语音质量评估

SPHERE 针对双耳语音同时做九个感知的无参考预测，用众包听音得到真值，再以单分支与孪生卷积循环基线验证可行性，最好的片段级平均 PCC 为 0.706 而系统级孪生结构占优，但结论只在同类耳机采集与严格防泄漏划分下成立。

共分析 48 篇语音/AI 论文

本文以 Qwen2-Audio-7B-Instruct 为对象，先证明零样本提示无法可靠预测 MOS，再用 SOMOS 数据诊断其语速与表现力感知盲区，最后用 4 比特量化下单卡 LoRA 微调把 Pearson 相关从接近 0 提升到 0.6506 并超过 UTMOSv2，代价是结论只在英语合成语音的域内测试上成立。

共分析 21 篇语音/AI 论文

论文针对全参考退化度量按模态割裂且在重退化区不敏感的问题，用固定参考隐式神经表示的对角 Fisher 敏感度轮廓之对称 KL 散度定义统一分数，并以 SIREN 闭式 Fisher 和超网络加速拟合支撑跨模态实验。

共分析 47 篇语音/AI 论文

ConformalMOS 针对合成语音平均意见分只给点估计不可靠的问题，用冻结声学编码加顺序感知分布头做点预测，再用切分共形校准输出有覆盖保证的区间，在 BVCC 上系统级 MSE 做到 0.08 但结论只在同域划分和强骨干下成立。

共分析 25 篇语音/AI 论文

针对人工标注少而编码失真多的问题，该工作用 PEAQ 感知前置特征接 ConvNeXt 做对比学习与微调，并用梯度回传解释失真类型和位置，代价是对非波形保持信号的评价能力受限。

本文用两个学生模型和两种专家语音比较四种偏好目标与直接或分阶段桥接两种监督路线，发现目标对分数尺度敏感度不同，而固定专家序列的似然升降与生成可懂度变化并不一致，桥接只能缓解部分退化而不能稳定超越初始模型。

针对大音频语言模型逐词生成答案在高频决策中延迟高且需解析的问题，论文在 Qwen-Audio-3.1-ASR-Flash-Next 解码器后加决策头，用 Choice、Noul、Score 三种类型直接输出概率或期望分数，在 18 组配置上验证并报告约 20 倍推理加速。

论文针对词错率不区分错误后果的问题，用配对缺口划分加三层情景严重度与有界递归累计得到统一目标，再把离线大模型标注蒸馏为单次前向的 DeBERTa 回归器，在三数据集与受控集上验证其跟踪能力趋势与细粒度诊断作用。

论文用同一批日式英语做分析再合成以对齐口音强度，对比四种指示语和两类评测者并对照三种自动打分，说明笼统问自然度会把口音当缺陷，而问像人声程度并请熟悉该口音的人来听能更公平地比出系统差异。

针对现有 MOS 预测在韩语上校准不良的问题，KOMOS 用 29 名韩国听众对 1000 条语音的 5000 个打分微调 Whisper-medium 编码器与听众条件预测头，在测试集上取得 SRCC 0.900 与 LCC 0.950，但结论只在该韩语数据划分与 seen-system 条件下成立。

共分析 146 篇语音/AI 论文

该研究用 18 个客观指标在同一土耳其语测试集上对比四个现代合成系统与 VITS 基线和自然录音，发现各系统分别在不同指标族领先且短句与长时漂移会改变结论，代价是只用客观指标且只覆盖单一说话人。

论文用 AgenticTTS-Forge 让智能体在 CosyVoice2-0.5B 上复现并改进强化学习后训练，再转到声学解码器把坏例从 13.4% 降到 6.1%，但三处测量漏洞说明能走多远取决于测量合同是否覆盖智能体读过的每个通道。

该文把刷分定义为扰动带来的加分并以编解码往返输出为基准，用五个攻击者取最坏情况做测量，发现四个常用预测器可攻击率差一个数量级以上，而闭环打补丁只在自家攻击空间内有效且随机扰动基线就能持平，还伴随域外一致性下降。

针对 MOS 预测器跨域排序不稳的问题，论文用小规模已有人工评分拟合逐句自适应路由以合并四个教师并在 807k 无标注语音上蒸馏出单个 wav2vec 2.0 学生，在 URGENT 上 Spearman 达到 0.802、在 mos260 上达到 0.636，代价是目标上限仍受教师集成约束且绝对分值向中间压缩。

论文引入系统级偏好准确率检验预测 MOS 能否复现人评的系统两两优劣，发现在两个增强任务上单模型最高仅 76.8%，集成与领域自适应也只在限定条件下改善，说明相关系数高不等于比选可靠。