用户研究

该研究用口语找物放物游戏比较中性工具型与团队建设型智能体，发现后者在队友感知上显著更高但游戏成绩无差异，且人的信任倾向和神经质影响总体评分，韵律特征还能弱但显著地分辨对话对象。

针对参考试听中先要决定比哪两段的问题，Diptych 让用户自定整曲或自选片段的比较范围，再用 59 个结构化音频特征加语言模型解释差异，12 名音乐人单会话实验显示新增 10 条判断中有 9 条获双专家至少部分支持，但原有 38 对判断的双专家完全支持数从 24 变为 23，可用性均分 74.79 分而判断正确率并未整体提升。

Smorph 用共享的结构信号锚定时间组织、再用插值权重混合音色端点，在三类渐变任务上以更保守的目标偏移为代价换来更稳的节奏与音高保持，并通过预计算音色网格实现可演奏的实时控制。

SPHERE 针对 VR 室内布置中偏好无法跨次保留而导致反复改图的问题，用会话后提取的分层空间约束加检索重排的人环强化更新来复用用户逻辑，在 42 人受控实验中把总编辑数从 8.52 降到 5.62 并提高可用性，但结论只在指定画像和扰动房型条件下成立。

VoCa 针对多轮语音对话中纯语音难回看、难指代、难修订的问题，用语音与画布动作协同规划的方案组织讲解与留痕，五天 18 人实地使用显示易用但跟随与修订仍受限。

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

AdaptLingo 针对固定难度对话练口语容易过难或过简的问题，选择用时间声学特征预测初级中级高级流利度并以此控制 EIKEN 词汇生成与 TTS 语速，最强证据是标注数据上 95% 宏 F1 但噪声用户语音上仅 47% 准确率，主要代价是野外泛化不足与母语背景差异大。

该文用 228 篇文献的范围综述加 40 名口吃者与 30 名言语语言病理师问卷，报告研究集中于口吃辨识分类而用户更需要何时何地检测与可解释转写，并以英语中心与低开放共享为代价提出分类法与协作指南。

该研究用同一批被试在学习、导航、闲聊和听故事四种任务中交叉评价四个合成系统，报告应用场景会显著改变系统间差异，而虚拟现实数字孪生在宽松等价带下得到可比评分，但分系统看仍有不确定性且播放设备不同构成代价。

该研究用原住民主导的半结构访谈调查 39 名澳大利亚原住民英语使用者的语音技术体验，报告识别失败常被归因于种族并迫使向白人说话方式切换，代价是挫败、放弃使用和在家中也要持续语码转换的劳动。

AURORA 针对英语授课过渡期的听说与交际需求，用影子跟读测听力卡顿、用重叠模仿测发音偏离再加任务型对话与自动评估组织练习，夏季课程前后测报告听力卡顿与发音偏离显著下降，但未给出效应量与对照条件细节。

该研究用 7-10 天手表自发起生态瞬时评估结合心率与声学特征，把五级听觉吃力与 0-10 分疲劳二值化后分别以 68% 与 76% 左右准确率检出高负担状态，代价是连续评分预测不佳且约 32% 天级数据因缺失不可用。

本文针对聋人及重听人口音与非听觉验证需求，提出以可用、可验证、优雅降级与公平问责透明伦理为框架重构语音转文字、文字转语音与语音转语音，核心证据是受限数字任务下聋人发音 13% 词错误率而听人发音几乎无错，代价是数据稀缺、隐私与身份保持难题尚未解决。

该研究以三名非二元语音生成设备使用者的两轮开放式问卷为材料，用归纳主题分析得到日常整合、身份表达与横切的权力与能动性三个主题，报告显示可懂度优先于身份的妥协反复出现，而代价是样本极小且未构建或评测任何语音系统。

针对机场问询中口音英语可用性问题，LocalMATE 用口音估计加缓存、问答检索接地与口音条件语音加说话人脸视频组织端到端流程，最强证据是说话人无重叠下三类口音估计可用且正确适配提升信任而错配损害信任，代价是错配与视频增益有限且需以低置信回退到中性音来兜底。

针对听力图难解释真实交流困难的问题，该工作在 Apple Vision Pro 上构建咖啡馆、火车站与客厅三场景的空间语音加噪声演示流程，用 20–30 秒对话加理解问答和 Easy/Medium/Hard 预设呈现难度变化，8 人临床初步演示显示可用但尚未在听损人群验证。

Encypher 研究陌生人如何一起跳舞并共同引导实时神经音频，用 11 人课堂研究显示协作感达 81.8% 认同而个人控制感仅 63.6%，代价是 2 秒生成延迟和屏幕分散注意力的双刃效应。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读