语音

针对带切分前端中循环时间与跨频带模块的串行依赖问题，论文用并行时间—频带混合器替代循环展开并用可学习的观察信号加回抑制伪影，在冻结 Whisper 下降低词错误率，代价是仍需两阶段训练且为话语级非流式混合。

针对一步式交错时间戳会拖累转写质量的问题，论文用同一语音大模型先做纯转写再带时间戳复写，并以模块化低秩适配实现隔离训练，最强证据是英语平均 27.1 毫秒、多语 21.2 毫秒且词错误率与基座持平，代价是模块化分支需处理缓存复用与二次音频注入。

针对多语语音大模型中多任务混训导致语言区分度丢失的问题，PART 用先单语 ASR 逐层解冻再引入 S2TT 联合优化的三阶段策略，在 Fleurs 上把平均 WER 从 6.4 降到 4.7、在 CoVoST2 上平均提升 1.4 BLEU，代价是需要 810k 小时 ASR 加 434k 小时 S2TT 数据与 256 卡三轮训练。

针对车内多座位语音串扰问题，该研究把心理声学掩蔽权重写入多用户 MIMO 加权最小均方误差预编码，在实车测得脉冲响应上报告 MU-MIMO-Perceptual 取得 STOI 0.859 与 ViSQOL 4.191 的最高语音质量，代价是在部分频段声对比度不及只压能量的 ACC 与 PM。

论文在被动服务器威胁下只用全局与本地权重差做非参数质心分类，证明口音与年龄可被高准确率推断而性别接近随机，并以针对性微调与功能位移分析解释泄露与预训练覆盖不足的关系。

针对未见关键词与未见说话人双重零样本问题，ZP-KWS 用音素监督的关键词分支与 GE2E 预训练的紧凑声纹分支做乘法晚融合，在 LibriPhrase Easy 目标专属模式下把 FRR@1% 从 PK-MTL 的 72.79% 降到 29.47%，代价是保留约 1.55M 参数与阈值调节依赖。

针对净化后仍能克隆的语音伪造问题，该工作把身份比特藏进 100-1000 Hz 音素稳定区并用 Mamba 编码与对抗净化训练实现迁移，在 11 人 165 条克隆语音上报告近 100% 溯源而 MH-Mamba 净化后保持率报告 92.34% 且代价是需强制对齐与两阶段训练。

该研究以首音节目标元音时长为主要证据检验十元音长短对立假设，发现长元音约为短元音 2.08 倍且五组元音均显著分离，代价是短元音样本偏斜且结论限于朗读式产出数据。

针对微调中损失曲线不能反映口音感知变化的问题，该研究用合成与真值元音空间形状的重叠面积与普鲁克鲁斯特归一化差异跟踪学习，并在新西兰英语与印度英语上报告与口音相似度评分的强相关，代价是只覆盖角元音与元音系统且需额外合成切分与共振峰流程。

该研究把声带双质量振动与一维声道波动方程写成无监督物理损失，用分支输入声道形状、主干输入时空坐标的深度算子一次学习五个元音的稳态周期解，最强证据是基频误差约 0.1-0.2% 与声门流量和唇端声压波形接近传统求解器，代价是训练约 80 小时且目前只验证已见形状的稳态推理。

针对冻结神经音频编解码器丢失词义性基频的问题，论文提出旁路音高注入残差适配器 PIRA，用 1.25M 至 1.65M 可训练参数和每帧 5 比特边信息把平均编解码器引入声调错误率降低 35.7%，同时保持英语质量不变且可完整移除。

本研究用三音节人工语言检验音节缩短位置对切分的影响，发现中间音节缩短促进切分、末音节缩短损害切分、首音节缩短无明确作用，说明缩短只有对齐词内可预测结构时才起帮助作用。

针对端到端语音识别中专有名词易被替换为高频近音词的问题，该文提出只读转写文本的多视角检索 grounding 框架，用 G2P 细粒度发音、Soundex 粗粒度编码与上下文语义嵌入做归一化融合排序，在 69542 个对齐药物实体上把 Whisper-large-v3 的 Recall@1 从 38.27% 提升到 74.67%，代价是依赖预定义闭集词典与实 …

该研究用同一批德语朗读在排卵期与黄体期做二分类，以可解释的手工特征与情感任务微调的自监督嵌入分别建模，最强证据是手工特征在随机森林与逻辑回归上达到 62.5 % 整体准确率，代价是统计检验经多重校正后无显著特征且嵌入特征未超机会水平。

论文把自动语音识别中的幻觉定义为对齐后的编造插入词，用因果中介与注意力行为定位到偏向文本的多头自注意力，再用连接时序分类门控与跨注意力构建 AudioSLM，在 LibriSpeech 上把开发集幻觉错误率从 52.01% 降到 8.69%，代价是正确率与替换删除略有回退且大骨干仍出现逆扩展。

论文冻结 Wav2Vec 2.0 XLSR-53 逐层探测五个中国方言，报告从声学主导到语音分化再到深层流形收缩的三段几何演化，并指出中间层保细粒度语音、深层利宏观分类，但未训练新模型且未报告识别准确率代价。

针对语音情感标签模糊与训练早期不确定性高的问题，论文提出随训练进程把正确标准从前 k 命中线性收紧到 top-1 的渐进弱监督，用 WavLM-Base 在 IEMOCAP 上报告 78.08% 非加权准确率、在 ViSEC 上报告 85.70%，代价是需要设置初始 k、集中度与三阶段退火 schedule。

针对纯音频讽刺识别任务，ProSarc 用全局情感基线与帧级韵律动态之间的可测不一致做分类，在 MUStARD++ 上报告 F1 为 75.3%，代价是依赖短句韵律对比与单一起点假设且跨语言证据有限。

该研究以三词同调句和中性基线相减的增量测量检验彝—汉语双语者的汉语焦点韵律，显示焦点词基频与强度扩张与北京对照组相当而焦点后压缩完全缺失，且语言经验不能预测焦点后基频，四项经验预测量均不显著。

该研究在 Whisper-small 上用免微调的一次性幅度剪枝证明剪对位置可降低词错误率，解码器自注意力剪 50% 在 LibriSpeech test-other 上带来 2.38% 绝对增益，而 40.8% 稀疏度的敏感度感知压缩仅使词错误率恶化 0.20%