语音合成

共分析 137 篇 ICML 2026 论文

论文用先预测文本词再生成对应语音段的序列构造解决语音到语音续写的内容建模问题，最强证据是在相同模型和数据下生成困惑度从 151.7 降到 58.9，蒸馏与文本回放进一步保留事实知识，代价是需要词级对齐和双头生成。

针对幅度谱损失丢掉相位、难以端到端学准基频的问题，GOLF-inv 用加性声门源加状态空间格型声道滤波器做可微合成，以谐波支路波形误差加全信号谱损失做无监督训练，在歌声上实现相位对齐重建并直接读出瞬时频率与声门闭合时刻，但频谱失真仍不及使用外部基频的 GOLF。

论文把全模态生成收紧为给定当前页图文与结构化下一页条件的三路续写，用 900 个经人工修订的故事转场同时检验条件实现与跨模态一致，32 组对照显示大视觉语言模型编排最可靠而视觉连续性是已评配置中最清晰的瓶颈，但语音区分度与聚合口径限制了细粒度排序。

论文把声道建成可微声学管道，用频域传输线求解与可微湍流门控合成元音辅音，再用神经场参数化做梯度反演，并在自监督声码与无配对语音到 MRI 视频上验证，但逆解不唯一且鼻腔未建模。

针对掩码预测偏向语言内容而重建目标理解偏弱的矛盾，SPEAR-Gen 用任务对齐融合构造离散目标并联合对数梅尔重建与残差流匹配，在保持 SUPERB 语言性能的同时把重合成质量从 PESQ 1.20 提升到 2.94，代价是需要外部标注做目标构造与双解码器联合训练。

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

论文用同一无说话人条件的生成器把每种内容表示重新合成为语音，再测内容、说话人和韵律保留了多少，发现有监督表示只有在容量被显式约束时才解耦说话人，而码本大小只在同一机制内微调。

本文追问现行人工智能透明度义务为何只盯合成语音输出而漏掉可携带的说话人嵌入模型与多分支合成工作流，并以文本转语音、声音转换、说话人验证与语音识别的趋同证据说明监管语言需要补上模型全生命周期与工作流环节，代价是需要处理助残与身份认同等特殊用途的例外设计。

该研究用同一批被试在学习、导航、闲聊和听故事四种任务中交叉评价四个合成系统，报告应用场景会显著改变系统间差异，而虚拟现实数字孪生在宽松等价带下得到可比评分，但分系统看仍有不确定性且播放设备不同构成代价。

针对刚性槽位式语音合成难以处理自由形式用户请求的问题，Bagpiper-TTS 用同一模型先做文本规划再生成数百词元富标题最后合成语音，在 Seed-TTS-Eval 英文集上报告词错误率为 1.7%，代价是依赖大规模仿真数据过滤与长标题推理链。

EffVOC 用因果卷积加循环加逐级上采样的声码器结构，从幅度谱或梅尔系数直接生成宽带与全带语音波形，在 20 毫秒算法延迟下取得接近真值的 MOS 主观分，但小模型与梅尔输入在部分客观指标上仍有代价。

针对用户同句不同情绪难处理且情绪对话数据稀缺的问题，Empathy Omni 用双编码器加逐词元情绪轨迹显式规划共情语音，在 VoiceBench 通用能力不明显下降的同时情绪评分与语音质量报告最优，但细微混合情绪仍偏通用且依赖合成数据过滤条件。

针对发音合成中声带碰撞阶段被硬裁剪为零而不够自然的问题，该研究用指数过渡的软接触与软分离加偏斜控制重建声门面积波形，在保持相同合成器与参数网格的听辨中以 58.1% 的偏好率和 3.02 对 2.68 的平均意见分胜出，但优势随预发声开度和相位等条件变化。

该研究用持续音三维磁共振做端点形状、用中矢面实时磁共振轮廓约束大形变微分同胚映射生成连续三维声道，再用有限元求解亥姆霍兹共振验证其共振峰轨迹，代价是系统性偏高与第三共振峰在释放段仍有约 257 赫兹残差。

该研究以三维可压缩流动仿真为基准检验一维模型中 Fant 噪声缩放因子，显示/a/正常闭合时常规值可用，而在气息声不完全闭合与/u/声道收缩下最优值明显偏移，因而一维噪声需按流动构型调整。

NVV-SuperBench 针对笑、叹息、哭泣等非言语发声提出 45 类双语可控生成基准，用客观、人听与大模型多评分者三路评估 15 个系统，报告显示可控性常与语音质量脱钩，而低信噪比口腔音与长时情感发声仍是最难的瓶颈，且加非言语发声会抬高词错误率并改变自然度偏好。

该研究把声带双质量振动与一维声道波动方程写成无监督物理损失，用分支输入声道形状、主干输入时空坐标的深度算子一次学习五个元音的稳态周期解，最强证据是基频误差约 0.1-0.2% 与声门流量和唇端声压波形接近传统求解器，代价是训练约 80 小时且目前只验证已见形状的稳态推理。

论文以连续扩散直接建模对数梅尔谱研究无文本语音语言模型的可扩展性，用音素 JSD 度量语言性并在十档算力上拟合验证损失与下游指标的扩展律，发现最优词元参数比随算力下降且等损失带变宽，但把模型推到 16B 参数与数千万小时对话数据后长程连贯仍是主要代价。

针对梅尔谱到波形重建中频谱细节丢失与相位卷绕监督不准的问题，SCNet 用低频子带条件网络提供频域先验并用幅度加权相位损失强调高能量区，在域内与跨域评测上优于同量级基线，代价是引入双分支与耦合模块的额外计算。