语音活动检测

论文在 LibriVAD-small 的 test-clean 上离线比较 TEN、Silero 与 RMS 能量基线，回答窗长如何改变帧级排序质量，最强证据是 TEN 在 16 ms 取得 AUC 0.917 且 20 到 50 ms 几乎不变，而 Silero 只在 30 ms 附近最好，代价是结论限于离线排序而不含端点延迟。

该研究解决在分通道自然对话录音中把语音活动还原为轮次和反馈两类交互单元的问题，用语音检测加能量过滤加合并加转写加上下文后处理得到初版标注，在 99 段丹麦语对话上检出 F1 约 0.62 且匹配段的中位边界误差约零点十几秒，代价是仍需人工复核且对参数敏感。

针对全双工对话中犹豫停顿与真实说完难以区分的问题，FD-VAD 用冻结语音编码器加轻量适配器和低秩微调语言模型对 2.56 秒因果窗口做继续或停止判断，在 TurnBench 开发集零样本下取得限定误报内最高终点召回，但中位提交延迟高于最快的轮流预测基线。

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

论文用单被试五十小时听觉脑磁图预训练的 Conformer 编码器，再到十八名新被试每任务约五分钟数据上微调做语音有无检测，证明任务内小幅提升而跨听觉感知与朗读产出任务提升更大，但个体差异和仅做检测任务限制了推广。

论文先做单说话人预训练再冻结编码器做双说话人微调，只用 utterance 级身份标签经排列不变损失学出帧级语音与说话人活动，在 AMI、VoxConverse 和 DIHARD III 上把混淆误差平均相对降低 13.7%，代价是单窗最多两人且不建模重叠语音。

针对句中停顿易被误判为结束的问题，Next-Turn 用从语音时间戳直接算出的到下一次语音起始时长做细粒度监督，在 1185 句人工标注评测上以 86.7% 的 320 ms 内准确率和 5.0% 早打断率超过声学与语义基线，但小评测集与中文单语料限制了推广结论。

该工作用源语音的二值语音活动掩码约束固定长度修复式合成以实现唇同步配音，最强证据是帧级对齐准确率从约 73% 提升到约 96% 且主观韵律无显著下降，代价是在翻译时长严重失配时出现删读、重复或调序。

QuadVAD 用 4 ms 细粒度判决、可学习谱分解加卷积与 LSTM 的紧凑结构、MFA 对齐加 TIMIT 微调的数据管线，在公开集和加噪 TIMIT 上取得更高的 AUC-ROC 与更准的起始边界，代价是依赖精确对齐标签和特定增益与噪声条件下的评估口径。

MAC-VAD 针对噪声、混响和遮挡下纯音频 VAD 不可靠的问题，用 WavelNet 音频编码器与 EfficientViT 视觉编码器加动态视听交叉注意力融合，并以冻结 Wav2Vec 2.0 做蒸馏，在 MMVAD 上达到 93.52% 准确率与 86.39% F1，代价是 21.4M 参数与对人脸裁剪的依赖。

该文用 Whisper-small 共享编码器加三分类门控在推理时按需激活转写、情感和场景头，在自合成的 ESAS-32K 上把非语音幻觉率从 96% 以上降到 1% 以下，代价是固定 10 秒英文合成数据与有限场景下的验证边界。

针对常开边缘设备的因果低延迟语音活动检测问题，kiloVAD 选择标准梅尔特征加纯卷积主干，配合逐层结构化剪枝与角度感知量化，在 200 毫秒因果评估下以 2.1 千参数达到 AVA-Speech 上 0.850 的曲线下面积，代价是极限压缩时部分种子出现层坍塌且 4 比特量化仍明显掉点。

该工作把完整会议说话人日志写成条件于声学输入的自回归结构化词元生成，对比事件式与帧式表示并引入语音活动与重叠等辅助线索，最强可运行证据是事件式 SAD 到 OD 再到 SD 链经 VBx 链接后在 AMI 上达到 24.40% 日志错误率，代价是原始输出跨段身份混乱且重叠区漏检仍然很高。

论文把只检测持续在场主讲人的前景语音检测形式化为免注册逐帧二分类，用前景标签不变加竞争说话人混合的自动监督 recipe 让轻量流式 Mamba 在受控混合与真实远场上压低背景误报，同时在常规检测上保持可用，代价是目标不再占优与强语音形掩蔽下召回下降。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

针对环境录音中可懂语音的隐私问题，论文用语音活动检测加语音分离定位语音后再做分段波形反转，在 CitySpeechMix 上报告词错误率 97.9%、声源分类准确率下降 2.7%、FAD 为 1.40，代价是确定性反转可被二次处理部分恢复，需重排序增强鲁棒性并损失音质。

针对车内发动机与路噪导致 Silero VAD 误检多、人工标注难的问题，SylVAD 用韩语音节级 MFA 自动构造标签并以噪声加权损失微调，在实车日志上把非语音段误检数从 3243 降到 1475，F1 从 0.9372 提升到 0.9556，代价是依赖文本与对齐分数过滤且推理结构不变。

论文把带噪标注起点建模为真实起点加偏移并用期望最大化估计数据集级均值来校正起始偏差，同时用对角状态空间模型 S4VAD 实现流式低延迟检测，在合成朗读混合与真实电影语音上报告了更低的起始偏差与延迟分布尾部，但结论依赖参考模型质量与有界独立噪声等假设且本次无可用代码资源。

该研究用同一 Conformer 骨干同时做语音检测和音素分类，最强证据是标准赛道保留集上语音 88.9% 与音素 73.6% 的 F1-macro，主要代价是音素任务依赖 100 样本平均、多数投票集成和实例归一化才能跨分布泛化。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读