会议总览
odyssey-2026 论文深度解读
共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读
语音属性识别
子标签
下方只统计已核验方向的论文记录，按已核身份去重，身份待核时按页面保留。“直接”只含明确标注该方向的论文；“含子树”同时包含下级方向。点击名称进入论文库继续筛选；数量与上方按标签名称收录的页面数不同。
- 发音评估 直接 14 篇 · 含子树 14 篇
论文解读
全局平均为何听不见断裂：口语模型声学评估的局部重估
论文指出全局离散符号困惑度把长程语义波动平均进声学判断，提出窗口化与局部化加归一化以及基于真实续写的人评与嵌入裁判评估，并在 SALMon 上以相关性提升与 84.1% 人类差距闭合为证据，代价是依赖转折时刻标注与裁判选择。
论文解读
从单人声音到多人对话：互动本身如何泄露隐私属性
本文用范围综述梳理对话语音中可推断的个人与群体属性，指出话轮接管、语言趋同和互动词模式是单人声学之外的新推断通道，并提醒当前推断技术多不讨论隐私防护与威胁模型。
论文解读
留住语调、抹掉身份：用声门源与对抗损失学隐私韵律表示
该文以声门源波形为输入、声学韵律聚类为自监督目标、说话人归一化与对抗说话人损失为解耦手段，在音高重建与 ToBI 事件检测上超过 HuBERT-base 与原始韵律基线，并以说话人识别准确率大幅下降为代价证明了解耦效果。
论文解读
语音大模型流水线越往后越安全吗：分阶段可恢复性与选择性掩蔽的对照
该研究把冻结的语音编码器、投影器和大语言模型连成三阶段流水线，用多头分类器探测说话人属性在各阶段的可恢复性，并用频谱对抗掩蔽选择性压制目标属性，最强证据是编码器端说话人标识准确率从 0.51 降到 0.01 而词错误率几乎不变，代价是越抽象的表示越难控且情感属性跨数据集不稳定。
论文解读
用静态先验锚定动态语音：MMSFC 与顺序平滑如何重塑流利度分类
针对流利度评分既要看整体节奏又要抓局部停顿且等级有序的问题，该研究用专家特征锚定 Whisper 时序表示做深度融合，并用距离感知的顺序平滑损失建模等级远近，在 SpeechOcean762 上报告 83.40% 准确率，代价是依赖冻结声学表示与有限人群验证。
论文解读
看着脸听声音：多模态大模型为何在英语里幻听口音、在韩语里加分
论文用同一段母语录音配不同种族照片的匹配假象法，测 9 个语音视觉模型，发现高能力闭源模型在英语中把亚裔降为近母语、在韩语中给外群体加能力分，而小模型多为无差别的视觉干扰降分。
论文解读
从单向分层到双向交互：残差分层如何缓解发音评估中的特征遗忘
针对音素到词到语句单向建模不足与分层加深导致初始编码遗忘问题，论文提出双向交互注意力加残差分层的 HIA 框架，在 speechocean762 上以音素词句多指标领先为证据，代价是小数据下增大容量反而难优化。
论文解读
把纠缠的副语言风格拆开学：ParaMETA 的共享空间与任务子空间分工
针对情感、性别、年龄、语言等多副语言任务互相干扰的问题，ParaMETA 用共享 META 正则加任务独立子空间与原型对齐同时做分类与可控合成，最强证据是 LSTM 等骨干上 12/16 个骨干-任务组合最优与性别操控 100% 准确，代价是 META 正则增益不稳定且语言操控几乎无效。
论文解读
长录音多维标注如何不推倒重来：以字段级复核做局部修复
针对长录音中说话人、韵律、情感与场景需联合标注的问题，论文用全开源的前端加先验加三智能体加有界复核流程组织标注，并在 8.87 小时九类中文主基准上以时间线与固定时间线两套条件报告了可复述的误差与消融代价。
论文解读
固定音色查不出偏置：语音到语音模型跟内容误判说话人性别
该研究用男声女声交叉朗读男性刻板、中性、女性刻板长文本检验五款英西汉语音到语音模型，报告输出声音无可靠漂移但说出的性别判断全部跟随内容，错配时集中误判而固定音色审计看不见该偏差。
论文解读
Self-Supervised Speech Representations Track Spoken Language Convergence to Adult Models in Infants and Children Who Are Deaf/Hard-of-Hearing
语音属性识别 | 9.7/10
论文解读
Separating Voice from Age in COPD Screening
语音属性识别 | 7.2/10
论文解读
Evaluating Pre-trained Speech Encoders for Spontaneous Speech Detection and Out of Domain Synthetic Speech Generalisation in Indic Languages
语音伪造检测 | 6.0/10
论文解读
Motor, Cognitive, or Corpus? What Survives Cross-Lingual Transfer in Speech-Based Parkinsons Disease Detection
语音属性识别 | 6.1/10
论文解读
Structured Phonological Representations for Audio-Articulatory rtMRI Speech Classification
语音属性识别 | 6.5/10
论文解读
ECHO: A Locally-Deployable Agentic Health Assistant with Temporal Memory, Safety Guardrails, and Speech Assessment
语音属性识别 | 5.5/10
论文解读
The interface of intonation and lexical tone: Boundary phenomena in Mandarin varieties
语音属性识别 | 5.6/10
论文解读
MERaLiON-GR: Speech Gender Recognition Model for English and SEA Languages
语音属性识别 | 7.5/10
论文解读
Discriminative Axis, Not Data Volume: What a Contrastive Corpus Teaches an Audio Embedding
语音属性识别 | 6.9/10