语音

针对自监督语音离散化会丢信息的问题，论文在训练保持硬聚类、推理改用簇后验加权嵌入，在 ASR 与语音合成上优于硬赋值并在非母语等域外数据上更稳，代价是推理要算全簇距离并为每任务调温度参数。

针对自注意力平方复杂度与语音帧间高冗余的矛盾，该研究用查询保持原分辨率、键和值做平均池化压缩的非对称注意力，并在 Zipformer 中按层设置不同步长，报告在 AISHELL-1 上最高降低 0.2% 字错率、在 LibriSpeech 上降低 0.3% 词错率，代价是干净语音小模型细节可能被平滑以及流式部署仍待验证。

针对声音印象数值控制中无公开语料与参考音频导致印象泄露的问题，论文构建 LibriTTS-VI 并提出双话语解耦训练与无参考生成，最强证据是 11 维印象均方误差客观从 0.61 降到 0.41、主观从 1.15 降到 0.92，代价是无参考方法说话人相似度略降且部分维度仍难控。

论文用目标模型样本的平均残差做指纹并以马氏距离做归因与检测，在多语种多架构上报告近乎完美的单模型归因与可比深度基线的闭世界分类，代价是对抗自适应攻击与强混响压缩仍需重估计指纹。

针对语音情感识别中音频语气与文本内容可能缺失或冲突且大模型难以在消费级 CPU 上实时运行的问题，论文提出只训练约 64k 参数的 Light-DMF 分离融合结构，用冻结的 Distil-Whisper-large-v3 与 all-MiniLM-L6-v2 做特征、用三路输出分别给出判断，并在 Intel Core i7-5600U 上以 1 分钟音频需 …

LISE 把冻结的说话人向量无监督分解为 35 个非负正交分量，在保留验证性能的同时让人耳以 83.9% 准确率分辨高低权重说话人，代价是重建后等错误率仍略高于原始向量。

针对大音频语言模型中语音事实不知存于音频编码器还是语言主干的问题，论文用语音感知的因果追踪定位再做单层与多层编辑，最强证据是音频层编辑总体优于文本层与微调，但多层累积更新会带来分布偏移与特异性代价。

该研究把转录加停顿标记、话语话题簇、流利度统计和音素序列统一写进结构化提示并用 LoRA 微调大模型做话语级二分类，在 ADReSSo 上最好达到说话人级 F1-score 为 90.14%，代价是话语标注依赖外部商用模型且仅在英语图片描述任务上验证。

针对 3-5 分钟英语口语考试多标准评分问题，M-LAMA 用分段音频建模加题目感知文本编码加双向跨模态融合与三阶段训练，在约 8.6 万会话数据上把多模态 Acc@1 做到 90.82% 而单模态仅 49.30% 与 43.46%，代价是依赖私有考试数据与冻结大编码器加小批量训练。

针对车舱中文多意图口语理解缺少复杂基准的问题，论文构建含 8 域 81 意图 192 槽位的多意图数据集并统一评测多类大模型与大音频模型，报告显示上下文学习总体准确率不足 15% 而域内微调可达 60.73%，端到端模型靠避免识别误差传播追平流水线方法。

针对自回归 Transformer 语音合成二次复杂度导致长序列显存与延迟过高的问题，MamTra 把预训练 Transformer 的部分层替换为 Mamba 并用多级蒸馏恢复性能，最强证据是在仅用约 2% 英文数据下推理显存降低可达 34%，代价是 1:1 配置词错误率绝对上升 0.25% 且激进替换会明显损伤可懂度。

该研究以 77 名澳大利亚英语男声的图片描述语音检验性取向、传统男性角色态度和话题对局部基频、基频动态性和基频范围的影响，最强证据是局部基频只随年龄下降而动态性和范围只在复杂交互中变化，代价是结论高度依赖年龄分组和话题条件不能简化为群体主效应。

针对多人混合中用注册语音抽取目标说话人的任务，MeanFlow-TSE 沿用背景到目标的混合比流形并改用平均速度训练，在 Libri2Mix 上以单步推理取得 Clean 集 3.26 PESQ 与 18.80 dB SI-SDR，代价是无参考自然度指标仍落后于部分多步模型且复现依赖原文超参数。

该研究用人工标注话语时长比较同一越南语接触项目第一年与第二年前八个片段，报告儿童总话语占比从 10.9% 升至 25.3%、师生比从 8.17 降至 2.94，但英语仍占主导且组织者越南语输入下降而儿童越南语输出仅获中等强度证据支持。

该研究用无线颈带双传感器在日常连续估计声压级与声门下压之比的生态发声效率，14 名女性被试显示患者日常均值更低且波动更窄、超出个性化正常范围的发声时间显著更长，但样本小且为初步结果。

针对预训练语音表示漏掉低层幅度相位伪影的问题，该工作用频率音频编码器显式建模幅度与相位、用谱混合专家在冻结奇异基下适配 WavLM，在 2019 LA 上报告 0.29% 等错误率与 0.0081 最小串联代价，代价是引入跨注意力融合与多专家门控等额外结构与超参数。

该研究用颈表加速度计与肩挂噪声剂量计的数天同步监测，把环境等效声级均值与波动映射到音强、基频、倒谱峰突出度和一二次谐波差，报告了随噪声上升音强基频与倒谱峰突出度上升、一二次谐波差下降且非线性模型最优，但噪声只能解释部分方差且组间差异集中在音质斜率上。

针对多人重叠语音不知跨说话人词序的问题，该文用洗牌积与偏序有限状态自动机构造全部合法交错序列并以 CTC 式前向算法边缘化训练，实现单遍对齐与说话人归属转写，主要代价是图规模随重叠长度膨胀而必须用时间领约束剪枝。

该研究用剧本对话比较人与 AI 交谈者在中性和负面语境下的粤语发音，发现对 AI 时目标词更短且特定声调 F0 轨迹发生局部偏移，而负面情绪仅边缘性扩大元音空间。

论文要解决强制对齐在多语言、多方言和自发语音上边界不准与流程难复用的问题，选择以隐马尔可夫高斯混合为声学骨架叠加更大规模数据清洗、国际音标词典、发音概率与适配重映射来改进，最强证据是英日韩四个基准上平均边界误差均低于 15 毫秒并在多数比较中领先，而代价是适配与音系规则的收益只在特定条件下出现。