语音

针对混合语音中重叠与噪声变化导致目标转写恶化的问题，该研究让同一 Whisper 分别学习目标转写与双说话人串行转写并在解码时以单一引导尺度调节声纹偏好，在冻结主干下用目标域开发集选全局尺度并以轻量预测器做逐句微调，取得可部署的全局加逐句增益而代价是需要标注开发集且预测器仍远低于逐句事后上限。

针对边听边翻需要在等够信息与尽快输出之间抉择的问题，该研究提出只看最近语音块注意力占比的 RFAP 和再加注意力变化率的 DCAP，使离线训练的语音到文本模型无需再训练即可流式运行，在 CVSS-C 三个语对上 RFAP 在中延迟段取得最高可比 BLEU 而 DCAP 保住极低延迟下的质量，但高延迟段优势收窄且 DCAP 随延迟增大而退化。

Audio2Tool 用约 30000 条横跨智能车、智能家居和穿戴设备的八层语音查询，把语音工具调用拆成选接口、填参数和多步编排来测，报告显示简单命令准确率高但多意图与强噪声下精确匹配大幅下滑，且端到端语音大模型尚未稳定超过先转写再调大模型的级联路线。

针对多角色长篇有声书语义连贯与情感可控难兼得的问题，Audiobook-CC 用前后文建模加风格解耦加自蒸馏，在章节级取得 M-MOS 为 4.25 分与对话 S-MOS 为 4.11 分，代价是三阶段大数据训练与章节边界后文缺失时的空标记回退。

论文把流匹配与扩散语音合成中初始高斯噪声与生成梅尔频谱图的空间相关变成水印信号，用固定特殊噪声生成加余弦相似度验算或外挂检测器判别，在强裁剪与变速下比 AudioSeal 更稳，但回声与极端滤波仍是代价与边界。

针对长篇沉浸式音频故事中人声与角色错配和生成质量波动问题，AuDirector 用身份感知预制作加评论者主导的合成修正闭环与人工交互修订组织语音、音效和音乐，论文报告其在结构连贯、情感表达和声学保真上优于基线，但非语音多样性不足仍是代价与边界。

AugCodec 针对低帧率下语义与说话人纠缠导致重建词错误率高的问题，用语音转换、换句同说话人和低频保留三种增强输入分别提取语义、说话人和韵律令牌，并在 LibriSpeech test-clean 上以 12.5 Hz 三路令牌取得更低词错误率和更高音质，代价是依赖外部语音转换模型和固定低频分界等构造选择。

针对只有单声道而缺空间线索的问题，AURA 先用混合 U-Net 做粗双耳估计再用条件流匹配做细化，在同一数据集上 Wave-L2 做到 0.123 并以 11.26 M 参数运行，但计算量与相位指标仍有代价。

该研究把二语可懂度操作化为音素错读特征上的回归问题，用 600 条人工评分录音训练 AdaBoost 决策树，以可懂度相关 0.74 超过语音识别词错率基线 0.67，并用特征重要性给出分音素的误差排序，但代价是只用切分特征且样本偏向中高水平。

针对饼干失窃图描述任务，该研究用微调伯特模型做 23 类内容信息单元识别并用层相关传播定位时间，再把单元转移建模为带时间间隔权重的有向时序图，证据是手动转录上 F1 为 0.879 左右而临床组表现出更少独立节点和更长转移间隔，代价是动作类定位精度偏低且长叙事需要按词数归一化。

论文要解决从常态嗓到嘎裂嗓转变点的自动定位问题，选择不惩罚八度跳变的 REAPER 基频加声门闭合时刻估计配合导数阈值与能量峰约束，最强证据是 474 个澳式英语/hVt/样本上与人工标注的组内相关系数为 0.768 且元音长短效应结论一致，代价是自动法系统性偏早一至两个脉冲且仅验证了一种音系来源的尾部嘎裂。

针对分块流式 Conformer 中因果卷积丢弃块内未来帧的问题，BACON 把深度卷积通道分成因果组与边界感知双向组，在参数量不变下扩大感受野，并在 LibriSpeech test-other 上 CHAT 相对降低 9.3% 词错误率且平均发射块序号不增加。

针对刚性槽位式语音合成难以处理自由形式用户请求的问题，Bagpiper-TTS 用同一模型先做文本规划再生成数百词元富标题最后合成语音，在 Seed-TTS-Eval 英文集上报告词错误率为 1.7%，代价是依赖大规模仿真数据过滤与长标题推理链。

该研究用脑磁图在 5 名健康成人朗读 5 个真实短语时检验运动后贝塔反弹是否存在并受构音复杂度调制，最强证据是高复杂度短语组在左侧口部运动皮层的反弹更强，主要代价是样本小且未做统计检验、基线可能受残留调制污染。

该文用装配演算的稀疏竞争与局部可塑性处理连续语音，在无权训练下以边界变化信号得到音素 F1 为 0.69 与词 F1 为 0.61，以每类循环区的轨迹共振得到音素 47.5% 与命令词 45.1% 准确率，代价是阈值需每句调优且细类区分仍弱。

针对平均标注的唤醒度-效价映射与个人听感错位问题，该文用冻结声学主干、只在二维 A-V 空间做人机交互遗传搜索的个性化层，在保持可懂度和自然度的条件下把偏好率提升到个性化 76% 与文化适配约 65% 上下，但代价是每种情感需多轮试听反馈且结论限于 30 人小样本。

该文在统一录制协议的 18 人芬俄双语 FROST-EMA 上以留一说话人方式系统比较原始 EMA 与声道变量、自监督前端与 MFCC、BiLSTM 与轻量注意力反演器，最强证据是跨性别约降 0.05–0.10 而跨语言约降 0.10–0.20 且舌体收缩位置退化集中在音位活跃段，代价是俄语女性仅 2 人及唇突出维度本身难以从声学恢复。

针对 EEND-VC 局部分割需要处理重叠语音并扩展到长录音和任意说话人数的问题，论文用 WavLM 前端加双向 RetNet 后端做短窗分割，在冻结与微调 WavLM 的两阶段训练下把域内宏平均 DER 做到 15.8% 和 15.0%，代价是后端参数增至 8.6M 且最优结论依赖固定 10 秒训练窗和 VBx 调参条件。

该工作用 47.88M 参数的双向 Mamba2 编码器在约 250 小时 67 语言无标注语音上做掩码离散单元预测，在官方评测以说话人聚类 ARI 0.735 超过四个基线，但语言识别 macro-F1 0.073 与字符错误率 0.870 仍明显落后，且后期检查点出现音素泛化退化。

针对伪造语音攻击下说话人确认失效问题，BiSASV 用说话人全局统计调制反欺骗特征再反向门控说话人嵌入，并在 ASVspoof 2019 LA 评估集上报告 SASV-EER 0.73% 与 min a-DCF 0.0153，代价是依赖预训练前端与联合后端调参。