语音

论文把逐字与意图两种转写策略显式为解码器前缀标签并配对监督，用监督交叉注意力做词级对齐、用转写提示做补全，在英语训练零样本德语上把不流畅事件 F1 从约 10% 提升到 90% 以上，代价是需要成对转写与词边界监督及两阶段微调。

论文用变换器自动检出填充停顿并以 Mundlak 校正的广义估计方程建模近四千小时四国议会语音，复现了年龄与语速的负关联、发现南斯拉夫议会中女性更高的性别反转与情感正关联，而政治倾向与执政在野效应只在部分议会成立且代价是自动情感与自动检出的噪声会进入发生率估计。

该文用 SAP 语料先做 LoRA 无监督域适应再冻结 Wav2Vec2-Large 做 25 个 DAB 维度的层探测与可学习标量混合，报告显示最优单层随维度变化而混合优于单层，但标签偏态与时序池化限制仍在。

针对韩语 g2pk 转换慢且词边界音变建模不准的问题，论文用分层指针加递归重估的规则引擎把转换精度从 27.2% 提升到 85.7%、单句耗时从 14.98 ms 降到 3.14 ms，并用 96 个 VITS 模型的方差分析证明高精度音素输入显著降低可懂度误差而不损失音质。

论文把闭集语音内容因子化扩展为通用线性映射，用最小二乘求通用语音到内容矩阵并以数秒目标语音估计说话人矩阵，在保持可懂度和自然度的同时付出说话人相似度弱于闭集与检索基线的代价。

针对多语联合微调容量不足导致的负迁移，论文把 Whisper 解码器前馈层复制为稀疏混合专家并只激活单个专家，硬路由在 10 语和 4 语上优于多语微调与 LoRA 混合专家，代价是总参数随专家数线性增长且需已知语种标识。

URGENT-MOS 针对跨数据集标注不一致与绝对质量和偏好割裂的问题，用共享特征加绝对多指标预测与自然度条件偏好模块统一建模，在多域偏好和相关性评价上更稳健，但全量 15 指标联合监督并不总是带来增益。

该研究用多变量函数主成分分析同时建模 F1 和 F2 在归一化时间上的形状，在 57,269 个悉尼自发语音元音上检验年龄、性别、阶层和语音环境的制约，最强证据是各元音第一或第二主成分均显示年轻人向预期变化方向移动且女性领先，代价是主成分是对原始共振峰的抽象且依赖未手校的自动追踪与严格过滤。

论文研究约 1 万使用者的胡拉语如何做社区所有的文档化，方法是社区发起的众包翻译加长者审校平台 Vavanagi，最强证据是 77 名译者与 4 名审校者产出 12124 对平行句且一次通过率 91%，代价是目前仍以文本为入口、语音只作附件且下游翻译与识别模型尚未建成。

针对越南语说话人识别数据少且依赖人脸关联身份的问题，该工作用说话人日志分割加元数据驱动的大语言模型身份推理构建了约 902 小时 4715 人的 VieSpeaker，并在跨数据集评测中显示更强的鲁棒性与预训练迁移收益，代价是身份恢复准确率随节目类型变化且仍需声纹聚类与人工核验。

论文把语音隐私从信号比对转向四属性组合的等价类与单试次重识别，证据是 72 人集上真实属性 38.9% 唯一、推断属性仍 31.9% 唯一且匿名后攻击错误率最低仅 0.58，代价是分类器误差相关反而帮助攻击、匿名并未针对属性保护设计。

该研究用 CUCO 库比较鼻中隔成形、鼻内镜鼻窦手术、扁桃体切除与健康对照在术前、术后 2 周和术后 3 个月的元音鼻化，显示 A1-P0 对病理差异更敏感且效应集中在/u/，只有扁桃体组出现术后早期的短暂鼻化减弱而无长期改变。

论文把语音后期识别定义为效果存在、预设类别、数量与强度回归的多粒度任务，用固定六效果链加 2520 种组合的可复现渲染器构造数据，并以 AudioMAE 多任务基线证明鲁棒增强能缓解采集与平台退化的跨语料下降，但细粒度预设分类仍困难且存在效果间差异。

论文针对合成语音普及后水印检测缺乏统一跨分布评测的问题，用 10 种水印与三类扰动构建大规模基准并提出两阶段基线 AudioWMD，最强证据是白盒下 AudioWMD 在 Test1 取得 0.7715 的 AUROC 而单查询基线仅 0.4863，代价是黑盒 HSJA 谱域攻击下其检出率大幅下降。

针对塞音嗓音起始时间、闭塞时长与有无爆破三项细粒度标注问题，wav2VOT 把 wav2vec2 改成 1 毫秒帧分类器，先在日语 CSJ-C 大规模训练再向英语多语料微调，在未见数据上与 AutoVOT 相当、微调后显著提升，但小样本微调在录音差异大的语料上会暂时损伤性能。

论文把目标说话人提取重构为线索结构与可用性可变的条件学习问题，用解耦的线索前端与分离器主干实现可配置组合，并在注册、空间、视觉、文本及缺失线索条件下以相同优化流程验证了互补性与稳定性，主要代价是缺失时仍需占位表示且强空间先验依赖准确方向估计。

论文以口吃语音为案例提出意图转写与逐字转写是两种并存的正确答案，用 11 个模型证明最优排名随参考答案翻转，自回归模型偏向意图、CTC 模型偏向逐字，而 ISR 与 MUR 事件是两类任务共同的误差主力。

论文用时间对齐自监督表示上的积分梯度定位判决证据，再经 100 条样本人工标注与掩蔽反证，显示 AASIST 看非语音环境、CA-MHFA 看局部音素、SLS 看词边界与频谱完整性，而重压缩是三者共同的失效条件。

该工作以口腔与口咽癌患者可懂度评估为任务，用 PWCCA 逐层度量 Wav2Vec 2.0 表征与 eGeMAPS 低层描述符的线性相关，最强证据是频谱组 0.77 与韵律组 0.71 在末层仍高度相关而嗓音质量组仅 0.65，代价是只做相关性解释而不证明因果与可部署替代效果。

该研究把德语桌游解释中表面肯定但自评未完全理解的反馈定义为不一致回声，用声学、头部运动与话语结构特征训练可解释分类器，在交叉验证与保留集上达到约 0.71 的 ROC-AUC 和 0.73 的准确率，代价是依赖回放自评标签与较小的德语特定样本。