生物声学监测

U-STFT 把窗长选择写成逐帧的三动作序列决策，用归一化三阶 Rényi 熵打分并在格子上做贝叶斯混合，在双曲 chirp 上以 0.526 nats/帧 的后悔低于 0.760 nats/帧 的界，在语音上以 93% 长窗保持 12.27 bits 全局集中度，代价是每帧要算 O(smax) 个候选谱并维护伴随合成流。

论文要从枪虾主导的浅海噪声中检出海豚 click、buzz 和 burst-pulse 三类宽带瞬态叫声，采用直接处理波形的轻量一维卷积网络 TRIDENT 配合可控信噪比混合与归一化训练，在混合测试集上虚警率 1% 时检出率达 0.844，代价是依赖合成训练与人工挑选的难负样本且结论限于新加坡周边数据条件。

论文研究无大标注时如何检测鲸叫，用固定预训练嵌入加原型小样本分类，通过匹配输入表示和多标签打分在南极蓝长须鲸和南非布氏鲸上验证，代价是仍低于全监督上限且依赖极不均衡下的排序指标。

论文用 1383 段 coda 研究把点击间隔节奏和对数梅尔频谱分开编码再融合能否同时保留群体、类型和个体信息，主证据是随机划分下融合表示的宏 F1 为 0.901/0.865/0.597 而纯间隔特征在类型上仍高达 0.987，代价是按录音日期分组后性能明显下降且个体识别仍不如简单的间隔加时序梅尔拼接特征。

论文把吠叫事件与可见犬只轨迹关联到持续存在的犬只档案，视觉分支做检测跟踪与吠叫打分、音频分支做注册式声纹比对、融合层维护档案，在 46 个视频 213 个事件上可见定位 61.83% 而遮挡与画外音仍是主要代价。

在跨域蚊种分类中论文报告编码器越强越依赖单个 MMD 对齐项且越被域重平衡采样伤害，并用四编码器族加 HuBERT 五层扫描合并八个表示验证后给出只保留交叉熵加单个 MMD 加增强的精简方案，其代价是该结论只在留域划分和多种子区间下成立。

论文用保留与归一化脉冲间隔的配对录音对比卷积与 Transformer 流程在同条件与跨条件下的物种分类准确率，发现归一化未给 Transformer 带来更大优势且跨到自然录音时性能下降，证据只支持有限作用。

论文针对标注很少且教师本身也在同样少标注下训练的声音分类，提出先把真值换回前 k 高置信集合再把支撑内关系、支撑与补集质量、补集内关系分开蒸馏，在城市声场景和鸟鸣两个基准上稳定优于独热基线和常规全分布蒸馏，但对其他强蒸馏基线的相对优势随任务、预算和指标而变化。

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。

该研究以 5129 段野外蜂箱录音判断有王与失王，在蜂箱无关划分上比较了梅尔特征、多分辨率梅尔、调制谱与两种预训练音频 Transformer，最强证据是二维调制谱加任务专用卷积网络取得 AUROC 0.81 与 AUPRC 0.37，而在蜂场无关划分上降至 0.63 与 0.26，代价是跨蜂场泛化仍未解决。

针对被动声学监测每夜数十 GB 超声数据的问题，该工作把短时傅里叶特征加轻量谱减与全量卸载到 MVP 加速器的 8 比特 CNN 做成边缘门控，在空间异域低流行率下报告 AUC-ROC 0.9748 并抑制 99.4% 噪声帧，代价是只保留 65.3% 蝙蝠叫声且 100 毫秒窗仍需 104.00 ms 端到端延迟。

针对 84 类、60 种采样率混合语料的物种分类问题，论文用原生采样率连续滤波器组保留带宽并统一为固定尺寸特征，再用傅里叶神经算子做全局频率时间建模，最强证据是 SFI-FNO 达到 0.906 准确率与 0.899 宏 F1，代价是未做增强时对采样率扰动敏感、需用温和采样率增强抑制捷径。

针对声学基础模型分数不可解释为出现概率的问题，论文用全球数据集学到的 Platt 校准参数迁移到新站点，再以贝叶斯融合加入地理先验，在保持排序能力的同时改善校准，其中 NBSP 在两模型两数据集上取得校准与判别的最佳平衡，但物种级参数预测未能稳定泛化。

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

该研究把评价从分类分数转向可解释探针，用 88 个 eGeMAPS 特征和线性与非线性回归探针测量六个预训练嵌入的可恢复性，最强证据是响度最好恢复而基频最难恢复，代价是拼接嵌入虽互补但高维时反而可能降低任务相关特征的可恢复性。

论文研究分散在不同类群和地区、不能共享数据的生物声学分类器能否通过任务向量平均直接拼合，证据是 661 种上达到 59.2% 准确率且任务向量近正交，代价是相对联合训练仍有约 9.4% 的组成差距且大类群掉点。

针对啮齿类超声发声在声谱图上窄带、短时、稀疏难检的问题，USV-DETR 在 RT-DETR 上加入 P2 高分辨率层与 DEIM 稠密监督，在 SqueakOut 上达到 78.7 的 AP，代价是引入 P2 后解码器注意力计算量上升且参数增至 34.5 M。

针对支持样本与查询音频都被背景声污染的单路五样本声音事件检测问题，论文提出冻结音频编码器、仅把目标原型向背景向量正交子空间投影的 POP-SED，在 DCASE2024 任务 5 验证集上用 BEATs 取得 62.35% 的事件级 F 值，代价是背景混合数增大时子集搜索按 2 的 M 次方增长。

BioDCASE 用固定 PerchV2 嵌入和两层分类头比较了 14 种批量主动采样策略，最强方法以四子集平均学习曲线下面积 0.507 超过随机采样的 0.401，但增益在 HSN 高达 67.1% 而在 ATBFL 仅 8.0%，且更小批量带来两倍计算代价。

针对标注少且跨天跨点易失效的动物声音时频框检测，MAST 用域内掩码预训练加适配检测器再加两阶段自训练，在雨林和鸟类两域的分布外评测上提升 F1 与 mAP，代价是第二轮后域内精度波动与更大计算量。