语音可懂度评估

该文针对日语正字法与发音不是一一对应的问题，用输出片假名的识别模型计算假名域误差作为强化学习奖励，在相同分组相对策略优化条件下把目标汉字读音误差相对降低约 26%，同时保持了相近的正字法误差、说话人相似度和客观音质，但无约束时会引起输出明显变长，需要 KL 正则抑制。

针对纯音听阈无法反映的耳蜗神经退变，研究用内毛细胞到听神经的互信息损失在低语境 VCV 音节上比较时间与噪声探针，发现 40% 压缩加调幅噪声的建模损失最大，且该组合是行为实验中唯一显著区分自报噪声聆听困难组的条件，但安静下接近天花板与个体阈值校准限制了因果归因。

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

针对新型鼻式电子喉数据稀缺与声学特殊问题，论文在统一序列到序列框架下比较梅尔谱与 WavLM 特征并用局部线性嵌入合成配对数据预训练，最强证据是梅尔谱 ETN-VC 把可懂度字错率从 72.0% 降到 63.0%，代价是主观自然度评分仍落后于 WavLM 系统。

该研究用同一房间连续呈现 10 句三词句的方法，比较早沉浸、晚沉浸与非沉浸三组听者在非声码与 8 通道声码条件下的词识别率与瞳孔峰值扩张，报告声码使识别率明显下降而适应变化趋势在各组间相近，且瞳孔扩张随句序总体下降。

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。

该研究把二语可懂度操作化为音素错读特征上的回归问题，用 600 条人工评分录音训练 AdaBoost 决策树，以可懂度相关 0.74 超过语音识别词错率基线 0.67，并用特征重要性给出分音素的误差排序，但代价是只用切分特征且样本偏向中高水平。

论文以芦苇为声源、以双手为外部滤波器研究卡西五个元音，用手部运动追踪、共振峰声学与 24 人听辨证明手部可构成可懂元音空间，但高基频压缩与 o-e 混淆带来准确率与反应时损失。

论文针对固定隐私变换在不同语句和说话人上泄漏差异大的问题，提出只用变换后音频计算异构 ASR 文本分歧的 CLEAR 方法，在 100 条语音乘 13 个 Kirigami 工作点上与留出强攻击者的音素错误率达到 Spearman 0.8 的跟踪能力，而三模型集成以约 0.30 s 延迟实现可部署的运行时反馈。

该研究用 25 人 fMRI 区分干净与噪声语音，提出三阶段迁移解码框架 NeuroPAS-Net，在右侧中央前回达到 79.3% 准确率，并据此导出神经指标 NeuroPAS 对两种增强排序，但相关性经校正后并不显著且样本局限于年轻正常听力者。

该文研究话语级多维构音障碍评估，用冻结 CTC 音素识别器的后验不确定性加音素错误率构成 11 维 PED 特征，在四个主要维度上达到平均 AUROC 0.80，接近 HuBERT 的 0.81，代价是精细等级排序仍弱于黑盒表示。

该研究用合成语音控制发音变量，对比可读性与转写错误，发现现代端到端语音识别的字错率与全局可读性指数近乎正交，而人类感知难度仍与错误相关，内部不确定性也未随文本变难而上升。

该研究用有无逗号的歧义句考查合成音的韵律可懂度，发现压缩音高变化的单调处理影响很小，而与韵律线索无直接语音关联的机器化音质只在有逗号句上提高了图片匹配正确率，问卷上情感音仅提高了自然度评分。

本研究以 30 名台湾华语韩语学习者的四选一尾音辨认任务检验韩语塞尾音/p,t,k/的感知，报告/p/>/t/>/k/的层级与元音条件混淆转移，而初级与中级组间无显著差异，代价是小样本、课程分组与双发音人刺激限制了推广。

29 名粤语母语者在 126–217 Hz 纯音上做 8 次 ABX 自适应训练后，oddity 测得的平调与曲折调恰可察觉差都下降，而词识别增益几乎只出现在 0 dB 和 -5 dB 噪声下且 T1、T3、T4 能泛化到新说话人，T2、T5、T6 则不能。

该工作以口腔与口咽癌患者可懂度评估为任务，用 PWCCA 逐层度量 Wav2Vec 2.0 表征与 eGeMAPS 低层描述符的线性相关，最强证据是频谱组 0.77 与韵律组 0.71 在末层仍高度相关而嗓音质量组仅 0.65，代价是只做相关性解释而不证明因果与可部署替代效果。

针对跨数据集可懂度预测退化问题，论文提出先在源域预训练再用适配器加对比学习做少样本适配的 CFA-SIPNet，在 Arehart 目标集上以每听者 100 个样本实现 RMSE 26.05 与 PCC 0.75，代价是仍需少量有标注目标样本且未验证更复杂声学环境的稳定性。

该文以 168000 次合成语音自动识别转写和 15 人先导听写实验检验五个语言复杂度等级，显示 9–19 词自然语法句错误最低且语法优势随信噪比改善而扩大，因而主张噪声下不做简化、保持语法完整，但人类证据仍是小样本先导结论。

针对日语视障读屏用户在 150–500 WPM 下的理解问题，研究用贝叶斯项目反应理论同时估计题目难度和人的能力，最强证据是 300 WPM 以上可理解性系统下降且个体差异 SD 达 0.91–1.10，代价是 N=11 导致可信区间平均宽 1.29 且无法可靠估计交互作用。

针对厌声症缺乏可扩展客观评估的问题，论文用浏览器游戏化语音噪声测试把个人化掩蔽声与自适应阈值结合，试点显示自选讨厌声下识别率最低而代价是小样本与设备未校准。