环境声

PhysicsSliders 用在线模态仿真产生的接触声训练流匹配生成器，学习硬度、尺寸、速度和阻尼等物理输入，并在 18 类真实敲击录音的等效阻尼目标上验证了目标跟随与双目标联合控制，代价是持续摩擦声覆盖范围不足且需要厚度信息才能同时定准频率。

论文用语音和背景声各自独立真假的混合数据，比较四种检测器对假语音与假背景声的敏感度和依赖频段，发现假背景声更好检但差距主要来自对未见过假语音的泛化失败，且前端编码器决定了证据集中在哪个频段。

针对野外难以测量水琴窟几何尺寸的问题，论文用同一套频谱与时域描述子对关西 9 处录音做归一化比较，发现整体音色高度相似但各有可测差异，且同地点多次录音相似度高于跨地点，代价是环境噪声无法分离、结论只限录音层面的探索性描述。

该论文用参考音频的关系结构来重组检索源音频的短时颗粒，再送入预训练生成器，FO 变体在保持声音类别的同时改善了时间对齐并降低了源波形局部复现，代价是离散搜索不保证全局最优且分布指标只是维持而非提升。

针对文字可解但配了无关音频时大音频语言模型会改变答案的问题，论文用配对漂移度量暴露不稳定，用后期音频通路缩放定位可控点，再用按指令开关的 ICAP-Gate 在四模型十六组全量评测中降低漂移点估计，同时在所测语音识别任务上保持原有词错误率，代价是单次生成加一次路由判断。

针对野外录音中噪声与信噪比多变导致逐频谱门控易漏信号的问题，论文提出先对语谱图做二维高斯局部平均再门控的 2D-SG，并在 70 段椴鸟合成噪声与抹香鲸、斑姬鹟实录上验证去噪与信号保留的改进，代价是多出一个高斯窗超参数且低信噪比与下游任务增益待验证。

针对训练有 16 kHz 高分辨率音频而部署只有 1.25 kHz 低分辨率音频的活动识别错位，RAST 先把教师表示压缩为离散令牌与邻域结构做预热再做局部难负例对齐，在 SAMoSA 和 AudioIMU 上相对低分辨率基线提升约 6.1% 至 7.8%，代价是仍需配对高低分辨率训练数据与三阶段流程。

该研究在 ASPED 上以视频教师蒸馏音频学生，比较十种蒸馏配置，发现宏准确率小幅上升主要来自无行人类准确率上升与行人召回下降的操作点移动，PR-AUC 几乎不变，而选择性屏蔽行人样本的信任过滤蒸馏强化了这一权衡而未提升平均排序能力。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

论文研究无非典型听者标注时如何从少量样本泛化声音情感，选择冻结大模型加 LoRA 并用 36 个文本情感锚点打分效价唤醒，在 AAD 上训练、在 EmoSoundscapes 上跨域验证，最强证据是音频微调把 AAD 效价排序从负相关拉到 0.71 左右，代价是仍只验证神经典型数据且未真正建模 hypersensitivity 个体差异。

针对长篇沉浸式音频故事中人声与角色错配和生成质量波动问题，AuDirector 用身份感知预制作加评论者主导的合成修正闭环与人工交互修订组织语音、音效和音乐，论文报告其在结构连贯、情感表达和声学保真上优于基线，但非语音多样性不足仍是代价与边界。

针对参考无关文本生成音频评价中全局 CLAP 相似度与人评相关低的问题，ELSA 用大语言模型拆分声事件加语言查询分离加 Human-CLAP 分层打分，在四个基准上把与人评的秩相关显著提高，但绝对分值系统性偏低且未显式建模时序。

FreeSonic 针对文本引导音频编辑中时间一致性与背景保留难以兼得的问题，在冻结的 TangoFlux 上用反演加去噪、文本音频注意力取掩码与分阶段解耦做局部修改，主实验报告在增加、删除、替换上取得更优的保真与语义对齐，但删除类任务仍依赖噪声注入强度等任务相关超参数。

论文把连续监听下的何时提醒形式化为四态决策，用打断与静默两种解码标记在 Qwen2-Audio-7B 上实现主动辅助，在 ESC-50 上报告 99.6% 打断 F1 与 100% 去重召回，在 Epic-Sounds 零样本下保持 96.7% 起始召回，代价是噪声域静默召回偏低且平均延迟约 3.5 秒。

该研究用颈表加速度计与肩挂噪声剂量计的数天同步监测，把环境等效声级均值与波动映射到音强、基频、倒谱峰突出度和一二次谐波差，报告了随噪声上升音强基频与倒谱峰突出度上升、一二次谐波差下降且非线性模型最优，但噪声只能解释部分方差且组间差异集中在音质斜率上。

针对声音事件检测需要帧级定位而轻量模型容量不足的问题，论文提出以教师 logits 为公共蒸馏空间、配合时序投影器和置信度加权损失的 TAT-KD，最强证据是 4.548M 参数的 SE-CRNN 学生达到 PSDS 0.574，代价是训练期要附加多级投影器并依赖冻结教师的帧级输出质量。

论文以跨生成器与黑盒低资源两条赛道检验环境声真假判别，第一名在两赛道均把等错误率压到 0.3% 左右，代价是依赖大规模自监督表征、针对性增广与多系统集成。

该研究从 71174 段音频描述中抽取归一化来源属性事件并用音频对齐嵌入过滤语义相近的缺席查询，以四个音频大模型与十二种提示词的大规模是否问句测量复杂度影响，发现事件数从 1 增至 5 时在场真阳性率系统下降而缺席假阳性率系统上升，且换措辞会在召回与误报之间形成权衡。

该文把 FAD 评价拆成召回、精确度、语义对齐与结构对齐并用对数自归一化比较六种编码器，报告显示重建类 AudioMAE 精确度最敏感而 ASR 类 Whisper 结构最敏感但对信号退化近乎看不见，代价是没有任何单一编码器能同时兼顾四轴。

针对复杂噪声下声音事件检测性能骤降问题，论文提出用预测边界构造段内注意力掩码并做边界门控增强的 BG-CRNN，在 WildDESED 上从 10 dB 到 -5 dB 持续优于基线，代价是增加边界分支与多任务损失的训练复杂度。