语音学与音系

针对澳大利亚高校国际学生的英语发音反馈需求，该研究从 CommonVoice 英文分区筛选三个口音组，用蒙特利尔强制对齐加三名语音学家的人工标注构建 859 条标注，并报告音段与韵律几乎各占一半的初步分布，但印尼组仅 3 名说话人带来明显的样本不平衡代价。

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。

针对韩语正字法与实际发音不一致且低资源下隐式学习困难的问题，论文提出只标记鼻音韵尾的选择性同位异音切分 SALT-N，在 12.75 小时上把字形输入的 CER 从 4.74% 降到 3.30% 并取得最高主观自然度，代价是放弃全量同位异音标记所追求的声学分辨率。

该研究在 80 小时英语多口音与失语症基准上比较自监督预训练、多语 ASR 预训练、G2P 机器标注与人类专家标注四段课程，报告人类标注超过 20 至 30 小时后 5.3K 小时 G2P 不再显著增益而 ASR 预训练持续改善域外泛化，并以 40.8 小时人类微调实现平均加权音素特征错误率约 3.5%。

针对日语词/saN/中擦音/s/、元音/a/、鼻音/N/的说话人区分信息在频谱上如何分布的问题，研究用线性变换由全带倒谱直接导出子带倒谱并做似然比取证比对，最强证据是全带条件下/a/平均 Cllr 为 0.38766 优于/N/的 0.43473 和/s/的 0.68110，代价是高频 7-8 kHz 子带普遍偏弱且敏感子带位置不能完全由发音生理预测。

该研究用超声逐帧追踪舌背与舌骨并做多变量建模，报告/g/以更长更大更快的舌背抬升和舌骨后缩对应低 f0、/k/以舌骨上抬前移对应高 f0，代价是舌轮廓本身差异极小且无声带预振动可直接验证。

该研究在守言与梅花两个湘方言中比较卷舌元音、高前元音与低后元音上的平调对立，用基频、时长、强弱与嗓音质量多线索加混合模型与 XGBoost 加 SHAP 说明高调更短更响更周期而元音与调系改变线索权重，但代价是仅男性发音人与单字载句朗读的受控证据。

该研究用超声舌轮廓加无监督聚类回答普通话卷舌擦音如何实现，发现六个轮廓簇可归为穹顶形、驼峰形和凹形三种超策略且发音人偏好稳定分组，代价是仅五位女性发音人、低帧率和小样本的探索性结论。

该研究用 9 名新西兰英语发音人在仰卧、坐、站三种静态姿势下复读同一套 11 个/hVd/单词，以线性混合效应模型检验姿势对 F1、F2 的影响，发现总体差异小且最清楚的对比都涉及仰卧相对直立姿势，并集中在少数高元音和高前元音上，女性和年轻女性条件下的差异更清楚，但样本小因而只能作为本数据集的描述。

28 名中国英语学习者以听后跟读方式分别模仿人类女声与 Azure 神经合成女声，结果人类声在归一化嗓音起始时间上诱发更强趋同而合成声在元音时长对比与强度节奏上诱发更强调整，代价是结论只限于女性、无明确模仿指令的句子跟读条件。

针对羌语和藏语变体等缺乏参考共振峰、无人看就容易系统性测错的问题，NewAppVoice 把多种基频与共振峰算法放在同一波形—语图—测量界面中同步对照并允许直接改表，最强证据是白马藏语/dzɑ̀/中 STRAIGHT 法 F4 高估到 4861 附近而 Praat 法与频谱峰在 3500 至 4000 赫兹一致，代价是仍需逐段人工核查且 HNR 等高频段与自 …

该研究以塔希提语、马克萨斯语和鲁鲁图语的口语塞音为对象，用强制对齐加手工校对与线性混合效应模型检验 VOT，最强证据是三语均为约 20 ms 的短延迟清塞音且后接元音是主要变异来源，代价是语料不平衡且仅覆盖朗读体、未能分离词重音与短语重音。

为解决离散音素表示难以做平滑语音编辑的问题，论文提出给每个音素类学习一个高斯先验并用监督对比损失拉紧推开隐空间，在 LibriSpeech 训练并在 LJSpeech 与 CMU ARCTIC 上验证插值可听辨且编辑语音质量接近原始录音，代价是依赖强制对齐与仅限英语验证。

该研究用母语语料的上下文相关音素类中心加截断奇异值分解建立母语参照坐标，把每条二语话语的同名音素类投影进去算距离，在自发口语上与综合熟练度呈负相关，在朗读上与发音质量呈负相关，但偏离中仍混有流利度和覆盖度因素。

该文在 1839 条短语音上用 Conformer 做帧级八分类，以按类高斯软标签处理标注抖动，最强证据是冻结 HuBERT 在 20 毫秒容差下宏观 F1 为 0.77 且软标签比硬标签高 7.0 个百分点，代价是元音与鼻音释放仍难且跨库迁移有限。

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。

论文以 100 余种语言的统一评测回答损失、预训练表示与数据规模如何影响通用音素识别，用 XEUS 加自条件 CTC 在 IPAPack++ 上得到多语言 17.7% 与口音英语 10.6% 的 PFER，代价是对时序性发音特征与极低资源语言仍有高误差。

ARIS 用神经网络只做从波形到声码器系数的分析、用无参数 DSP 做合成，在每人不足 1 小时的五个单人语料上达到与 WORLD 可比的拷贝合成质量，并以约一半于 KlattGrid 的 F2/F3 误差实现单线索编辑，但高频自然度预测分仍略低于微调后的 HiFi-Glot。

该研究把多方言统一到国际音标输入上，用方言感知混合专家缓解合训时的风格平均，再以参数高效微调扩展 3 小时级新方言并以识别反馈的强化学习整合高质量成都话数据，最强证据是强化学习把成都话词错误率从 29.25% 降到 23.93% 并带动西安话等相关方言下降，代价是整体词错误率和主观分仍落后于数十万小时级商业系统且闽南语等远亲方言错误率仍很高。

论文以最小对立体偏移方向的余弦检验听觉与文本两流是否共享区别性特征方向，最强证据是仅清浊特征在两个 Qwen2.5-Omni 模型中通过多重校正，而随机配对基线在模型间相差达 7 倍，说明不能对零比较。