语音质量评估

该研究只用母语语音训练离散单元与三元语言模型，用惊异度统计和文本预测单元的动态时间规整对齐做发音评估，在 SpeechOcean762 上音频加文本达到准确度 0.661 并跨库迁移到 L2-ARCTIC，代价是仍需朗读文本才能发挥对齐增益且回归校准依赖少量学习者打分。

针对 3-5 分钟英语口语考试多标准评分问题，M-LAMA 用分段音频建模加题目感知文本编码加双向跨模态融合与三阶段训练，在约 8.6 万会话数据上把多模态 Acc@1 做到 90.82% 而单模态仅 49.30% 与 43.46%，代价是依赖私有考试数据与冻结大编码器加小批量训练。

该研究以 301 名学习者的 pepeha 朗读为样本，用语音学家听辨、流利者按音节接受或拒绝打分、F1 与 F2 声学测量三角验证单双元音的可接受边界，发现单音中高接受的央化与后缩变体在双元音语境下接受度分化，代价是目前仅覆盖部分元音且未做评分者一致性检验。

论文在 BVCC 上揭示男听众系统性打分更高且差距随质量变化，证明平均标签训练的 SSL-MOS 预测更贴近男性标准，并用抽象二值组嵌入的双分支模型同时提升总体与分性别预测精度。

针对单中心单类学习把真语音压成单峰分布的问题，QAMO 按语音质量建立两个真语音中心并用质量分类与单类损失联合训练，在 XLSR-Conformer-TCM 上于 In-the-Wild 取得 5.21% 等错误率，代价是依赖 Scoreq 预测与增强样本的质量代理假设。

论文以 20 种经典与神经编解码条件的 P.800 实验室与 P.808 众包 DCR 对照为基准，证明未筛选众包存在量程压缩与方差增大，并以陷阱题加最低参考分与量程加锚点排序的组合筛选把条件均值误差降到 MAE 为 0.230，代价是仅保留 7 人因而需超额招募。

论文检验参考与生成语音的情绪嵌入余弦相似度作为情绪评价指标的有效性，用受控三元组、对抗干扰和人类偏好对照证明其在说话人与文本干扰下失效，最强证据是语言干扰下准确率跌至个位数且与人类判断基本无关。

URGENT-MOS 针对跨数据集标注不一致与绝对质量和偏好割裂的问题，用共享特征加绝对多指标预测与自然度条件偏好模块统一建模，在多域偏好和相关性评价上更稳健，但全量 15 指标联合监督并不总是带来增益。

针对构音障碍临床标注稀缺问题，该工作用 QualiSpeech 合成语音评价数据的 MOS 监督做增强，对比联合训练与先预训练再微调两种范式，报告在 SAP 可懂度与自然度上微调一致增益而联合训练主要改善自然度，同时付出可懂度标签语义失配的代价。

针对可解释语音质量评估只给平均意见分而说不清噪声、失真与时间位置的问题，该文用校准加分组相对策略优化的两段后训练改造 Audio Flamingo 3，在 QualiSpeech 上以 0.71 平均 PCC 和 0.76 的 MOS PCC 达到最优，代价是需解冻音频编码器并依赖预定义伪影分类。

针对语音对话模型能说清但不够生动且缺客观表现力度量的问题，DeEAR 把表现力拆成情感、韵律、自发性三维分别建模再用 XGBoost 非线性融合，仅用 480 个标注在整体表现力上达到 SRCC 0.85 并以 14K 筛选数据把基座模型表现力从 2.0 提升到 23.4，代价是依赖启发式伪标签与小规模专家评测。

针对无参考语音质量预测在未见失真下泛化弱的问题，DNSMOS-C 在 DNSMOS Pro 上把 SCOREQ 三元组对比损失直接加到 64 维编码器嵌入上做单阶段联合训练，域内相关系数和跨 NISQA 子集泛化多数提升，且 PCA 显示质量排序增强，代价是失真类型可分性略降且推理与 DNSMOS Pro 相同。

论文以频带为单位用沙普利解释、部分依赖图与单带扰动对照三个质量评估网络与人类评分，报告网络与人都对拉低分数的因素更敏感且网络集中依赖低频带，而 MOSNet 在放大扰动下反向走高是主要代价。

针对常规平均意见分模型对日语局部音调核错误不敏感的问题，PASQA 用可控合成构造的重音核错误数据和自监督表示加四项增强学习重音正确度排序，主观评测中以斯皮尔曼 0.828 和肯德尔 0.614 优于常规模型，代价是绝对分数校准存在偏移且资源声明当前不可用。

针对合成语音质量评估依赖人工 MOS 且跨语言跨系统泛化差的问题，TDScore 用 TTS 训练中的检查点轮次与训练损失作伪标签训练质量预测器，在法语训练、英法评测上显示轮次标签与人工 MOS 相关而损失标签更不稳定，但仍受 TTS 训练动态与饱和截断策略限制。

针对非侵入式 MOS 预测中哪一层最有用、多层如何融合的问题，论文在十个语音基座模型和四个数据集上比较末层、最佳单层、朴素加权融合与全量微调，并提出冻结基座下先做逐层适配再聚合的 A+M 策略，最强证据是 Wav2BERT A+M 取得平均话语级 0.388/0.749 与系统级 0.052/0.932，而代价是仍需为每层增加适配器参数与多层前向表示。

该文针对神经音频编解码与基于其的大语言模型语音克隆在英语口音上的泛化问题，构建含 4000 样本、24 个系统、32 说话人和 10 种口音的平均意见分基准并收集 19600 条三维度标注，报告说话人相似与口音相似高度相关、客观指标可预测主观感受，但同口音听音人存在显著偏置且自然度评价需区分重合成上限与克隆去噪效应。

论文用盲扩散去混响处理两库弱混响与强混响录音再经 35 个治疗室脉冲响应卷积，报告连续语音的嗓音排序与电平得到恢复而延持元音恢复有限，代价是第二次去混响对连续语音出现轻微高估且元音等效性不成立。

针对平均意见分标度受评分人和测试协议影响而噪声大的问题，PrefSQA 研究完全不看 MOS 的成对偏好预测，用语义声学双编码器加不确定性温度、损伤注意力与批内非匹配参考头建模，并在 MOS 衍生、低噪声仿真与真人偏好数据上验证，显示高质量数据才能让结构改进显现，但小间隔样本仍是主要误差来源。

该研究以 459 名日语被试的回放与听觉想象对照量化自我声音厌恶，证实回放比想象更不适且身份相似感不变，顺序与个人特质调节差距，而可复制的声学主效应稀少、特质与声学交互更关键。