语音

针对早期帕金森与健康对照的二分类问题，该基准用固定说话人无关划分与四种训练资源设置比较三种可运行方法，最强证据是 RECA-PD 在 DDK 与句子任务上平均最优而元音任务最难，代价是数据集泛化差距大且聚合与阈值迁移仍不稳定。

针对耳机通话中常规有源降噪会连带压制语音的问题，该文用因果 WaveNet 增强参考信号以滤除语音保留噪声，再沿用常规有限冲激响应控制滤波器降噪，最强证据是多种信噪比与真实噪声下误差信号的短时客观可懂度与 DNSMOS 均优于可运行基线，代价是约 9.53 M 参数与每秒约 38.12 G 乘加运算的参考增强开销。

论文用同一无说话人条件的生成器把每种内容表示重新合成为语音，再测内容、说话人和韵律保留了多少，发现有监督表示只有在容量被显式约束时才解耦说话人，而码本大小只在同一机制内微调。

针对单码本语音 token 同时建模内容与音色且固定帧率浪费码率的问题，DySTCodec 用 32 个固定长度全局说话人 token 加相似度动态聚合语义帧，在 LibriSpeech 上以 0.7 kbps 固定帧率和 0.57 kbps 动态帧率保持可懂度和音色相似度，但 25 Hz 激进压缩仍出现可懂度下降。

针对语音质量评价依赖背景声学和细粒度 cues 而常用自监督表征对此不变的问题，该文用局部谱时编码加帧级谱聚合的新编码器与包含直接混响比和窄带宽带的新声学任务做联合预训练，在冻结编码器下以较小参数在多数据集上达到可比大模型的平均意见分预测，并以消融显示新任务的增益与小数据训练的代价。

该研究用一遍输出完成句子准确度、流利度、韵律与词音素准确度五维评级并附带自然语言解释，在 SpeechOcean762 上以监督微调加有界偏好优化缓解类别不平衡，句子级解释自洽但词音素级定位仍不可靠。

该研究用自适应能量包络检测朗读中的浊音 burst 与停顿，把六个跨语言一致差异的时间特征按语言匹配对照标准化平均为 CTSI，在 89 例 HD 与 82 例对照中与 cUHDRS 等临床分数强相关，最高为 SDMT 的 r=-0.77，代价是仅用时长信息且未做纵向验证。

针对新型鼻式电子喉数据稀缺与声学特殊问题，论文在统一序列到序列框架下比较梅尔谱与 WavLM 特征并用局部线性嵌入合成配对数据预训练，最强证据是梅尔谱 ETN-VC 把可懂度字错率从 72.0% 降到 63.0%，代价是主观自然度评分仍落后于 WavLM 系统。

该研究用 7 名女性流利者的读语句料和广义加性混合模型分析 524 个重读元音，显示塞音语境对第一共振峰影响小而对第二共振峰影响大且贯穿整个元音，代价是仅覆盖青年女性和朗读体且无法分离前后协同发音方向。

该展示论文要解决如何让学习者在移动端直接听到和比较虚构角色的日语风格差异，选择人物条件大语言模型加角色专用合成语音加点击查词的完整交互环，不做离线评测与学习效果验证，代价是风格化口语不适合正式场合且噪声下依赖文本输入保底。

针对只改一两个词的部分语音伪造，论文用神经编解码器压缩原声并以时间重复最低有效位方式预先藏回自身，再比较接收信号与自重建的动态时间规整差异做检测，在单双词替换下把等错误率降到约 9% 和约 5%，代价是发布前必须嵌入且极短篡改仍难检。

针对卒中后构音障碍朗读中停顿是否恰当难自动评的问题，论文用逐字 Whisper 转写加 MFA 对齐与 VAD 修正再交大模型分类，专家评定上轻中度组宏 F1 达 0.68，加入不恰当停顿特征使构音障碍检出宏准确率提升 8.4 个百分点，但重度组因转写不可靠未纳入定量评价。

ADDSE 把语音增强转写为以带噪码为条件生成干净神经音频编解码码的条件分布，用吸收式离散扩散和 RQDiT 并行解码，在两套跨语料噪声测试上以非侵入指标取得可比质量，尤其在低信噪比和少采样步数下保持稳定，代价是侵入式指标和相位重建能力明显弱于判别式基线。

论文追问澳大利亚英语词尾/p,t,k/如何实现清音，用声门接触的电信号加喉头镜直视做交叉核对，发现鼻音前/t/靠收缩、/k/靠张开而词尾三处都倾向收缩，但样本小且只做描述性平滑。

该研究用 4 名英国英语男声在 6 种嗓音设置下的朗读语料检验 CPP、频谱倾斜、HNR 与长期共振峰，发现气嗓与鼻音在组层面抬高频谱倾斜但个人实现高度不一致，因此声学测度只能做说话人内的相对指示而不能做跨人绝对映射。

论文以 49 名三代厦门话母语者的图片命名发音为对象，用归一化基频曲线比较本调与变调是否声学等同，报告显示即使记作同一调值仍存在音高与斜率差异，且青少年压缩本调空间却扩大 44 变 22 与 24 变 22 的对立，老年则基本中和。

针对八种英语口音的识别退化问题，该工作把口音差建模为编码器激活空间中的可加均值偏移方向，先做逐层敏感性定位再在中间层做无参数推理时干预，最强证据是在平衡评测集上原生口音词错误率下降约 19.92 至 33.80 个百分点，代价是尾层干预会引起严重崩溃且非原生口音增益较小。

针对双麦克风手机上换姿势就失效的贴近麦克风语音检测问题，Ada-Mic 用广义互相关向量隐式携带到达方向信息辅助距离判决，在保持主干不变的可插拔双分支结构下过渡距离与噪声条件下取得最高约 24% 的准确率提升，而额外计算量仅为 ProxiMic 的 7.6% 与 HuBERT 的可忽略水平。

该研究用同一房间连续呈现 10 句三词句的方法，比较早沉浸、晚沉浸与非沉浸三组听者在非声码与 8 通道声码条件下的词识别率与瞳孔峰值扩张，报告声码使识别率明显下降而适应变化趋势在各组间相近，且瞳孔扩张随句序总体下降。

针对文本大模型做语音持续预训练时会严重遗忘文本能力的问题，该文选择冻结原模型、只训练新插入的四分之一层，用 48k 小时英语识别数据证明交错插入在识别上接近全量微调而文本退化小一个数量级，代价是推理时多 25% 层开销且纯文本使用需丢弃新层。