生成模型

DriftTTS 针对少步声学模型依赖教师蒸馏和固定轨迹的问题，用梅尔域分布匹配漂移力加同策略展开训练四步解码器，在 LJSpeech 上以相近客观指标和盲听自然度接近基线，代价是推理步数不能超过训练深度且长时稳定性仍需更多验证。

论文针对发布语音会被神经编解码、声码器和增强模型重建而抹掉水印的问题，提出在生成全程参与嵌入并在波形与频谱两路按比特选可靠恢复的 Thrive 框架，在两种自回归合成器上无攻击时比特准确率达 0.999，重建攻击下平均约 87.6%，代价是需要两阶段训练与双专家恢复结构。

针对多模态情绪冲突、缺显式表达指导与文本误差向后传播问题，EmAvatar 用多视角并行感知加多轮问答裁决做情绪识别，再用合成脚本加迭代精修指导音视频合成，在 AvaMERG 四任务上报告了可核对的提升，代价是情绪识别阶段约十秒级额外推理开销。

针对说话人音频驱动听众头部反应的时滞对齐与局部表情随机性问题，REALM 用延迟先验门控融合做粗轨迹再只在表情子空间做音频条件随机残差，在 ViCo 与 L2L 上降低表情与姿态误差并改善帧间动态，但刚体姿态分布与部分方差指标仍有基线更优的反例且依赖离线窗口与机器人专用重定向。

该文把板混响辨识做成基于仿真的推断，用多分辨率谱摘要加神经样条流从脉冲响应学参数后验，再对每个测试样本做三轮定向仿真精修并用波形重建误差做选择，在 50 条测试脉冲上把全局误差降到 0.47×10 的负三次方，代价是每次精修约 2.5 小时。

无配对漂移只优化干净语音的边缘先验而丢失内容与音色，本文用内容锚、身份锚和键控条件先验把输出拴回退化输入，在 VoiceBank-DEMAND 上把词错误率从 11.7% 降到 10.1%、说话人相似度从 0.490 恢复到 0.879，代价是背景质量随键强度下降且去混响质量未改善。

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

针对流水线式语音助手靠静音超时切轮导致迟钝打断的问题，DualTurn 用双通道生成式语音预训练学对话动态再微调出六种信号组合成五种智能体动作，在 Switchboard 上以 wF1 0.633 超过 VAP 的 0.389 并提前约 220 毫秒预判轮替，但回声信号精度仍低且训练限于英语双人对话。

针对 Genhancer 中 FAVOR+ 近似导致聚焦不足与特征多样性下降，论文以保持线性复杂度的 Hydra 替换全局注意力并保留扩张卷积负责局部建模，在 DAPS 真实重录上以 106M 参数在多项指标超越 FAVOR+ 并接近 Softmax 上界，代价是长输入外推与生成幻觉仍需单独验证。

针对扩散增强需要多步迭代带来的延迟问题，论文用漂移模型把去噪写成前推分布向干净分布的平衡，用语义潜空间的漂移场做单步映射，最强证据是直接映射在 VoiceBank-DEMAND 上报告 PESQ 3.15 和 SI-SDR 16.1 dB、条件生成报告 SCOREQ 4.33，代价是注入噪声会牺牲波形精度且非配对下配对指标明显下降。

STArK 针对文本到调音运动数据稀缺问题，用冻结 SPARC 提取的伪标签 EMA 加音高响度训练非自回归文本到调音模型，在 LibriTTS-R 上用对齐与韵律条件对照证明 EMA 轨迹与可懂语音可同时生成，而音高建模仍是主要代价。

论文在同一神经音频编解码器下比较连续表示预测与离散词元分类两种增强路线，报告全微调连续路线在多组 DNS-MOS 上领先且增强器计算量更低，代价是仍需完整编解码流水线与干净语音先验码本。

论文用西弗里斯兰语检验大模型生成式纠错能否超越五选一上限，靠公开集加非公开离线集对照排除记忆，最强证据是 GPT-5.1 把词错率降到公开集 8.9% 与离线集 13.8%，代价是开源小模型几乎不改写且插入词判断仍不稳。

该研究把对抗扰动从波形搬到冻结 DAC 的连续隐空间，用条件生成器一次前向产生目标扰动，在语音指令、环境声、声场景和说话人验证上报告最高 99% 量级目标攻击成功率与 7 毫秒内推理，但以白盒可微流水线和冻结编解码器为前提。

针对自由文本下每条条件只有极少真实样本而难以估计条件分布的问题，DriftAudio 保留文本条件生成而在冻结特征空间匹配边际分布，从 MeanAudio 出发把 FAD 从 1.68 降到 1.11、FD 从 15.43 降到 12.71，从 FdAudio 出发把 FAD 从 1.22 降到 0.99，代价是部分起点上的 IS 与 CLAP 出现回落。

Passing 把一段多摩单轨车窗连续录像堆成时空体并沿非线性截面重采样出无尽画面，再用去掉视觉语义分支、只留时间对齐与车内环境声语义锚定的 SpecMaskFoley 实时生成同步声，代价是最终展览声景没有可复算的客观正确性指标，只能靠现场稳定性和艺术协商来收敛。

该文把固定脉冲与随样本指数加长的滤波器做时变卷积并扩展到球谐域，用近最小相位滤波器拟合由非平稳高斯过程采样的方向相关混响时间，以快速分治卷积从噪声或已有脉冲生成新的空间脉冲响应，代价是滤波器阶数不足时指数放大会放大拟合误差且长混响方向必须更平滑。

针对语音特征缺少显式人脸空间结构导致口唇与表情不准的问题，该文用音频预测的 68 点地标做局部空间增强与全局补偿来修正三维高斯属性偏移，并在自驱动与跨驱动条件下验证同步与重建，同时以阈值与几何正则的取舍为代价。

针对域增量下旧音频不可回访且新专家对旧样本缺特征的问题，该文用冻结追加专家加无数据回放与跨域特征补全，在 DCASE 2026 任务 7 上报告 78.4% 微平均与 78.9% 宏平均，代价是专家数与拼接维度随域数线性增长。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读