流匹配

针对视频配音只做可见环境声、做不了语音与画外声共存的问题，OmniSonic 用视频加文本联合条件的流匹配扩散与三路交叉注意力加门控融合，在自建的三场景基准上同时生成语音与环境声，主观与客观指标报告全面领先，但时间同步仍弱于带细粒度同步视觉特征的基线。

针对环境声语义描述粗疏而波形稠密、离散量化破坏连续性、非因果编解码拼接易产生边界伪影的问题，SCAPES 冻结 EnCodec 连续潜空间并用条件连续归一化流做段级自回归生成，在约 34 分钟 10 类数据上以约 36M 参数单卡约 1 小时训练实现长稳可控合成，代价是对语音音乐等长结构建模不足且部分类别指标未胜出。

针对音视频时间同步被忽视且掩码自编码重建模糊的问题，SyncStream 用隐空间对比掩码自编码学紧凑对齐表示再用条件流匹配精修隐变量，在 VGGSound 上把分类准确率从 38.40% 提升到 49.14% 并降低音频重建误差，代价是两阶段训练与解码器深度需要权衡。

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

FC-TTS 要解决用两段不同参考语音分别控制音色与风格的问题，它用音色先定模糊谱、风格再细化的方法组织生成，并在 RAVDESS 音色控制上报告保持可用质量，而代价是放弃部分内容与细节信息并引入中间瓶颈。

针对噪声混响等导致语言向量漂移的问题，该文冻结语种识别器并在其输出向量上学习流匹配变换，用五语种失真配对实验把 ECAPA 整体准确率从 0.6900 提升到 0.8672，代价是推理需 50 步常微分方程求解且法语等个别情形仍弱于波形前端。

针对声学失配下说话人嵌入漂移问题，论文用条件流匹配在嵌入空间学习从高斯噪声到干净教师嵌入的映射，并用多次采样估计目标分数均值做分数归一化，在七个数据集上平均相对降低等错率约 17%，代价是推理需多步常微分方程求解且在干净匹配条件下几乎无增益。

针对每秒仅 25 个 token 重建 24 kHz 波形时语义丢失与高频失真问题，论文用条件流匹配迭代生成波形并以分层表示对齐与稠密单层量化组织语义和声学信息，最强证据是 8 层 RVQ 对照与频带误差表显示的语义保持与高频改善，代价是四步 ODE 采样与大规模 Transformer 解码器的推理开销。

针对带背景声的语音合成中可懂度与场景一致性难兼顾的问题，ImmersiveTTS 用双流扩散 Transformer 做联合注意力交互并以语音与音频双教师做表示对齐，在 25 步采样下取得更低词错率与更好音频保真度，代价是对双重引导强度敏感且训练依赖人工混合数据。

针对文本到音频中推理扩展不足与偏好错位问题，论文用连续掩码流匹配加迭代掩码重预测扩展推理计算，并用奖励加权微调对齐文本对应与审美，主证据是在 AudioCaps 上 FAD 为 1.10、KL 为 1.30、MOS-Q 为 78.87，代价是需要多步 ODE 求解与多轮掩码迭代。

针对流式与扩散式文本转音频需数十至数百步积分导致延迟高的问题，MeanAudio 以均值流回归区间平均速度并配合双文本编码与瞬时到平均课程，在 AudioCaps 上用 120M 参数实现单步 FD 14.30 与 RTF 0.013，代价是长音频与语音生成仍受限。

针对随语音生成全身动作时末端抖动与误差沿骨骼链放大的问题，论文把扩散建模搬到全局旋转空间并用关节、骨骼、时序三层约束补回结构，消融表显示完整约束取得最低分布距离，但节奏对齐仍有基线未被全面超越的代价。

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

针对连续自回归语音模型没有显式序列似然而难以直接做直接偏好优化的问题，该工作用大音频语言模型自动构造同提示 chosen-rejected 对，并以拒绝采样微调冷启动加带监督锚的流匹配偏好优化做两阶段对齐，在 1600 句官方测试上把最终分从 73.96 提高到 75.80，而整体质量基本保持稳定。

针对尖叫哭喊等高唤醒合成中保字准就会丢情感、追情感就会念糊的矛盾，论文提出只改推理的情感矫正噪声先验与似然逆引导，在不重训下把 F5-TTS 词错率从 4.41% 降到 2.53% 并提升情感分，但纯度与截断仍需折中且不适用于非迭代架构。

任务是从脉冲响应估计六维板物理参数，方法用共享编码器先估计五个归一化参数再解析恢复面密度，合成匹配集上的精修使两条路线波形与参数误差都下降三个数量级以上，而粒子群路线参数误差低两个数量级以上，代价是每条脉冲响应数分钟的合成与优化开销且仅在匹配合成条件下验证。

UniSonate 用指令与内容双流加动态音效令牌统一语音音乐音效生成，在语音可懂度和音乐连贯性上报告最优值，而音效保真度仍落后于专用模型并受短时长与推理开销限制。

针对流匹配语音生成中 ODE 反复调用神经网络导致推理慢的问题，WaveEx 用单层小波分解加一阶泰勒分频外推替代部分求解步骤，在四类任务上报告 2.75-5.73 倍加速，代价是早期高曲率段仍需保留少量 ODE 步且高频外推带来轻微波动。

针对双人自发对话需要同时保证可懂度与正确分声道轮转的问题，ZipVoice-Dialog 在单人流匹配基础上引入单人预训练到对话微调的课程与说话轮次嵌入，最强证据是 6.8k 小时 OpenDialog 与对比基线上的可懂度和轮转精度提升，代价是仍集中于双人单声道且表达力受小模型限制。