言语障碍

论文针对治疗师缺乏失语症沟通练习对象的问题，用失语症语料微调轻量非自回归语音合成模型并加入停顿口吃处理与向量偏移扩增说话人，在语速停顿和可懂度指标上复现了失语症特征，但结论只在五十句脚本合成与所选临床指标范围内成立。

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

针对病理性语音的个性化语音重建，该文用带情景说明的最佳最差排序区分可懂度和整体重建，并用面向高可懂度分布与原始病理分布的双参照分布分数预测听感排序，代价是低可懂度重度组仍只有极少数零样本系统能超过原录音。

针对重度构音障碍语音与通用模型声学失配及数据稀缺问题，论文用先做词汇域适应再只微调编码器前端的个性化 Conformer 管线，在 UASpeech 平均词错误率 21.5% 与 TORGO 平均 12.7% 上报告优于此前序列到序列方法，并以移动端采集与持续重训闭环支撑儿童使用，但重度 76.4% 基线差距、儿童数据缺失与公开可用性仍受限。

该研究把儿童咝音切成 64×64 语谱图，用经典、稀疏、多任务三种卷积自编码器压成低维向量再交支持向量机判读齿音还是卷舌音，最好的多任务配置灵敏度达到 84.31%，代价是约三分之二超参数组合退化且数据高度不平衡。

针对构音障碍语音可懂度差异大而数据少的问题，该工作冻结 HuBERT-large-ll60k 主体、只训练可懂度调节器与识别器，用通道级缩放平移把可懂度信息注入声学特征，在 TORGO 留一说话人测试下把平均词错误率从 54.0% 降到 21.0%，代价是仍需 utterance 级可懂度嵌入与两阶段训练流程。

针对波兰语儿童卷舌擦音与塞擦音的齿化、龈腭化和齿间化问题，该研究用 28 个 500 Hz 噪声能量与摩擦共振峰比值结合线性混合效应模型检验发音位置效应，最强证据是齿化在 FNER 比值上解释近 30% 方差且高频差异延伸至 14-16 kHz，代价是类别不平衡使稀少齿间类的估计精度下降。

针对可懂度仅 20.9% 的重度构音障碍单人长时数据，论文用 BLSTM-HMM 从零训练与 Whisper 英文模型微调做说话人相关识别，并把微调后的 medium 模型泛化到 TORGO，最强证据是 medium 测试词错误率 10.5% 与重度组平均 6.4 个百分点改善，代价是需要十小时级单人数据与大模型微调成本且极重度个案未获益。

论文用混合访谈音频考查音频语言模型能否只总结儿童语义并保留口吃特征，最强证据是端到端模型在蕴含判断上偏向肯定类而级联基线用准确转写可恢复矛盾检测，代价是重度不流畅与成人干扰下忠实度明显下降。

针对片段级标注无法给出帧级起止时间的问题，该文用保持时间维的多实例网络在片段监督下同时做片段分类和零样本帧切分，在 CASA 帧级 F1 达到 0.70 并在 SEP-28k-E 多标签片段任务上多类取得最优，代价是对长阻塞和 prolongation 仍不稳定且依赖 3 秒窗口。

该研究把严重度评估做成四分类并用训练全程梯度对齐估计每个训练样本对每个测试话语的影响，再用受控删除验证解释忠实度，最强证据是删高影响样本导致中度准确率从 36.8% 掉到 0.3%，代价是基分类器简单且轻度类基线极低。

针对构音障碍说话人差异大而单一全局模型建模不足的问题，该文把模型拆为说话人无关与说话人相关两部分并用说话人相似度加权平均，在 UASpeech 上最高降低 0.99% 绝对词错误率、在 TORGO 上最高降低 0.56%，代价是每轮要分步训练并额外计算相似度。

该文用 SAP 语料先做 LoRA 无监督域适应再冻结 Wav2Vec2-Large 做 25 个 DAB 维度的层探测与可学习标量混合，报告显示最优单层随维度变化而混合优于单层，但标签偏态与时序池化限制仍在。

论文以口吃语音为案例提出意图转写与逐字转写是两种并存的正确答案，用 11 个模型证明最优排名随参考答案翻转，自回归模型偏向意图、CTC 模型偏向逐字，而 ISR 与 MUR 事件是两类任务共同的误差主力。

针对颈表加速度区分创伤性与非创伤性发声过强问题，论文用静态、动态、比率、耦合四层特征加被试分组交叉验证，报告任务一 AUC 0.891 而任务二仅 0.728，代价是复杂特征对非创伤性亚型仍不稳定。

该研究用玩具问答诱发对比性焦点与两种手势，报告象征手势拉长目标音节时长、典型发展儿童压缩焦点后时长而自闭症儿童对手势呈现更弥散的缩短，支持多通道整合困难的解释且代价是效应集中在时长而非基频扩展。

针对构音障碍语音识别，该文比较四种病因知识用法，发现同码流内先预测病因再转写在 SAP 上达到 7.77% 词错误率，代价是训练仍需临床标签且代码链接当前不可用。

针对原发性进行性失语临床语音稀缺问题，HASS 用词汇检索损伤层与音素编码损伤层串行仿真 logopenic 变体的内容与语音共现损伤并经语音合成生成严重度可控语料，只用合成数据训练的 Wav2Vec2 低秩分类器在真实跨机构测试上报告更高曲线下面积与更小跨折方差，但离散音素编辑与为流利语音优化的合成器仍是明确代价。

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。

针对构音障碍语音数据稀缺且误读高度个人化的问题，该研究用说话人相关的音素映射矩阵指导典型语音 PPG 的音素替换，再结合说话风格转换和音素级变速做数据增强，在 UASpeech 上微调 HuBERT 后整体词错误率报告为 19.53%，代价是需要配对的典型与障碍语音做映射统计与强制对齐且合成器需两阶段训练。