环境声

针对静态 RawBoost 在环境声上破坏高频纹理且采样与决策边界无关的问题，DAR-Boost 用可微噪声层加形状与强度解耦加自适应路由做对抗增强，在 EnvSDD 上把 ATA 降到 0.90% 而代价是引入梯度反转与多样性权重的联合调参。

针对多声混合中同一类事件多次出现时难定点修改的问题，论文在稳定音频开放模型上加入参考区间与编辑区间加源事件掩码，用在线合成三元组训练加、删、换、移、延五类编辑，区域级 0.1 秒事件分数超过 80% 但搬移目标区波形失真仍更大。

针对低码率低信噪比下神经语音编码器重建失真问题，FocalSE 在 DAC 连续嵌入空间中用聚焦掩码去噪、分离噪声嵌入并做噪声分类，在 LibriTTS 加 ESC-50 混合数据上重建指标优于 SECE 与 FD-CBR，代价是推理参数增至 159M、含识别分支时达 222M。

针对家庭等特定场景人工标注稀缺问题，论文用标准化加声音活动检测加音频事件检测加过滤四步把流媒体长音频转为带事件标注的训练数据，并以 2130 小时覆盖 431 类的 TriA 数据集和三组家庭分类任务上平均准确率相对提升 3.97%、Macro-F1 相对提升 3.35% 的顺序微调证据支撑其有效性，代价是类别不均衡与自动标注可靠性仍低于人工标注。

针对音频标注贵且通用主动学习忽略时频结构的问题，论文提出先用软损失分布刻画难学模式再用特征加梯度相似度匹配无标注样本的 TSAL，在 40% 标注预算下以 ESC-50 上 82.65% 对 79.90% 等结果领先基线，代价是每轮需额外计算伪标签梯度和相似度排序。

针对语音音乐通用音频在低帧率下难以同时保真与保留语义的问题，OmniCodec 用预训练理解模型的音频编码器做语义分支输入并与声学分支解耦重组，配合自引导损失提升码本利用率，在同码率下重建指标领先 Mimi 但语音语义困惑度仍有代价。

针对助听器难辨非语音环境声的问题，RALCT 把随机音频增强、MFCC 与 log-mel 拼接、CNN 降维与 Transformer 建模串成一条流水线，在 UrbanSound8K 上以约 310000 参数达到最高 94.56% 验证准确率，代价是增强强度受内存限制且部分易混类别仍偏弱。

针对 1 秒短时声场景分类中局部事件导致长短窗预测不一致的问题，论文提出语义对抗训练以抑制事件偏差，在 TAU20 上把总体准确率做到 63.5%，其中最高差异分位提升 12.0 个百分点，代价是在最稳定分位小幅回落约 1.2 个百分点。

针对每阶段只标注新类而旧类标注缺失的多标签音频类增量问题，论文用冻结编码器加解析闭式线性分类器递推累积统计量，并在 ALMA 中补连续旧类分数与频率加权，最强证据是 Setup A 上 ALMA 平均累积 43.32% 与最终 39.08% 且旧组局部保持 47.8% 左右，代价是样本加权基本无增益且长序列下与存历史数据的上限差距拉大。

针对 Whisper 在静音与非语音上产生虚假转写且 30 秒窗口被短语音浪费的问题，论文用前置锚音频做输入级接地与分隔符，在不改模型不微调下把总体词错误率从 32.18% 降到 13.23% 并把非语音幻觉压到 0.14% 左右，代价是锚短语需按领域挑选且批量失败时要回退重算。

该研究在十个城市中心 2×2 km 街区施加完全相同的无人机与载客 eVTOL 飞越作业，用道路基线加低空航空器增量的三维声传播仿真，证明水平与立面暴露差异主要来自既有道路噪声基线与城市形态的联合塑造，代价是恒定 100 m 平飞、标准化交通与单街区代表等强简化假设。

PolyBench 用真实复调录音构造计数、分类、检测、并发与时长五类选择题，测出当前大音频语言模型在计数和首个重叠区间定位上普遍掉点，而并发判断的高分多来自标签偏置走捷径。

论文把非语音幻觉当作编码器表示中线性可分的方向来检测，用原始激活转向和稀疏自编码器潜变量加性转向做免微调干预，最强证据是完整非语音测试集上 small 从 72.63% 降到 14.11%、large-v3 从 86.88% 降到 27.33%，代价是中文 CER 明显上升和语音 WER 小幅波动。

针对语音模型泛化不到环境音、频谱模型保不住语音时序的问题，JASPER 在共享 Transformer 上联合预测时域伪标签与频域块标签，原文报告 2000 小时下平均准确率 81.74% 与 XARES-LLM 两轨 0.66 和 0.50 的领先均值，但频谱权重极偏向 0.01 且推理仍只用波形输入。

该研究冻结八个语音编码器并在整段、仅语音、仅暂停三种放置下加入非语音干扰，用余弦漂移与四项下游任务损失对比，显示整段干扰下漂移可按声音排序任务损失，而安静到中等强度下暂停干扰漂移更大但语音干扰任务损失更大，且低于估计背景的干扰已可达到重复录制级别的漂移。

论文用 908072 段 AIS 标注录音说明部署间先验差超 200 倍、随机窗口验证比未见站点验证高出配对 0.049 的 ROC-AUC，因而主张按站点分组验证并扩大独立空间采样，空间专家模型仍只是待验证假设。

论文把声音事件识别的输出从单一确定标签改为类别加置信度加拟声词描述，用冻结编码器加可训练投影器与分类器实现分类与检索联合训练，在 31 类子集上保持分类能力，并在约 85% 准确率的模拟不确定条件下用大模型评价与 310 人听评显示拟声输出更有助于环境理解，代价是拟声不匹配会损害自然度。

论文把连续音频监护形式化为四态打断或静默决策，用两个特殊词嵌入解码，在 ESC-50 上报告 99.6% 中断 F1 与 100.0% 去重召回，在未训练的 Epic-Sounds 上保持 96.7% 起始召回，代价是嘈杂域静默召回仅 10.1% 与平均 3.5 秒流式延迟。

该文把鸟声编码到冻结语音潜空间后学习与系统发育距离对齐的低维性状投影，在性状空间做布朗运动祖先推断再经锚定逆提升解码为新波形，在两个支系上同时实现真实生成、系统发育一致与自然音质，但零空间纹理仍依赖现存录音锚点。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读