语音交互

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。

针对第一视角视频音频流中何时说话与说什么的联合问题，论文用分离与重合成清洗指导录像，再经监督微调学听或说、经偏好优化调时机，在 170 段基准上以起始 F1 与内容相似度为最强证据，代价是召回仍低且内容略有回落。

MemoCare 针对 MMSE 式异构交互难在手机上自动评分的问题，用语音转写加任务规则、GPS 加历史地名库、触屏事件校验和轻量视觉模型四路分工处理，并在 151 例软件用例、71 张锁定画图和 4 名临床医生检查中给出有条件的技术验证结论。

论文为无网或弱网的非洲语言社区设计了一套离线语音交互流水线与两档硬件清单，并用三款 2-5B 指令模型在四种量化精度下的吞吐、内存、功耗与多语言分类准确率证明 Q4_K_M 是最兼顾速度与质量的部署选择，但树莓派首字延迟与奥罗莫语识别仍是短板。

该工作用 100 小时人工核验对话做可靠评测、用 2000 小时自动标注对话做大规模训练，两路都保留同步的分人音轨和多维标注，并在分离、识别与轮次检测上验证了互补价值，但跨域远场与合成等待样本仍有限制。

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。

论文用 1018 项 VGBench 诊断语音大模型在文字相同时能否按声学语境决定静默或调用工具，发现现成模型最高仅静默 14% 的切换指令，而联合监督训练 VoxGate 在保持正向控制全对下静默 91.3%，但该门控依赖声源与距离多线索组合且跨场景不稳定。

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

该文把主动语音交互拆成四个可判定任务，用 1182 条合成语音样本测何时介入与介入做得对不对，发现主流多模态模型普遍过度触发且思维链能部分缓解但未根治。

该研究用剧本对话比较人与 AI 交谈者在中性和负面语境下的粤语发音，发现对 AI 时目标词更短且特定声调 F0 轨迹发生局部偏移，而负面情绪仅边缘性扩大元音空间。

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。

该研究在成人组与家庭组的多人对智能体访谈中检验局部与全局趋同，发现人与人局部趋同强而与智能体局部趋同缺失、全局趋同微弱且依赖队列，代价是高度结构化访谈与小样本限制了推广。

针对印度初学者母语混英语代码词的口语提问，CodeVaani 用分语种语音识别加代码感知转写修正再接代码模型作答，在 500 条真人语音上把词错率降到 8.1% 左右并获得超 89% 公平以上评价，代价是依赖双 H100 异步流水线且未验证多轮与延迟。

28 名中国英语学习者以听后跟读方式分别模仿人类女声与 Azure 神经合成女声，结果人类声在归一化嗓音起始时间上诱发更强趋同而合成声在元音时长对比与强度节奏上诱发更强调整，代价是结论只限于女性、无明确模仿指令的句子跟读条件。

本文针对噪声、混响和竞争说话导致语音智能体做错动作的问题，提出 TRACE 配对比较工作流，用原文与声学压力拷贝的任务成功、违规、恢复和用户代价对照来定位失败，代价是需要为每个应用自建任务、录音与评分规则且文中示例计数均为假设说明而非实测性能。

WASIL 针对阿拉伯语级联语音助手的用户差评混杂问题，用 9304 轮野外语音加双路 ASR、金标改写与可回答性标注分离转录与问法因素，并用多法官无参考评分报告金标与 ASR 输入下的性能差距与方言代价。

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

论文用十对多合流与少合流粤语者的无脚本密室游戏对话检验声调超音段适应，发现少合流者缩小三声与六声的归一化基频距离以靠近多合流者、两组在对话末尾对齐而前后朗读无变化，支持目标驱动的音高区间趋同而非简单的去合流模仿。

该研究用协作放图游戏诱发英语紧松元音误会并以归一化时间为轴跟踪 F1、F2 与时长占比，发现英语者在与日语者对话时缩短/ɪ/扩大时长区分、普通话者降低/ɑ/的 F1 与 F2 扩大频谱区分且超过英语均值，而对话前后朗读无保持，代价是每组仅 5 对且只报告两组元音。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读