环境声

论文把肯尼亚森林声音工作集里人声说话的二分类交给微调后的音频频谱 Transformer 做初步筛选，再用三份清单加连续听音核验全部机器建议，在保持人工标签权威的前提下把剩余 5026 个文件的标注工作量从约 48.9 人时降到约 28.9 人时。

论文解决用 1 秒音频判断有无无人机的问题，用手工声学描述子加 YAMNet 嵌入的双视角堆叠集成做判断，在按录音源隔离的分组协议下达到 95.29% 准确率，而随机切分会虚高 1.89 到 3.22 个百分点，融合只带来约 1.11 个百分点的小而稳的增益，单条处理约 51.0 毫秒。

论文用 1782 个配对试次比较听后 8 个感受词算出的愉悦度-事件度与听时连续直接打分的平均，发现两者二维结构相近但振奋与单调方向偏离较大，全段平均最接近回顾分，而经验映射只把联合误差降低 4.9%。

本文用同一位置、同一编辑流程的同类替换做对照，检验音频语言模型在局部事件类别被换掉时是否改答案并指向新类，三模型上异类比同类多 49.7 到 60.9 个百分点的答案改变，但结论只在 600 条合成声景和给定声学条件下成立。

论文用先分 5 个粗类别再在类内细分 25 类的方法降低混淆，以 0.2004M 参数的 FTANet 在自建集粗分类达 95.45%、25 类任务从 71.32% 提升到 81.49%，代价是两阶段推理时间从 0.2170 s 增加到 1.2390 s。

论文解决每轮训练中没有验证标签时如何选检查点，提出用冻结嵌入空间中独立于待选头的原型与近邻伪标签加已标注集交叉熵打分，在统一标注预算下取得可部署方法中平均最优的标注曲线下面积，代价是每轮对池做一次批量前向。

论文量化了预训练 AST 在窗口和跳长偏离预训练设置时分类性能大幅下降的问题，并用冻结主干加轻量 FiLM 条件调制在少数据下恢复未见配置上的性能且基本保持原配置性能。

针对声学泄漏检测中背景变了、泄漏类型变了和传感器坏了都会让 AI 静默犯错的问题，COMET 用信号有效性、物理一致性和能力包络三层各自诊断再统一成红绿灯给人看，把高噪声无泄漏和三类传感器故障的可信错答降到零，代价是名义误报约 1%，但对新型管泄漏仍留下约 27.6% 的静默漏检。

CochlearMark 把水印藏在听神经锁相特征经密钥投影后的得分里，用很小的波形扰动把得分推过阈值，在语音音乐环境音上保持可听性与常规编辑鲁棒性，但在神经编解码低码率与改内容变换下会失效。

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。