语音

该研究以开慧湘语入声 T6 为对象，用基频、时长和嗓音质量三维声学对比入声与非入声并检验性别，报告显示塞尾已消失但降调轮廓与短时长保留、喉化前移，且男性时长截断更保守、女性时长弱化与发声创新更前沿，代价是仅有中老年横断面而无青年对照与多韵律条件。

针对干净与多种增强梯度方向冲突和幅值失衡问题，论文提出以干净梯度为参考的对齐加指数滑动平均幅值归一化，在保持干净锚不变下用可运行的多增强训练在域外集上降低等错误率，但冲突裁剪阈值与参考选择仍需更多验证。

该研究在儿向语上比较音素与语音转写下的四种无监督切词算法，发现两类算法几乎不受语音变体影响，另两类下降幅度也明显小于成人语既往报告，但小数据下基于词典累积的算法代价增大。

该文针对客服语音中烦躁强度难以及时量化的问题，用银行客服表演录音加三维度 1 到 10 分众包标注与一致性筛选构造时序语料，最强证据是微调后 XLSR 模型在攻击性强度上平均绝对误差 1.333 而相关系数 0.710，代价是表演口音、非说话人无关划分与小样本内部验证限制了外推。

针对神经编解码处理后真语音更易被误判为假的问题，该工作用难正例挖掘加引导损失和三元组损失拉开编解码后真与假的嵌入距离，在未见编解码上把等错误率从约三成降到约一成二，代价是需构造特定小批量并调两个间隔超参数。

针对标准残差向量量化各阶段频率纠缠与并行子带解码丢失谐波上下文的问题，HARP 只改训练损失、把 9 个阶段按低到高分成 4 组并做累积解码与软子带监督，在语音音乐通用音频上同时报告了客观与 MUSHRA 增益，代价是训练期约 2-3 倍解码器前向开销。

针对改大或压住 creak 时音高与性别感知易被连带拖走的问题，论文用两段条件连续归一化流分别处理高层说话人属性与低层嗓音品质并在中间层做对抗去相关，在 LibriTTS-R 与 YourTTS 主干上以更小的音高偏移和更稳的性别与说话人验证指标完成 creak 编辑，代价是强操作仍会损失部分说话人相似度且抑制方向的主观 creak 变化不显著。

该研究在德语整句产出中同时操纵词频与音节惊奇度，发现反应时与长元音时长不支持离散串行模型的加性预测，而呈现随单双音节变化的选择性交互，且句中与句末位置效应稳定存在。

针对儿童发音高度可变而成人音素识别会强制归类的问题，该研究用无监督音节发现模型 Sylber 对 957 名 5 到 15 岁儿童做自底向上分析，报告了边界一致性随年龄上升、音节簇数量先升后降、簇纯度单调上升的证据，代价是需要成人对齐参考和额外儿童适配训练且边界未做严格评测。

在英语 MSP-Podcast 约 104 小时与台湾普通话 BIIC-Podcast 约 102 小时上用 WavLM Large 做唤醒度、效价、优势度回归，发现唤醒度用 2 小时适配即可追平 100 小时单语模型而效价需约 20 小时，且优势度测试集绝对值极低限制了结论外推。

针对低帧率离散化丢失音色和微韵律的问题，论文用离散 token 做自回归骨架加单步连续残差精修，在 LibriTTS 上于 12.5 Hz 把 TTS 自然度从 1.99 拉回 4.10，代价是需维护双路编解码与两类损失的联合训练。

论文把 Parakeet-CTC 的相对位置注意力、Swish 和异常激活全部改写为整数运算，在 LibriSpeech test-other 上以 4.97% 词错误率和 0.048 实时率跑通手机 NPU，代价是相对浮点基线仍高约 1.21 个百分点且依赖静态图与填充。

针对构音障碍语音可懂度差异大而数据少的问题，该工作冻结 HuBERT-large-ll60k 主体、只训练可懂度调节器与识别器，用通道级缩放平移把可懂度信息注入声学特征，在 TORGO 留一说话人测试下把平均词错误率从 54.0% 降到 21.0%，代价是仍需 utterance 级可懂度嵌入与两阶段训练流程。

针对零样本声音克隆的未授权冒用问题，该工作先解耦内容与说话人表示再在说话人嵌入空间加对抗扰动并用心理声学掩蔽约束不可听性，在 VCTK 上报告 87.2% 防御成功率、MOS 4.18、WER 5.30%，代价是需要两阶段训练且黑盒迁移后防御率明显下降。

针对波兰语儿童卷舌擦音与塞擦音的齿化、龈腭化和齿间化问题，该研究用 28 个 500 Hz 噪声能量与摩擦共振峰比值结合线性混合效应模型检验发音位置效应，最强证据是齿化在 FNER 比值上解释近 30% 方差且高频差异延伸至 14-16 kHz，代价是类别不平衡使稀少齿间类的估计精度下降。

该文用与任务无关的逐层熵、曲率、不变性加跨层生成兼容矩阵来刻画 Wav2Vec2、HuBERT、WavLM 等模型的层级分工，最强证据是中层音素核稳定而深层出现熵塌缩与身份剪枝，代价是需要为每层另训生成解码器与线性探针才能把拓扑与任务接起来。

针对可懂度仅 20.9% 的重度构音障碍单人长时数据，论文用 BLSTM-HMM 从零训练与 Whisper 英文模型微调做说话人相关识别，并把微调后的 medium 模型泛化到 TORGO，最强证据是 medium 测试词错误率 10.5% 与重度组平均 6.4 个百分点改善，代价是需要十小时级单人数据与大模型微调成本且极重度个案未获益。

论文用声学劣化、重音翻转、基频与语速操纵三组可控扰动比较 15 名日语母语听众与 6 个预测模型，显示模型能跟踪杂音却对 1.84 分的重音下跌至多只动 0.1 分，并对平均基频呈现人类没有的强偏置，代价是标量平均意见分丢失了韵律维度。

论文用四系统配对消融与 768 个人评证明神经 MOS 在离散野外 TTS 上相关性塌到零且错罚噪声而漏判语义错误，代价是不能再单独用它做系统排序。

该研究用同一批句子在朗读、助手、演员、动画角色和自发对话五种设定下同时测人类相似度和合适度，发现合适度随场景独立变化，最强的证据是人类相似度与合适度的句级相关从演员域正相关转为助手域负相关，而常用客观指标在表情丰富的域失效。