系统综述

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

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。

该综述以 38 篇一手文献追问实时语音智能体何时说、如何说与是否真做成，指出级联仍是可自托管部署的现实选择、评价正从部件质量转向对数据库状态的验证，而多人场景正在瓦解双人对话假设，并据此提出时机—恢复—落地的最低联合报告标准。

该文以神经多样性为镜，对 1976 至 2025 年 Interspeech 与 ICASSP 的 117 篇论文做范围综述与话语分析，报告诊断检测占 78%、临床人员为目标用户占 56%、仅 2 篇由残障者参与评估的失衡格局，并提出转向社会模型的参与式研究路径。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

该综述按 PRISMA 筛出 2014-2025 年 27 项急救电话语音研究，发现 78% 做呼叫优先级排序且近半依赖情绪识别，但仅 7 项评估临床或运行影响、14 项依赖模拟语料，说明算法性能不等于分诊可用性。

该研究以 2001 至 2025 年 104 篇 NIME 论文为语料做归纳主题综述，发现创新集中于按键连续触感而布局仍被西方十二平均律钢琴形主导，并以跨文化多稳态与非西方乐理键盘为出路，但代价是分类依赖文本自述且未触及实物手感验证。

该综述把视频大模型开销定位到帧选择、编码器、连接器压缩与大模型预填充解码四段，显示约 25 % 视觉 token 保留下多类方法接近基线精度，而推到约 10 % 保留与流式内存时必须显式建模时间冗余并计入选择器与编码代价。