语音

针对耳语因缺基频和谐波结构而在漏识与幻觉间摇摆的问题，该文用基频预测与掩码谱重建自监督训练不确定性感知模块，再以全局指令加帧级注意力偏置控制解码，在 AISHELL6 耳语集上报告耳语字错率 1.31% 与噪声幻觉率 4.5%，代价是三阶段训练与引入附加接口参数。

该研究用训练量相同、仅说话人重叠不同的对照划分检验语音抑郁检测，显示重叠时微调模型可达 97.65% 而严格独立时跌至 58.74%，且域对抗去身份信息后差距仍在，代价是现有高分很大程度上依赖说话人记忆而非可泛化的病理特征。

问题是单库训练的语音筛查在新语种、新任务和新录音流程下出现方向反转与局部崩溃，方法是用留一库评估审计 70 个可解释指标并把源库选出的 4 个证据锚与冻结 XLM-R 文本分数加权融合，最强证据是平衡融合平均说话人 AUC 为 0.769 到 0.785 区间、最重锚融合最差域 AUC 为 0.615，代价是在接近饱和的 Chou 域上融合轻微拉低分数且最难 …

针对中文老年语音在自然场景下识别困难的问题，WildElder 从在线视频收集并人工标注 23701 条语音，用从零训练与预训练模型的字错率对比证明野外老年语音仍具挑战，而微调能显著降低误差但高龄与男性语音代价更高。

针对整句情绪条件会放错重音词的问题，该工作用中性与情绪词在自监督语音表征中的差向量做词级控制信号，经 32 维瓶颈压缩后由 RoBERTa 从文本和情绪预测，并在主观自然度基本持平下把词级强调自然度偏好做到对 EME-TTS 为偏好本文方法占比 55.3% 对偏好基线占比 28.0%、对 HED-TTS 为偏好本文方法占比 87.1% 对偏好基线占比 …

针对言语流畅性与图片描述中只计数不建模词间关系的不足，该工作提出只用目标词建图并把语义、语音、空间、时间差异编码为边权重的加权言语图，用一两个可解释图特征达到与完整基线特征集可比的痴呆判别效果，代价是依赖转录与时间戳质量和较小样本的特征选择。

针对粤语语用资源稀缺且纯文本评测掩盖语音线索的问题，该研究把英文语用题转写为粤语并配对录音构建问答基准，报告显示文本加语音拼接优于纯文本而纯语音落后，但先进融合与说话人多样性仍受限。

针对纯语音语言模型序列过长问题，ZeroSyl 冻结 WavLM 并用第 13 层 L2 范数峰值切分音节、22 层均值池化加球面 K 均值离散化，在 6k 小时对比中词汇句法叙事均领先同类音节系统，而扩展实验显示细粒度单元在词汇任务仍占优且音节单元在句法上扩展斜率更陡。

ZipCodec 针对语音分词器依赖重型预训练编码器和多阶段流程的问题，采用 Zipformer 编码器加有限标量量化加 Zipformer 流匹配解码器的单阶段自编码结构并辅以编码器一致性正则，在 23.4375 Hz 与约 1.97 kbps 下报告了可复述的重建与零样本合成结果，代价是仍依赖 Vocos 声码器与流匹配多步推理并需蒸馏加速。

该研究用平行朗读语料和四项声学指标比较英汉嘎吱声生产，发现男性在 H1-H2c 与 HNR35 上更 creaky，且普通话性别差更大，但 CPP 无性别效应、朗读体与设备差异限制推广。

论文把含噪观测插值的条件扩散统一为插值随机微分方程并给出指数龙格库塔求解器 iSDE-2S-κ，在去噪等五项语音恢复任务上用 10 次网络评估达到自适应 RK45 数十次评估的水平，而 κ 过大则残留噪声需要更多步数消除。

针对组织级客户端之间说话人互斥导致的数据异构问题，论文用全局分类头与本地分类头共同指导嵌入提取器，并在服务端的全局分类头聚合中引入按说话人 ID 加权的优势因子，在 VoxCeleb2 上相对本地训练平均 EER 改善 46.5%、相对 FedAvg 改善 7.6%，在 VoxCeleb 加 CN-Celeb 联合训练下相对本地训练改善 68.8%、相对 …

针对雅思口语四项评分标准互相干扰且转写会丢失韵律信息的问题，该工作用直接处理音频的多模态语音大模型做四个分工智能体加总审校对，在 270 段 22.63 小时模考数据上比回归基线更贴近考官打分，但 30B 稀疏模型并未随规模提升且系统未公开代码数据。

该文针对句子重音检测受子词切分稀释与词重音线索未被利用的问题，在冻结 Whisper 上并联词符级句子重音头与音素级词重音头并加入词跨度正则，在 TinyStress-15K 上完整配置取得句子重音 F1 为 0.934，代价是双头不直接交互且评估限于合成语音。

该文针对语音语言模型同时受文本与音频越狱威胁的问题，选择在中间层残差流上用主成分分析暴露拒绝与顺从的分离结构并构造可跨模态转向的向量，最强证据是音频来源的拒绝向量把文本 AutoDAN 攻击成功率从 72.69% 压到 2.82% 而反向亦成立，代价是干预强度需按模型分布手调且只验证了两模型五种攻击。

针对二语者实时口音转换需要低延迟、保内容和保音色的问题，AccentDrift 用稀疏语义分词剥离韵律、用口音适配器与音色适配器分层注入风格，在 0.5 秒级流式延迟下把词错误率做到 6.27 并保持说话人相似度 0.72，代价是仍需多阶段缓存与前视带来的固定延迟。

针对 ASR 与语音情感识别目标冲突的问题，论文用冻结 WavLM-Large 加逐层可学习系数合并同域 ASR 与 SER 任务向量，在 MSP-Podcast 上报告双向量 UAR 为 38.94% 与 Macro-F1 为 35.20%，代价是仍需先分别微调得到任务向量且依赖域内转写。

论文追问经听辨判定为目标齿音的 61 到 96 个月儿童其/s,z/摩擦噪声是否仍有连续年龄变化，用短时频谱与摩擦噪声特征加线性混合效应模型检验，报告/s/高频能量与峰间距随月龄上升而/z/低频能量与第一摩擦共振峰下降，代价是按月展开后样本稀疏且自发与跟读任务未完全平衡。

该研究以 78 名南京普通话人的 236 个音节单字朗读比较年轻与年老组的声调发音，用归一化基频多参数与分布距离加支持向量机分类证明年老组声调区分度系统下降且代价集中为 T2 与 T3 双向混淆。

该文把 FAD 评价拆成召回、精确度、语义对齐与结构对齐并用对数自归一化比较六种编码器，报告显示重建类 AudioMAE 精确度最敏感而 ASR 类 Whisper 结构最敏感但对信号退化近乎看不见，代价是没有任何单一编码器能同时兼顾四轴。