语音

针对同一录音的多份个性化神经音频水印拷贝，论文用逐样本平均证明仅两份混合就能让五种系统大面积无法溯源到共谋者，并对比了可控误指向与置信度筛查的效果与代价。

本文用冻结编码器加微调解码器的 DAC 零比特水印系统，研究训练时用哪一种神经音频编解码器做信道增强才能泛化到未见过的编解码器与传统失真，最强的证据是 Mimi 与 SNAC 联合增强在多项未见攻击下保持较高检出率，而代价是混响与连续多次重编码仍然困难且音质需受损控制。

针对不知道水印方案、不能查询检测器的黑盒条件，ScrambleMark 用分频段谐波扰动破坏水印结构一致性，在七种学术水印和三种商用水印上实现约 0.97 的逃避成功率并保持语音可懂度和主观听感，同时能抵抗知道算法的自适应恢复。

本文用约 4977 小时许可清晰的土耳其语音从零训练 31.6M 参数的 FastConformer 加 TDT 模型，在朗读测试上超过 Whisper base 和小模型但仍低于 large-v3，而对话语音错误率高得多且导出部署需要增益和补齐等补偿。

针对离线训练的语音增强模型在新说话人、噪声和声学条件下退化的问题，论文提出冻结主干、只让记忆状态演化的 Continual Residual Memory，通过分时频有界回收被丢掉的残差并用历史原型修正，在三个目标集上一致改进冻结 CMGAN 且额外开销很小。

GDBack 用同一组二阶全通滤波对投毒语音做相位变换，在两数据集三模型上以 5% 投毒取得 94% 以上攻击成功率，同时保持正常识别与语音质量，其激活依赖中心频率等滤波参数且在强混响与部分防御下仍有局限。

GSLM2 针对语音单元语言质量不足和单流表示信息单一的问题，用 SpidR 2.0 在多个编码器层学习可微分的离散单元，再用多流语言模型联合建模这些单元，在 Libri-Light 三档规模和最大 6M 小时口语数据上持续提升词法句法语义得分，但推理计算量明显高于单流模型和文本模型。

带限语音缺失的高频需要补回但不能乱补，HFSWO 用幅度相位双流生成器加高频保护与加权评分配别管住高频能量出现频率和频谱形态，在英法数据上感知质量最好且参数比 AP-BWE 少约 74.6%，代价是训练更慢且部分波形指标并未全面占优。

论文以流式 Zipformer 编码器四个深度为轴，用加韵律的增量、从编码器重建韵律、逐特征增量三项检验说明手算韵律在原始输入上有大增益、进第一层后即塌缩，残余多为说话人层面的捷径而非边界定时。

InteractionBench 用同一套 221 项录制用户音频测七个实时语音系统在对话时机、口语任务、耳语与音量、二十多轮 groundedness 上的表现，发现全双工系统内时机与任务正相关而离线级联相反，且网络延迟显著抬高托管系统的客户端时机分。

论文冻结 MiniCPM-o 4.5 只在它由听转说的时刻读隐藏状态拟合逻辑回归失败风险门控，内部 240 问上激进策略以 50% 上交率把准确率从 42.1% 提到 69.2%，同时比全部上交把平均服务器等待从 8.68 秒降到 5.95 秒，代价是仍需云端专家和转写合成开销且对多步执行失误几乎无效。

MedAstra 把冻结 WavLM 语音表示经轻量适配器映射到冻结 E5 文本空间做首轮语音稠密检索，再用文本证据与实体、诊断、关系启发做回答，报告的检索与问答数值只在输入来源与评测条件受限下成立。

论文针对依赖爆破音气流声的 VoicePop 活体检测，用 FastSpeech 2 加改过的 HiFi-GAN 在音素对齐位置注入局部低频突发并叠加噪声，在 20% 投毒和均衡训练条件下把准确率从 37.52% 拉低到 25.66%，代价是投毒强度弱于整段正弦波的 SyntheticPop，且双谱统计上更不像真人。

Q-BWE 要从窄带语音恢复缺失高频，用五量子比特的量子混沌判别器一次建模多特征联合分布，并以 FiLM 条件与升余弦掩膜约束生成器，在 VCTK 与 MLS 上以约一半参数达到可比的过平滑与感知质量，但结论只在原文的单种子与多指标折中条件下成立。

本文用 DiariZen 的自监督表示做说话人条件解码和先验约束重排，在八个领域上把说话人混淆相对降低约 15%，宏平均 DER 降到 11.90%，代价是实时率增加约 15%。

SPATEX 针对多麦克风下既要提目标语音又要保留各通道空间关系、且麦克风数量与几何可变的问题，用几何感知的通道交换与共享时间注意力逐通道重建混响目标像，并以相位差与相干性约束通道间关系，在可变阵列与固定阵列上都报告了提取与空间保真度的提升。

本文用说话人之间的左右和远近相对关系作为离散指令来引导多通道提取网络，在静态与运动、仿真与实测混响下验证了其在不同麦克风数和说话人数下的提取效果与适用边界。

论文针对连续脉冲关键词识别中输入界面密集搬运相关语音帧的问题，提出只在声学输入处做预测与符号二进编码，在 720 条整数评测上达到 90.00% 准确率并降低约三成访存与周期，单条布线芯片实测降低约 39.49% 增量推理能量，但结论依赖特定网络、权重与单片段能量条件。

论文用异质共振神经元替换脉冲储备中的积分神经元，使储备对输入频率敏感，在十个时序与事件视觉任务上提升分类精度，并以稀疏脉冲计算保持低能耗。

本文把到达方向估计做成 32 类分类，用 U-Net 输出逐帧后验，再用保形预测集合的大小与形状决定相信神经网络还是相信时间连续性，实验显示该平滑在 0 dB 突发方向噪声下能降低平均绝对误差，但在无噪声低混响时提升很小甚至略变差。