语音

论文把全双工语音模型的知识退化归因于深层语义与声学梯度冲突，用共享浅层加并行深层头与语义对齐通道来分离优化，主证据是口语问答平均提升 7.4% 与 FullDuplexBench 1.5 提升 28.5%，代价是约 10B 参数与专用三通道训练数据依赖。

针对每秒仅 25 个 token 重建 24 kHz 波形时语义丢失与高频失真问题，论文用条件流匹配迭代生成波形并以分层表示对齐与稠密单层量化组织语义和声学信息，最强证据是 8 层 RVQ 对照与频带误差表显示的语义保持与高频改善，代价是四步 ODE 采样与大规模 Transformer 解码器的推理开销。

论文用语音大模型提示打分与 COMET 加音频回归两条路线检验源语音是否有用，在 IWSLT 2026 开发集上报告音频未稳定超过纯文本，而错配音频不掉点与技术内容占比高揭示了数据与建模代价。

针对长时无切分英文到中文与德文离线语音翻译，论文采用 Silero VAD 加两遍转写与 150 词元语义合并的 Qwen3 级联路线，在 tst-2022 上报告 En-Zh COMET 0.8462 与 En-De 0.7854，最强证据来自两遍转写把 WER 压到 3.01%，代价是多模型串行推理与重分段计算开销。

HydraQE 针对语音翻译无参考质量估计，用 Qwen3-ASR 同时编码源语音和译文假设，经稀疏层混合与双向重编码得到共享表示并用 DA、MetricX、xCOMET 三头监督加课程采样训练，在 IWSLT 2026 开发集与测试集段级别上超过级联文本基线，但不同预测头在语种与段级和系统级之间存在权衡且开发集系统级分数不稳定。

该研究用 20 条真、全合成与部分合成语音的 0.2 秒窗口定位任务检验 47 名母语听者，显示话语类型决定检出与质量评分而三种信任线索无主效应，全合成在多数投票下 0/5 正确且人群辨别力接近机遇。

针对 SRE24 音频验证中固定训练缺阿拉伯语与法语、短语音与多说话人测试变难的问题，I4U 用 Multi2dCoTNet 多嵌入约束、NPSVM 分类器、自适应归一化与 Mixed-Norm 虚拟说话人给出官方五系统方案，并用 Multi2dCoTNet 加 XLSR-CAMHFA 的两系统精简方案在更低算力下达到相近精度，但短时长与声源失配仍是主要误差 …

针对录音室训练的专用检测器在野外自发语音上泛化崩塌的问题，论文提出免训练的比较引导上下文学习框架，用成对证据生成与对账过滤幻觉，并用分布外路由把难样本交给音频语言模型，在三个野外数据集上报告了高于基线的宏平均 F1，但以录音室数据性能下降和依赖闭源模型生成证据为代价。

针对博杰普尔语到印地语新闻领域语音翻译，论文比较了 Wav2Vec2 加 NLLB 解码器的端到端适配方案与 Whisper 加 NLLB 的级联加 QE 融合方案，最强可复述证据是开发集端到端 32.77 分与级联经 QE 融合后 COMET 提升，但测试集大幅回落暴露了标注噪声与适配器泛化瓶颈。

针对带背景声的语音合成中可懂度与场景一致性难兼顾的问题，ImmersiveTTS 用双流扩散 Transformer 做联合注意力交互并以语音与音频双教师做表示对齐，在 25 步采样下取得更低词错率与更好音频保真度，代价是对双重引导强度敏感且训练依赖人工混合数据。

共收录 38 篇 iwslt-2026 会议论文的 Reader 深度解读

该文针对仅混淆音色后韵律节奏仍会泄露身份的问题，用离散语音单元加时长预测与单元声码器同时改写音色与节奏，在非音色攻击下半知情评估取得相对 32% 的提升，代价是词错误率上升到 7% 量级且自然度轻微下降。

Kiwano 用纯 PyTorch 的数据管理、前端嵌入与后端打分统一研究说话人确认，在 VoxCeleb2 训练下 fwSE-ResNet-200 取得全局平均 3.16% 等错误率与 0.193 最小检测代价，代价是 79 小时训练与 706.3 千瓦时能耗及跨域仍有明显退化。

该文研究原始波形语音伪造检测，用一维 ResNet34 把首层卷积扩大到 160 采样点，在 ASVspoof2019 LA 评估集上报告等错误率 1.37% 与最小串联检测代价 0.0429，代价是首层参数与优化负担增加且困难攻击仍集中出错。

针对生成语音溯源需要的盲检测水印问题，论文选择在预训练编解码器隐空间做密钥控制的正交小旋转，最强证据是跨数据集干净条件下正确密钥可检而错误密钥回到随机猜测，主要代价是高通滤波下检测下降且仅做客观质量估计。

论文用同一轻量三流分类器穷举声学、韵律、文本七种组合，发现声学加韵律在相同训练下取得最平衡的准确与延迟，而加入文本只增加抢话误报且不能提升性能。

针对无参考语音翻译质量估计在文档内排序的评价方式，论文把 580M 参数的 CometKiwi-22 改为文档内成对排序加权 MSE 微调，在开发集上达到平均 35.2% 的 per-source Kendall τ，相对 34.6% 基线小幅提升，代价是只用英德和英中数据且未利用音频信号。

针对大音频语言模型感知错误主导问答失败的问题，论文用听觉场景分析做语音与环境、多说话人两层解耦并构造 PAQA，再以显式反思加 PAUSE 隐式计算的两阶段 HyPeR 训练，在保持可核查声学证据的同时以多目标奖励提升复杂音频问答，且额外暂停计算带来训练与推理开销。

针对噪声导致语言结构坍塌与语义模糊，论文提出 Speech-MLM 用频谱视觉结构、复述文本语义与门控跨模态融合做重建，在多噪声集上报告词错误率与语义相似度同步提升，但多分支带来推理开销与复述质量依赖。

该工作以中库尔德语到英语自发语音翻译为目标，对比用真实语音经语音识别加机器翻译做伪标签与用语音合成加机器翻译造数据两条路线，最强证据是伪标签训练的端到端模型在开发集 25.73、测试集 21.09 的 BLEU，代价是依赖已微调好的识别与翻译模型以及严格过滤，而纯合成数据在自发语音上明显偏弱。