语音

针对语音大模型逐词元自回归推理慢的问题，该文用冻结 CTC 编码器的贪心假设做草稿，经熵门控与单次 LLM 似然校验加失败回退，在 9 个语料 5 种语言上实现最高 4.4 倍逆实时因子提升并在高精度档把平均词错率从 5.75% 降到 5.58%，代价是高速档有约 12% 相对词错率上升。

针对录音自语音不自然问题，论文用浏览器交互系统 SELFIX 把搜索约束到音高、声道长度和两种滤波器共四个可感知维度，在 25 人概念验证中发现一致的低频提升和男性特有的降调加长声道，而多滑块组合进一步提高了匹配评分。

针对连续隐表示在重建保真与合成可懂度之间的权衡，论文提出在变分自编码器隐空间加语义对齐正则的 Semantic-VAE，在 LibriSpeech-PC 上以 2.10% 词错率和 0.64 说话人相似度超过梅尔谱与普通声学变分自编码器基线，而重建质量与普通变分自编码器基本持平。

针对语音情感识别中时序建模重而跨库易失效的问题，SETEAB 以深度可分离下采样压缩、SE-Res2Block 通道校准、TEAB 双向门控建模与加权融合组织轻量多尺度流程，在五库平均 UA 达 47.69% 与跨库平均 WA 达 37.53% 的同时把计算控制在 0.06-0.12GFLOPs 量级，代价是跨库方差仍较大且部分基线细节依赖原文表头口径。

该研究以 ElevenLabs 性感化男女声为对象，用性感文本与彩虹通道文本交叉配对做听辨实验，发现男声更易得积极与支配评价、女声更易得顺从与性感评价，且换成中性文本后女声性感化标签仍显著残留，代价是样本仅限英语商业平台与北美听众。

该研究用有无逗号的歧义句考查合成音的韵律可懂度，发现压缩音高变化的单调处理影响很小，而与韵律线索无直接语音关联的机器化音质只在有逗号句上提高了图片匹配正确率，问卷上情感音仅提高了自然度评分。

针对说话人差异导致情感识别难泛化到未见说话人的问题，SISER 用 wav2vec 2.0 做编码器、ECAPA-TDNN 做说话人判别器并以熵最大化做对抗训练，在 IEMOCAP 上测试集达到 60.63% 非加权准确率，代价是两阶段交替训练与强判别器带来的训练复杂度。

该文用实时磁共振影像直接估计梅尔谱并合成波形，问题是未见说话人能否不依赖参考语音保留语言内容，方法是用跨模态说话人嵌入引导影像分支学习说话人特征，最强证据是朗读语音的差分词错误率在部分测试说话人上降到约 8% 附近，代价是绝对基频和同性别说话人区分仍受限。

论文用同义词与近音词距离、声道距离相关和图文对齐三组探测检验 EnCodec、DAC、MIMI、MIMO，显示编码器保留更多语音发音结构而非词汇语义，跨模态对齐增益有限且蒸馏并未带来真语义。

该文研究在语音大模型中并行融合多语大编码器与单语专用编码器以做自动语音识别，通过可学习的门控与 Transformer 融合在荷兰语、英语、多语和带说话人标签任务上超过简单拼接，但绝对词错率仍受低秩微调与量化资源限制。

针对扩散增强需要多步迭代带来的延迟问题，论文用漂移模型把去噪写成前推分布向干净分布的平衡，用语义潜空间的漂移场做单步映射，最强证据是直接映射在 VoiceBank-DEMAND 上报告 PESQ 3.15 和 SI-SDR 16.1 dB、条件生成报告 SCOREQ 4.33，代价是注入噪声会牺牲波形精度且非配对下配对指标明显下降。

针对日语书面与口语风格差异导致语音大模型输出不适合语音合成的问题，该研究用直接偏好优化做口语风格对齐，在 SpokenElyza 上相对提升约 18% 而书面任务 Elyza 仅相对下降约 5%。

针对长度归一化说话人嵌入更符合超球面几何而高斯后端与启发式过滤加重负担的问题，论文用环面球面判别分析替换变分贝叶斯聚类的高斯后端做冯米塞斯费希尔推断，在八个基准上把平均日志错误率维持在更低水平并省去过滤与质心重分配，代价是仍需调节缩放超参数且多流联合分配会增加窗内组合计算。

针对自监督特征上单次全局线性映射难以适应不同音素局部结构的问题，该文用联合高斯混合的后验加权仿射变换做语音转换，在 CMU ARCTIC 六人互转上以说话人相似度提升为最强证据，代价是混合数增大后高维参数估计不稳定且小数据下无约束模型会出现可懂度和自然度退化。

StanceBench 用 Seamless Interaction 即兴子集的角色提示构造 9 个人际立场两极对照，在统一音频裁判流程下报告鲁棒性与可分性，最强证据是共情与礼貌最易分而诚实最难分，代价是弱标签有效性与短片段证据不足带来的阈值敏感和高方差。

STArK 针对文本到调音运动数据稀缺问题，用冻结 SPARC 提取的伪标签 EMA 加音高响度训练非自回归文本到调音模型，在 LibriTTS-R 上用对齐与韵律条件对照证明 EMA 轨迹与可懂语音可同时生成，而音高建模仍是主要代价。

STSR 把超分放在 MDCT 域用分层谱注意力建长程谐波、用稀疏感知损失保瞬态、用只看高频的混合判别器加压，VCTK 平均 LSD 做到 0.79 且参数仅 66.2M，代价是仍依赖受控语料与重采样评估。

针对生成式增强容易幻觉且强混响强噪声下质量不足的问题，StuPASE 用干声微调修正目标分布并把声学模块换成流匹配，在保持低词错率的同时把主观质量做到最高，代价是客观说话人相似度略降且依赖两阶段训练。

针对片段级标注无法给出帧级起止时间的问题，该文用保持时间维的多实例网络在片段监督下同时做片段分类和零样本帧切分，在 CASA 帧级 F1 达到 0.70 并在 SEP-28k-E 多标签片段任务上多类取得最优，代价是对长阻塞和 prolongation 仍不稳定且依赖 3 秒窗口。

针对自监督预训练偏重语音内容而忽视局部伪造痕迹的问题，该文提出混帧扰动加帧级监督的中间后训练阶段，在 ASVspoof5 上以无增强单模型取得 4.50% 等错误率，并在 ASVspoof2021 上把 LA 与 DF 差距压缩到 0.16 个百分点，代价是需要额外调拼接比例与 LoRA 位置。