评测协议

针对精神病高危结构化访谈的长时双人对话问题，DIALOG-DeID 用可替换的语音识别加说话人分离加角色映射加文本去标识流水线产出带角色的脱敏转写，并用说话人归属词错率和限定词保留率证明总词错率 13.3±1.4 时归属词错率仍达 33.1±6.7 且 20-24% 片段丢限定词，代价是分离误差与小样本临床验证的局限。

针对合成语音来源验证被说话人特征干扰的问题，论文提出在双分支框架上加说话人解耦的切比雪夫损失与双曲黎曼损失，在 MLAAD 四种说话人-来源组合协议上以 ResNet34 加 RiemannSD-AAM 取得平均 EER 最低，但未见训练仍依赖伪说话人标签与固定超参数。

针对孟加拉语-英语句内语码切换在固定前视流式中被截断词缀的问题，论文用语音活动检测切分的 3 秒语义块调用离线全局注意力并配 750 词脚本锚定注入，在通用集上把形态误差降到 0.35 左右，代价是延迟随停顿变化且依赖语音活动检测质量。

针对参考无关文本生成音频评价中全局 CLAP 相似度与人评相关低的问题，ELSA 用大语言模型拆分声事件加语言查询分离加 Human-CLAP 分层打分，在四个基准上把与人评的秩相关显著提高，但绝对分值系统性偏低且未显式建模时序。

论文把唤醒词片段直接当注册语音研究无预注册的目标语音抽取，在五个真实噪声场景比较四个判别与生成模型并用大模型语音合成增强注册，发现合成注册能提升听感但语音识别错误率仍高于原始混合，存在可听度与可懂度脱节的代价。

该文针对英译中语音翻译中词汇重音易丢失的问题，用自建中文重音语料训练音节级检出器 Syl-BiLSTM 定义跨语言评测 CETS，并用带重音标签微调 CosyVoice3 搭建级联系统，最强证据是 CETS 句级 58.30% 与人评高度一致，代价是翻译 BLEU 略低于大模型基线且仅两名录音人。

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。

论文针对印地-英语混码语音的强制对齐提出两个可复述操作：用 bootstrapping 重映射词典解决 ph-f 与 J-z 自由变体，用句级混码数据训练声学模型对齐句中英语词，最强证据是混码模型平均中点误差 4.15 ms 约为单语模型的十分之一，代价是词典需人工校对鼻音与 schwa 且结论限于 MFA v1.0 与朗读语料。

该文把语音智能体可靠性定义为固定 306 通电话总体中无功能性失败且达成目标的百分比，用音频实测计时失败、用固定判分模型加工具轨迹判定语义失败，最强证据是去掉音频事件后分数平均虚高 24 分而排序仍受部署参数扰动，代价是单账单域与合成主叫限制了外推。

该文用与任务无关的逐层熵、曲率、不变性加跨层生成兼容矩阵来刻画 Wav2Vec2、HuBERT、WavLM 等模型的层级分工，最强证据是中层音素核稳定而深层出现熵塌缩与身份剪枝，代价是需要为每层另训生成解码器与线性探针才能把拓扑与任务接起来。

针对强零样本语音合成系统常规客观指标饱和、与人评排序脱节的问题，论文提出把本轮合成音频作为下一轮参考音频反复合成并聚合多轮指标的 I2D 框架，用十轮迭代把 UTMOSv2 系统级相关从 0.118 提升到 0.464，代价是合成与计算量成倍增加且更偏向稳定性而非多样性。

论文用冻结 Whisper 编码器加逐层线性探测研究孟加拉语电话样单元在第几层最线性可分，最强证据是中到后层峰值加 large-v3 晚层平台与 XLSR 陡降的对照，代价是标签为 uroman 粗代理且片段极短因而只宜做可分性解读。

论文追问思维链语音到文本翻译是否真用了语音，通过归因、加噪鲁棒性和韵律对照三路证据显示基线主要依赖文本转写，而在训练中混入噪声转写能提高语音利用率，但要以额外构造和训练干预为代价。

针对同一句话存在多个合理韵律断句而单参考评测会误拒有效变体的问题，论文提出用大模型从少量示例生成可复用的多参考查找表做评测，在 1356 条韩语标注上更接近人类判断，但多参考构建仍需推理开销与去噪过滤。

论文要解决强制对齐在多语言、多方言和自发语音上边界不准与流程难复用的问题，选择以隐马尔可夫高斯混合为声学骨架叠加更大规模数据清洗、国际音标词典、发音概率与适配重映射来改进，最强证据是英日韩四个基准上平均边界误差均低于 15 毫秒并在多数比较中领先，而代价是适配与音系规则的收益只在特定条件下出现。

论文把冻结说话人嵌入放到含大量干扰者的 1:N 检索中，测信道、噪声、语言、年龄四类失配，发现 ERes2Net 等多尺度监督模型抗滤波和老化但都过拟合英语语音，自适应对称归一化不改前端只校准分数即在电话到网络失配下带来普遍增益，但自监督跨语言骤降等短板仍在。

针对微调中损失曲线不能反映口音感知变化的问题，该研究用合成与真值元音空间形状的重叠面积与普鲁克鲁斯特归一化差异跟踪学习，并在新西兰英语与印度英语上报告与口音相似度评分的强相关，代价是只覆盖角元音与元音系统且需额外合成切分与共振峰流程。

论文把音位 ABX 改成韵律 ABX，用同一音段不同重音、声调、音高的三元组和 DTW 距离检验自监督语音表示是否拉开韵律对立，最强证据是 17 个模型在三语上显著优于声学基线且层间排序跨合成与上下文保持稳定，主要代价是英语重音上合成代理与自然录音相关性低且人类仍在日语和汉语任务上领先。

针对二值目标粗糙、时序对齐易错和真类概率坍缩问题，论文提出结合排序分与分布距离的连续目标 RanD 并为四种解码结构训练词级置信度估计器，在印地语与英语实验中报告了更低的校准误差与更高的区分度，但删除词与低资源表征仍未解决。

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。