语音学与音系

论文在四个低资源语言和不同数据量的英语上比较改造音频与文本合成两类增强，发现 SpecAugment 总体错误率最稳但增加声调和腭化错误，而随机替换词的文本合成能提高稀有词频率并修复这两类错误，两者联用产生超可加改进但只在低资源区间成立。

针对多语言混合语音中不同输入提取难度不同，该研究用样本级难度估计加共享多出口提取器做自适应路由，在 PolyExtract 上以 0.30 GFLOPs 达到 15.07 dB 宏平均 SI-SNRi 并把下游平均词错误率从 16.8% 降到 14.6%。

论文发现多语音素模型会按整句估计语种并覆盖局部音素判断，导致非共享音素大量丢失，并用短窗重估语言子空间坐标把干扰降低 34%-69% 且基本不损伤单语识别。

论文固定声学编码器与训练数据只更换输出分词器，对比多语字符表、数据驱动 BPE 与音节音素分词在同域朗读和两种正交域偏移下的词错误率，发现小词表时音节先验占优而大词表时优势反转。

该文把成人 PhonoQ-2.0 适配到儿童语音，对比三种强制对齐监督与两种初始化，用 58 名儿童 1352 个辅音人工标注检验，显示清浊全面提升、发音方式依赖儿童对齐、部位对比与纵向变化保持可解释，但增益因特征类而异且临床样本很小。

论文以 FlexiCodec 为公共接口比较七种边界分配方法，发现音节、BPE 与词对齐更强的方法池化失真更低、重建词错误率更低，而音素级固定切分不如均匀切分，但自适应分配仍优于固定音节切分，代价是动态规划类方法边界选择耗时明显更高。

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

该研究用 7 名女性流利者的读语句料和广义加性混合模型分析 524 个重读元音，显示塞音语境对第一共振峰影响小而对第二共振峰影响大且贯穿整个元音，代价是仅覆盖青年女性和朗读体且无法分离前后协同发音方向。

论文以 49 名三代厦门话母语者的图片命名发音为对象，用归一化基频曲线比较本调与变调是否声学等同，报告显示即使记作同一调值仍存在音高与斜率差异，且青少年压缩本调空间却扩大 44 变 22 与 24 变 22 的对立，老年则基本中和。

该研究以沙溪白语 30 人的送气与不送气擦音为对象，用同一标注框架提取时长比、频谱质心差和 H1*-H2* 并做线性混合效应建模，显示时间与频谱效应稳健而发声效应弱且不稳定，青年组出现对比弱化与协同模式重组，但青年组仅 3 人使结论需谨慎对待。

该研究以三个方言区 18 名发音人的词表与自然对话比较/CECi/与/CECa/中/E/的第一二共振峰，报告和谐语境下一致的 F1 降低与 F2 升高，但 F1 效应量随方言与语体组合变化且不能据此断定范畴性音系过程。

该研究用实时磁共振成像量化普通话齿音与卷舌音四对辅音的收缩位置与前后腔形态，发现收缩位置后移和前腔扩大是跨辅音对稳定的相关物，而收缩长度和后腔区分力弱，且卷舌常呈舌尖下垂而非上卷。

针对跨语言语音语料需要用更少句子覆盖全部音素的问题，corpusgen 用评估、选择、生成三命令共享发音转换与覆盖追踪，以贪心与精确优化等六种算法做句子选择，并在 40 种语言 12 个语系上验证，但原文未给出可复述的逐算法句子数与耗时数字。

针对低资源声调语言缺少专用声学模型的问题，CrossPhon-Tonal 在发音特征映射后增加自动声调映射，在六种声调语言上达到与专家人工映射可比、并在多组上超过 3600 小时 Global English 模型的一致率，但低训练量模型与克罗地亚语等边界条件仍暴露明显短板。

DiscoPhon 要求在未见过的语言上仅用 10 小时语音产出离散单元并映射到预定音位表，用多对一与一对一两轨分别考查单元纯度与音位对应，最强基线 SpidR VP-20 微调后在多对一上显著优于 HuBERT，但插入错误主导且一对一仍极难。

针对无文本监督音素切分中单帧硬边界不能表达渐变过渡的问题，该文用左右时长决定的半高斯软目标替换边界附近标签，在保持双层 BiGRU 不变下 TIMIT 上 R 值达 91.53%，代价是需要调扩散比与正类权重并依赖强制对齐边界做枢轴。

论文以同一肌电编码器比较语音合成、识别、音素分类与自监督预训练四类任务，用线性探测显示音素信息可在无音素监督时涌现，而可懂合成必须保留声学回归损失，自监督对比预训练的隐空间与音素不对齐且未改善合成与分类，代价是单说话人小数据与线性度量的局限。

论文针对印地-英语混码语音的强制对齐提出两个可复述操作：用 bootstrapping 重映射词典解决 ph-f 与 J-z 自由变体，用句级混码数据训练声学模型对齐句中英语词，最强证据是混码模型平均中点误差 4.15 ms 约为单语模型的十分之一，代价是词典需人工校对鼻音与 schwa 且结论限于 MFA v1.0 与朗读语料。

针对不足 60 分钟无标注濒危语言音频的音位发现问题，该工作用类型学锚定选择爪哇语和他加禄语做 VQ-VAE 预训练再适配，在三种语言上以自一致性 NMI 和簇纯度超越 XLS-R，代价是评价仍是扰动稳定性而非对照真值转写的准确率。

该研究以 102 名 5-8 岁儿童的 816 个听觉正常波兰语/s/为对象，用线性混合效应模型检验词首、词中、词尾对质心、偏度、峰度和频谱通量的影响，发现词首与词中对比最强且稳定，而词中与词尾多不显著，代价是仅 8 个词且词位不平衡、未建模年龄与时长。