语音合成

论文要解决任务动力学目标值被事先固定、缺少记忆与感知影响机制的问题，选择用耦合动态神经场生成时变声道目标并用临界阻尼振子求解轨迹，在 1 次基线加 10 次影子跟读加 1 次洗脱的简化仿真中报告跟读峰值拉向 1.56 与洗脱残留偏移负 0.29，代价是输入时序仍需手工指定且仅为一维示例。

针对 GAN 声码器域内保真与未见场景泛化不足的问题，论文提出用语音自监督表示辅助的质量差距加相对配对反馈的训练目标 RAF，在 LibriTTS 训练并在多未见集验证，最强证据是 RAF 版 BigVGAN-base 在感知指标上超过参数量约 8 倍的 LSGAN 版 BigVGAN，代价是训练需更长片段、自监督模型与梯度惩罚带来更高训练开销。

论文研究能否把噪声条件语音分类器冻结为多尺度主干、只训练轻量解码子网来预测扩散分数，在 SC09 上以 4.4M 可训练参数达到与 16.6M 全量 U-Net 相当或略优的质量，但条件生成仍依赖同一分类器做分类器引导且梯度抽头带来额外计算。

WavSLM 把 WavLM 第 6 层表示压缩为单码本离散序列，再把 7 至 24 层改造为一次预测 4 个词元的因果语言模型，在仅用语音且无文本预训练条件下取得可比的一致性与生成质量，代价是大词表更难学、大分块损害保真与连贯。

该研究用同一句爱尔兰语合成语音的嗓音源改造加三维人脸动画检验视觉通道的作用，最强证据是不一致视觉把快乐识别率从 94% 拉低到 58%，代价是一致视觉并未显著增强目标情感且放松情感仍易与厌倦混淆。

该研究以三名非二元语音生成设备使用者的两轮开放式问卷为材料，用归纳主题分析得到日常整合、身份表达与横切的权力与能动性三个主题，报告显示可懂度优先于身份的妥协反复出现，而代价是样本极小且未构建或评测任何语音系统。

该研究用 Pink Trombone 发音合成把英语词典逐词合成为男声与女声两套波形，并按发音指令时刻直接放置地标，以平均短时可懂度 0.75 左右为代价换来无人工标注歧义的确定性基准。

该研究用可动积木加凸轮的 VTM-UT30-D9 物理声道模型复现 Bob 与 bomb 的鼻化协同和 abra 丛集时延，报告了随 VEL 耦合增大的极零点变化与随步骤递增的识别率单调下降，最强统计证据为趋势检验卡方 42.538 而代价是相邻步骤仅一组显著且依赖手动与凸轮操作条件。

针对普通话多音字消歧依赖大模型且无法预测训练未见读音的问题，G2PO 用 RoBERTa-tiny 加词典融合与词性辅助，在仅 3.99M 参数下在 CPP 上报告 99.15% 准确率并在未见读音上报告 70.79% 零样本准确率，代价是仍依赖外部词典覆盖与 Jieba 生成的词性标签。

针对无电控条件下复现语音动态的问题，该研究用直线凸轮与旋转凸轮分别驱动六个发音滑块，并以可插拔板片实现凸轮廓形可编程，在“I love you” 一句上得到两种凸轮下大致相似的共振峰轨迹，代价是每句需重新设计和拼装廓形。

该研究把频域声码器 Vocos 改写为脉冲版本，用脉冲 ConvNeXt 加幅度捷径、自结构蒸馏和时间移位解决二值信息瓶颈，4 步模型在感知质量接近基线时仅消耗约 14.7% 能量，但信号级精度指标仍有差距。

针对零样本语音合成模型被微调、剪枝、量化与蒸馏后仍可经黑盒接口验明归属的问题，TTS-Guard 以双空间关键说话人对选择加课程化影子模型优化构造参考音频扰动，并在五个主流系统上报告平均单查询指纹成功率 96.4%、误报率 5.8%，代价是验证需 20 到 40 次查询且蒸馏与强自适应擦除仍会明显拉低成功率。

PACE 针对非平行口音转换，用冻结 WavLM 上的口音预测子空间更新加检索融合实现推理时可调的转换强度，默认点以 16.0% 词错误率和 39.0% 分类器准确率优于复现基线，代价是说话人相似度降到 0.583。

论文在匹配数据与匹配生成设置下比较纯语音、语音文本与纯文本模型，显示内部文本流大幅降低生成困惑度但说话人相似度和预测质量偏向纯语音模型，且联合模型能逼近大得多数据规模纯语音模型的语义水平。

论文用六个语料的成对偏好任务检验无参考语音质量分，发现有瑕疵时接近人类上限而双干净时跌到随机，最强证据是干净端单分数与时长基线持平，而域内校准复合与等权复合分别在评测和奖励端缓解但仍远离上限。

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

论文比较北美英语人类与 Parler-TTS 在陈述句和极性问句中实现对比性焦点的声学线索，发现人类按句型反转 F0 策略而合成语音跨句型高度一致，且在语速与强度上整体偏离人类，最强证据来自贝叶斯逻辑回归的 95% 可信区间方向差异，代价是强度在人类数据中受录音变异掩盖而未能复现经典效应。

论文要解决从文本生成法语 LfPC/提示语编码的教学工具缺失问题，选择把生成引擎与语言规则分离并暴露三步可核对流程，其证据是已验证的生成引擎与用户测试过的界面，而代价是美式英语长元音三维动作在二维显示上尚未优化。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读