统计分析

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

SRE24 音频轨围绕电话与视频伴音、变长注册与短测试、多语言与多人语音组织说话人确认试验，分析报告三段注册优于单段长注册、电话匹配优于视频伴音匹配、短测试与多人测试明显更难，而放宽训练数据的改善大于多系统融合的改善。

针对多系统分数融合采用全局映射会抹掉信道与性别等条件差异的问题，该文用嵌入推断离散隐条件并按条件做高斯生成式似然比融合，在 SRE24 评测上相对逻辑回归取得约两成相对改善，但代价是引入嵌入维度与条件数等超参数和更复杂的无监督训练。

该文用 14 维说话人一致构音特征比较 VCTK 苏格兰、英格兰、爱尔兰口音，以 DTW 对齐达到 99% 分类准确并以最优传输扩展到非平行语料，但 OT 需要约 7.5 分钟语音和上百聚类点才稳定。

该文把群体差异拆成嵌入偏置与嵌入方差，用单群体训练的线性音素探针检验偏置、用同音素近邻距离检验方差，发现方差与识别错误稳定相关而同域训练收益有限，且领域增强对抗微调未改变两项几何指标。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

论文指出全局离散符号困惑度把长程语义波动平均进声学判断，提出窗口化与局部化加归一化以及基于真实续写的人评与嵌入裁判评估，并在 SALMon 上以相关性提升与 84.1% 人类差距闭合为证据，代价是依赖转折时刻标注与裁判选择。

该研究只用未归一化脉冲响应估计模态频率、衰减与增益，用确定性峰残差前端定频率与行数、用不改频率行数的 MLP 只校准衰减增益、再用可选高频填充试探召回，官方 16 个文件主表 54785 行、增广表 71506 行，代价是高频插入行缺乏独立谱支撑且存在版本失配限制。

针对自然声景高噪声鸟鸣分类问题，论文用 Epanechnikov 先验贝叶斯小波收缩显式规则去噪，再以倒谱加谱指数特征训练监督分类器，最强证据是 10 维特征下支持向量机与多项逻辑回归准确率达 0.94 量级，代价是高维增益递减且部分高阶特征无贡献。

论文针对大音频语言模型在噪声下语义推理不稳定的问题，提出在模型内部嵌入空间度量噪声投影能量的 SEE 并用减去噪声子空间分量的 SEEN 做免训练缓解，最强证据是 SEE 与生成成功率呈约 0.98 负相关，而代价是需要对齐的干净与纯噪声标定数据且只能去除可分离干扰不能补回已丢失语义。

该研究把板混响辨识做成仿真推断问题，用多分辨率频谱摘要加神经样条流学习六维参数后验，再对每条测试脉冲响应做三轮定向仿真微调，最强可部署策略把全局误差降到 0.47×10-3，代价是每条约 2.5 h 的推理微调成本。

该研究用双轨应答蜜罐加音频指纹与商用合成语音检测器测量骚扰来电开场，报告机器发声至少占 26.9%，其中约一半是跨通话重放的录音，但合成标签只有约 54.4% 经盲听确认且阈值与播种历史显著影响读数。

该研究用 62 名巴西受试者的持续/a/元音检验特纳综合征是否存在可测声学偏离，发现 F1-F3 中心趋势和 shimmer 系统性偏低并用树集成模型得到 AUC 在 0.70-0.75 到 0.821 左右的初步判别，但仅 19 例患者且只用单一元音任务，尚不能作为临床筛查依据。

该文把音位识别错误转到 39 维区别特征空间做可复述诊断，报告跨 12 种语言替换错误中位距离 4 对随机基线 9、平均差约 2.8 且 PS 约 0.64，代价是只分析替换错误并依赖 soundvectors 特征与自举区间判断。

论文把讽刺、情感、是否疑问作为离散目标，用文本模型与语音模型分类器的交叉熵估计互信息，在单句无长上下文条件下报告讽刺和情感的音频信息比文本高出一个量级以上、疑问句仅约 2.4 倍，并以音频增量近似韵律独有信息，代价是韵律无独立模型且结论受标注与模型上界约束。

该研究用声音性别与头像外观正交变化的协作游戏二选一任务审计 10 个多模态大模型，发现闭源模型近乎强制声音外观一致、开源模型偏向高风险场景选男性且两种偏置可独立出现，而降低写实度只在部分强配对模型中减弱声音效应。

该工作把音频切段后用 CLAP 嵌入算段间余弦相似度分布并提取 29 个统计特征再用 XGBoost 与多专家集成判别，在 ASVspoof5 上 EER 为 17.7% 而在 In-the-Wild 上 F1 为 0.679，代价是 21 个特征出现训练与野外判别方向反转且音乐需用分位自适应才能跨域。

该文把线性探测、logit lens 与激活干预搬到 Whisper 与 Qwen2-Audio 上，追踪声学与语义表征如何随层演化，最强证据是解码器残差流可达 93.4% 幻觉判别与交叉注意力单头干预抑制 78.1% 重复，代价是合成语境偏置集与小规模探测集限制了泛化结论。

论文用线性残差化减去音素与二三音子成分后，发现英文预训练的 HuBERT 和 wav2vec 2.0 靠后层仍能在帧级别线性预测词身份，并在词发现中验证去音素表示的改善，代价是依赖对齐标签且音素去除未降到机会水平。