语音

针对含噪混响单通道分离缺空间线索问题，该文用双通道三元组预训练单通道空间编码器并以 MHCA+FiLM 调制 TF-Locoformer，在 WHAMR!上 S 模型 17.4 升至 17.7 dB、M 模型 18.6 升至 18.9 dB，代价是增加 1.0-1.2M 参数并依赖仿真空间条件构造。

针对 Conformer-Transducer 端侧过大问题，论文用二值低秩分解加梯度敏感度的混合秩分配把编码器压到亚 1 比特，用 LibriSpeech 上 1.0 bpw 混合秩 dev-other 词错误率 6.01% 与 0.2 bpw 仍可运行为证据，代价是解码器与联合网络仍需高秩且低码率下词错误率明显上升。

针对单中心单类学习把真语音压成单峰分布的问题，QAMO 按语音质量建立两个真语音中心并用质量分类与单类损失联合训练，在 XLSR-Conformer-TCM 上于 In-the-Wild 取得 5.21% 等错误率，代价是依赖 Scoreq 预测与增强样本的质量代理假设。

QuadVAD 用 4 ms 细粒度判决、可学习谱分解加卷积与 LSTM 的紧凑结构、MFA 对齐加 TIMIT 微调的数据管线，在公开集和加噪 TIMIT 上取得更高的 AUC-ROC 与更准的起始边界，代价是依赖精确对齐标签和特定增益与噪声条件下的评估口径。

该文针对混响语音盲估计的房间嵌入易被语音内容和破损扰动的问题，用冻结 RIR-VAE 潜空间锚定加多正对比学习表示，并用破损离散度排序校准单句不确定性分数，在 RIR 验证 AP 达 0.99 和全局排序相关 0.90 的同时保持重建与参数估计基本不变。

针对语音伪造检测中自监督特征平滑掉细粒度伪影的问题，该文冻结语音编码器、只用约 4.4% 附加参数学习量化器层级加权，在 2019 年评测上相对基线降低 46.2% 等错误率，在第 5 代评测上降低 13.9%，代价是增益随编解码器家族变化且静态权重不能自适应样本。

论文审计六个英语语音技术数据集，发现可测量的酷儿占比仅 0–1.4%，不足以做稳健差异测量，并以两个酷儿社区语音库为对照提出扩展与包容、效率与参与、开放与自主、静态分类与流动身份四组实践张力。

针对二值目标粗糙、时序对齐易错和真类概率坍缩问题，论文提出结合排序分与分布距离的连续目标 RanD 并为四种解码结构训练词级置信度估计器，在印地语与英语实验中报告了更低的校准误差与更高的区分度，但删除词与低资源表征仍未解决。

针对单句反欺诈易过拟合伪造痕迹的问题，RAT 用同说话人真参考做交叉注意力的增强训练，在 ASVspoof 5 评估集上以 2.57% EER 和 0.074 minDCF 达到单模型最优，且推理时可直接用零向量代替参考，代价是需要配对采样和两阶段微调。

论文用混合访谈音频考查音频语言模型能否只总结儿童语义并保留口吃特征，最强证据是端到端模型在蕴含判断上偏向肯定类而级联基线用准确转写可恢复矛盾检测，代价是重度不流畅与成人干扰下忠实度明显下降。

针对说话人确认中保持全时间分辨率导致一维通路算力随通道线性上涨的问题，ReDimNet2 在保持维度重排残差逻辑的前提下引入时间池化并用上采样恢复聚合长度，以 B0 到 B6 七档配置在 VoxCeleb1 上系统性压低等错误率，最大代价是放宽恒体积约束并在大模型上引入训练波动。

针对单个语音特征测量噪声大、难以做临床试验终点的问题，该研究在自然史数据上学复合指数权重并在独立临床试验上验证，报告复合指数 ICC 超过 0.9 且 MDC95 降到组间标准差以下，但最强单个特征仍接近复合表现且权重高度集中。

该研究用同一被试三种发声方式的颅内脑电分别训练声谱重建解码器并做跨条件测试，以包络相关和句子排序可分性验证共享表征，最强证据是跨条件显著高于打乱零模型，而代价是想象条件句子特异性较低且非线性高相关不等于高可分性。

论文用两维逻辑回归探针检验 ADReSS 与 ADReSSo 的声学变异性，发现固定测试集上双特征可达 0.875 与 0.831 的宏 F1，但标签置换仍可偶发高分且蒙特卡洛均值回落到 0.622 与 0.667，代价是固定划分成绩不能作为病理相关性的证据。

针对说话人识别训练压制同一人差异而损害语音生成表现力的问题，该文提出每人学多个子中心的判别训练，并在零样本声音转换上显示高方差配置提升可懂度和自然度，同时保持验证性能，但低方差配置在说话人相似度上更有优势。

论文在三个语音分类任务上用九个预训练实例比较八种微调配方，发现统计上不差于最优的顶组身份随 checkpoint 而变，多随机种子还会双向翻转激活成败，因此小幅领先更像实例与种子相关的唤醒匹配而非普遍更高的性能上限。

该研究以荷兰语地图任务对话中 1910 个语段交界为样本，用句法完整与边界调预测保持、附和与转换三类过渡，发现附和与两者都不同但更接近转换，而高边界调与完整句法是关键区分条件。

针对连续情绪识别中标注滞后于语音的问题，该文提出在特征上做因果滑动平均以引入群延迟来代替直接平移标签，并在 RECOLA 上显示其峰值与移位法相当但对时间参数更不敏感，代价是效价需要更长的累积窗且长窗下个别种子会失效。

该研究用 250 通法国 SAMU 真实急救电话和调度员标注的 5 级优先度比较类别情绪与维度情绪接入有序回归的效果，报告显示类别情绪无增益、维度情绪仅有说话人依赖的交互效应，而年龄与说话人角色等元数据预测力更强。

论文以奥克兰现代 67 人与历史 8 人的前后元音声学比较为证据，显示/e/与/æ/经历先升高前移后降低后移，而/ɪ/在历史组已中央化且受边音条件制约，代价是历史样本小且录音介质不一致使结论仍为初步。