语音属性识别

该研究用冻结的自监督语音表示加音节级预分类器与词级时延后分类器做阿英重音检测，多语言联合训练保持接近单语的 97% 英文与 90% 阿语准确率，而跨语言迁移呈方向不对称且后分类器与多语言预训练表示能缩小差距，但仍低于单语基准。

针对音频大模型能转写却听不懂说话方式与环境的问题，ParA-LLM 用 22 维副语言分类加 120 万音频问答的两阶段课程学习，在 ParA-Bench 上达到 43.53% 整体准确率，代价是仍需仿真声学数据与低秩微调的特定训练流程。

针对自由文本风格描述与语音对齐覆盖窄的问题，论文用内在与情境分训加统一模型的对比策略，在检索与分类上以专用模型取胜、在组合描述上以统一模型取胜，代价是推理时需选对专用变体且最优挑选带来线性推理开销。

该研究把双人协作对话的认知负荷当作回归问题，用 30 秒窗口声学特征加互动时序特征和双头门控循环单元预测 NASA-TLX 分数，最强证据是加入互动特征后时间需求的二元组一致性相关系数从 0.42 升到 0.51，而代价是不同二元组间差异极大且时序差分普遍无增益。

该研究用 8 名南方越南语母语者朗读 8 个四音节叠词的 576 个词例检验节奏模式，发现第二、四音节在时长上显著长于第一、三音节的弱强交替支持词层重音与双音节音步，但形态中心位置与载体句未改变总体模式且强度与基频未呈现同型弱强。

该研究以六种语言儿童语料的实际发音与成人理想形式为对象，按词首、词中、词尾计算辅音簇分布熵，发现模型系统呈稳定的三位置分化而儿童系统边缘对比更弱且词中熵最高，词汇增长推动模型熵上升并引导实际向模型收敛而句法复杂度可能在词尾拖慢该过程。

ArtComp 用发声努力度连续调控下颌开度，同步采集 7 名瑞典语者的电磁发音、声门和音频数据，以 3000 个元音样本支撑补偿性发音研究，代价是基频耦合与传感器干扰仍需使用者自行控制。

论文针对火济晋语 T1 与历史促声 T5 在基频上压缩重叠且尾段周期性脆弱的问题，用统一低频参数对比三种时域基频估计器并叠加发声质量度量，发现只用基频时 T5 恒为 T1 最近邻，而加入 HNR05 与 H1 星差后离散指数明显扩张，代价是结论仅限发音端且未做听辨验证。

论文以意大利语和罗马尼亚语广播语料中的元音序列/ia/为对象，用语速归一化时长和函数主成分分析的共振峰动态检验重音与词内位置如何促进或阻断滑音形成，最强证据是意大利语重读与非重读时长差达 0.56 对数单位而罗马尼亚语整体更长更陡，代价是两语言高度重叠且说话人信息缺失。

该研究用发音属性序列代替音素直接建模，在母语数据训练后于学习者语料上做检测与诊断，报告显示误接受率与诊断错误率下降，但误拒绝率略有上升且声调细化带来灵敏度代价。

论文审计六个英语语音技术数据集，发现可测量的酷儿占比仅 0–1.4% 而不足以做稳健差异度量，并以两个酷儿社群语音库为对照，提出规模化与包容、效率与参与、开放与自主、静态类别与流动身份四组张力，且代价是现有众包与开放流程难以覆盖小而易受污名群体。

本文以酷儿群体为案例指出众包难以建立长期信任与性别多样覆盖，进而提出社区、项目制定、参与方式与个人自主权四阶段双向框架，其代价是协调成本上升且本文未做新的模型训练与定量验证。

该研究把二语节奏评估做成流利度和韵律分数回归，用一维卷积直接从语音幅度包络及其一阶导数学生节奏特征，最强证据是包络导数模型在低流利度组误差显著低于时长模型，代价是韵律维度仍受语调混杂与低分样本稀少限制。

CycleSpeech 以结构化声音档案为共享可验证目标，先联合监督微调再用 CycleGRPO 交替优化合成与理解，在中英文指令匹配上相对基座提升 4.50 和 10.06 个百分点，代价是需要 20,046 条对齐语料与多步采样奖励计算。

该研究用说话人去标识任务同时检验验证抵抗、软生物属性、检索重识别、嵌入结构和可懂度五个维度，显示没有系统在全部维度占优且最保护隐私的系统可懂度损失最大。

论文用 10 名双语政客各 20 句卢森堡语加 20 句法语共 400 句和 41 个魅力相关声学韵律特征，以混合效应模型分离说话人与语言方差，发现说话人中位解释一半以上方差而语言中位仅占约 0.5%，语言差异集中在法语更高的 shimmer 与句末基频和卢森堡语更强的中频谱能量，但合成魅力指数无语言主效应。

该研究以 10 名卢森堡政治人物各 20 句卢森堡语加 20 句法语共 400 句自发政治话语为对象，用 C/V 分段与成对变异等时长节律指标加配对 t 检验与方差分解，报告显示元音时长与语速主要随语言重组而辅音时序保留说话人特征，且未发现语言与性别交互。

针对开放回答口语缺少准确度、流利度、韵律逐句标注的问题，OpenEnded 用 1000 条三人标注测试集加 6109 条训练与 2673 条开发伪标签支撑评估，并以冻结骨干加三头评分的 VoxPA 为更强基线，但伪标签偏向中间分且低分常与无语音绑定。

针对单看基频会把重音归因给音高的问题，该文选择在平滑后的基频线上同时编码瞬时强度与局部音节速率，并在意大利诗歌朗读上展示联合线索如何区分延续类边界，代价是颜色只表相对快慢且跨录音比较仍需归一化。

论文针对日常录音下声音亲缘验证线索稀疏且跨库泛化难的问题，选择卷积局部编码加变换器长程聚合与注意力池化的两阶段度量学习路线，在自建普通话非受控库 ARKIN 上报告 CONVTRAP-TN 优于三元组基线，但从 KAN-AV 跨库到 ARKIN 时性能大幅下降且少量微调难以恢复。