配

该文把语音驱动的人脸运动看作情绪条件下的运动隐空间分布，用正交运动字典加情绪子空间保留发音与情感耦合，再用逐层跨注意力融合音频与情绪去调制流匹配速度场，在 MEAD 上取得 82.05% 情绪准确率与 22.58 dB PSNR 并以十步采样实现实时推理，代价是仅覆盖英语与七类基本情绪且对大角度头部转动验证不足。

针对文本、参考图像与音频难以协同且三元完备数据稀缺的问题，HuMo 用非完备互补数据加两阶段渐进训练实现统一控制，在主体保持与音画同步子任务上报告了超越专用基线的分数，代价是仍需两阶段 40k 步训练与分段推理引导配置。

该文把配对干净与带噪语音之间的流匹配与扩散桥统一为均值方差不同的高斯概率路径，论证数据预测训练下每步采样等价于预测式增强，并用时频主干与改进损失在更少参数和更少步数下超过已有生成式基线，但提升上限仍受预测本质约束。

针对唇到语音中视觉到声学一对多映射难保留细节的问题，SLD-L2S 用层次子空间潜流匹配直写预训练音频编解码器连续潜向量并辅以语义与语音语言模型损失，在 LRS3 上以 10 步函数求值取得 UTMOS 4.2096 等质量领先，代价是可懂度仍受视觉信息瓶颈与辅助损失权衡约束。

AuK 用自然语言指令加可选音频统一五类语音任务，以多模态大语言模型语义条件、联合训练的音频变分自编码器声学潜变量和混合整流流 Transformer 为核心，在约 3.03 billion 指令音频实例与 1.95 million 小时监督上经生成预热、联合预训练、编辑偏好优化与生成强化学习取得零样本与指令合成及通用编辑的领先结果，并以 4 步无分类器自由 …

在仅双路音频输入的整段对话生成任务中，ECHO 以确定性锚点建立语音主导的稳定基线、再以残差流匹配与语义组缩放补充一对多的倾听变化，在约 120 小时对话基准上同时改善说话保真与倾听真实感与多样性，代价是时序稳定性与单样本实时因子未全面领先且依赖弱条件窗口的提纯。

针对双人对话中后通道、打断与重叠难以可控生成的问题，KABURI-TTS 以每说话人的音素光栅与由此导出的语音活动为条件在双通道上渲染对话语音，人在真实对话数据上的主观评测与语音活动统计显示其交互自然度与重叠频次优于强基线，但仍未达到真人对话上限且依赖外部光栅构造的质量。

论文针对修复任务中全局时间 t 无法刻画样本相关退化程度的问题，提出以冻结判别编码器表示替代时间条件来驱动流匹配速度场，在语音增强上报告了可复核的提升，并以额外编码器开销和自适应推理换取计算节省。

SCAPES 针对环境声纹理的语义可控合成问题，用连续归一化流在 EnCodec 连续隐空间上按原子段自回归建模，并以 CLAP 语义嵌入和历史原子为条件，在约 34 分钟数据、单张消费级 GPU 约 1 小时训练的条件下实现长时稳定生成，代价是难以处理语音与复调音乐所需的长程结构。

SwanWeave 针对 FOA 四通道声场的指令编辑任务，用可控房间仿真构造 125K/类单操作与 250K 复合操作的源-目标配对监督，以潜空间流匹配为生成器，配合双层路由的 SE-MoE 与面向错编负样本的 SPO 偏好对齐及分阶段课程，实现一阶段复合编辑，并在客观与人评上一致优于现有通用与立体声编辑基线，代价是依赖仿真数据与约 10 秒短场景。

针对跨语言配音与双人全双工对话，Text-AB 用 DAC-VAE 潜变量上的流匹配 DiT 加 mT5 交叉注意力学对齐，经 480k 小时预训练与三路微调，在配音可分享性上领先内部系统约 0.38-0.40 分，短对话接近真值，但长音频依赖多扩散拼接与多候选重排带来额外推理代价。

语音合成 | 6.8/10

音视频生成 | 7.5/10

音乐源分离 | 5.3/10

扩散模型 | 5.9/10

语音识别 | 6.2/10

语音合成 | 7.9/10

语音合成 | 9.6/10

音频理解 | 8.7/10

音频分离 | 9.0/10