语音可懂度评估

针对增强伪影损伤识别的问题，该文提出免训练的置信度加权观察相加方法，在多种增强与识别组合上降低词错误率，但当含噪与增强差距过大时仍可能不及最强单路。

针对歌词可懂度主观感知与自动语音识别转写正确率不一致的问题，该工作把手工声学特征与 Whisper 编码器表示融合后用回归模型映射为连续分数，在 Cadenza 2026 人工标注数据五折验证上 CatBoost 取得均方根误差 27.367 与相关系数 0.654，代价是仍依赖参考文本的侵入式条件且未验证端到端与跨场景泛化。

论文比较基于三音子后验不确定性的 PHOBI 与基于 WavLM 加教师-学生模仿 HASPI 的 HASA-Net+，在 10500 余条双耳可懂度与听觉费力度评分上总体相关超 0.88，而 PHOBI 平均误差更小但在食堂噪声低信噪比处出现可复述的失效模式。

该文把近端聆听增强做成在谱-时间调制域上学习全局掩蔽并保持总能量不变，在多种噪声和客观加主观指标上报告了优于时频基线的平均增益，但低信噪比下个别条件仍被基线反超且主观验证规模很小。

该研究用高能量 glimpse 比例均衡能量掩蔽后比较英语与普通话竞争语音及调制受控噪声，发现降低频谱-时间调制带来的释放可抵消能量掩蔽增加，语言差异的信息掩蔽释放只在低能量掩蔽时显现。

PathBench 把病理语音可懂度评估限定为无需可懂度标签训练的协议比较问题，用六个公开数据集和三种取材协议检验参考条件与刺激类型的影响，新提出的 DArtP 在免参考方法中平均相关最高但仍以显式参考方法为上限且受对齐与录音条件制约。

针对语音匿名后词错误率与人耳可懂度脱节的问题，该研究用 96 组最小对立体做众包实测可懂度，并让 12 个语音识别模型同样参加二选一测试，发现多模型硬投票在条件聚合上达到 0.985 的决定系数，而后验置信加权没有带来增益。

该文在干净与多种噪声及信噪比下比较经典与神经编码的句子级可懂度和听音努力，并检验编码前语音增强的作用，最强证据是低信噪比下经典编码更稳健而增强能显著挽回部分神经编码的可懂度，代价是效果因编码器和噪声类型而异且低信噪比主观评分一致性下降。

该研究用只保留前三个共振峰轨迹的正弦波句再做噪声声码器模拟，比较去掉 F1、F2、F3 后的普通话句子识别率，报告 F2 最重要、F3 影响最小，但包络截止频率和频带数会调节 F1 与 F2 的相对权重。

针对噪声下可懂度任务，论文用流匹配语音合成同时控制发声努力与清晰度两个维度，在发音拉开时词错误率明显下降，但极端用力合成会偏离识别器分布并带来自然度代价。

针对病理性语音可懂度评估需要准确且可解释的问题，ART-NAD 用说话人无关声学到发音反演得到的九通道准声道收缩变量替代 NAD 的 wav2vec2 特征做多变量 DTW，在 20 个参考音频协议上平均说话人级 Pearson 相关与 NAD-FA 持平而可定位到具体收缩通道，代价是反演模型只在英语 EMA 上训练导致非英语连贯语音出现差距。

该文把语料看作语音相似 utterance 图，先用零模型检验其聚类与模块度，再按社区分层加稀有音素播种做时长预算选择，在孟加拉语和英语 20% 预算下均显著降低合成可懂度误差，孟加拉语还以 4.5 倍更少训练时间超过全量训练。

论文把带侧支亥姆霍兹腔的通气耳道建模为二端口传输问题，导出音频带预算只由总腔体积与通孔面积之比决定，再用危害加权注水分配证明低频选择在通气类中接近无效而中高频匹配设计可达十二分贝，代价是每 1 分贝言语代价约换 1.3 分贝防护。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

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

该研究以法语单音节与双音节无意义词为材料，用声学时长与喉头仪信号加听辨实验检验耳语中清浊对立的保持机制，最强证据是耳语仍可听辨且时长对比基本保留，代价是塞音后接口塞音时尾音节清浊时长对比消失。

本研究以法语快速噪声言语测试固定四人声嘈杂条件追踪 10 岁至 20 岁九个月正常听力者的 RSB50，报告随年龄平均改善 1,93 dB 并以中介模型显示 Stroop 不一致条件反应时解释 20,5% 的总效应而数字广度无显著路径，代价是熟悉度顶格与横断面设计无法确立因果。

该研究以 CLEAR 文本经合成语音再由 Whisper Tiny 识别为链路，用全局可读性指数与词错误率检验文本复杂度是否影响识别，最强证据是转写前后指数相关 0.97 而指数与错误率相关仅 0.03 且回归无法预测，代价是人类判断仍保留约负 0.28 的相关而未做真人听测验证。

针对非专家用户难以编写 PsyToolkit 脚本的问题，DYE 用 R 与 Shiny 图形界面拼装强迫选择与李克特量表并生成可直接导入编译的代码与图片，代价是目前仅覆盖 PsyToolkit 有限子集且多元素需顺序呈现。

该研究把句子真假判断改为听句看单图做符合判断，用正常、戴咬合块、咬合块加鸡尾酒噪声三条件验证敏感性，用 1.0 版 87.7% 与 1.1 版 97.9% 的正常条件正确率暴露并修复图像歧义问题。