语音

该演示用同一含噪语音对比三种增强路线对 7 个神经学生物标志物和加权风险分数的扰动，显示感知清晰度提升不能保证临床特征稳定，而代价是方法相关的频谱与韵律漂移。

论文把序数情绪识别改写为双语音比较任务，用语义描述加 GeMAPS 声学证据生成比较推理轨迹，再经有监督微调与直接偏好优化训练 Qwen2.5-Omni-3B，在 MSP-Podcast 上以约 5% 语句量的 10k 对训练超越 240k 对训练的排序基线，而推理轨迹在跨域与跨情绪上带来更稳的泛化与可解释性。

针对已知无变音文本加语音恢复阿拉伯语变音符号的问题，论文用无自回归 CTC 声学模型加字符级变音格约束解码，在 ClArTTS 与 ArVoice 匹配与跨库上降低变音错误率，代价是仍依赖基字符序列正确且需已标注变音的语音做微调。

针对 1000 bps 以下语音编码中声学细节挤占语言内容的问题，ContextCodec 用双分支解耦加音素对齐的上下文引导重建，在 500 bps 仍保持可懂度和质量平衡，代价是需要离线强制对齐监督与两阶段解码注入的复杂度。

论文针对通用词错误率难以反映人名公司产品名可用性的问题，在财报电话短片段上构建带本地与全局定制词表的公开基准，用关键词提示与关键词加权两类共六个系统做可复现评测，报告显示加上下文一致提升关键词 F 值但词错误率变化不一，而全局干扰词主要考验精度。

该文在 VPC2024 B3 重合成框架下研究 128 维 GST 说话人向量的可控合成，用条件 WGAN-QC 和分类器引导扩散实现性别控制，在保持 EER 与 WER 基本相当的同时把性别准确率做到 90% 以上，但男性引导尺度增大时会出现 WER 明显上升的代价。

针对语音对话模型能说清但不够生动且缺客观表现力度量的问题，DeEAR 把表现力拆成情感、韵律、自发性三维分别建模再用 XGBoost 非线性融合，仅用 480 个标注在整体表现力上达到 SRCC 0.85 并以 14K 筛选数据把基座模型表现力从 2.0 提升到 23.4，代价是依赖启发式伪标签与小规模专家评测。

针对语言模型语音合成中束搜索易时间坍缩且延迟高的问题，论文用轻量学生做块级束扩展、原教师模型做树形评估与选择，并加硬重复约束，报告在保持基线实时率的同时相对传统束搜索最高加速 5.1 倍、相对采样解码最高降低词错误率 50%，代价是仍需蒸馏训练与多超参数配合。

论文用统一纯 Python 工具 DeepFense 复现已有系统并做 96 系统交叉评测，报告显示自监督前端主导性能方差而 CodecFake 训练泛化最好，但高平均性能伴随质量性别语言上的公平性代价。

针对在线说话人日志随说话人数增多而误注册增多的问题，论文用延迟承诺缓冲加自适应阈值的质心跟踪，在系统语音活动检测和 0.5s 延迟下于 VoxConverse 和 VoxSRC-23 取得 9.53% 和 9.12% 的日志错误率，代价是仍无重叠处理且单缓冲假设未覆盖强重叠场景。

针对临床录音需外传处理带来的延迟与信息技术障碍，该演示把韵律分析全流程搬到 NVIDIA Jetson AGX Orin 上本地运行，用麦克风采集、显示器呈现交互仪表盘，并以快于音频时长的本地处理支撑床旁复核与重算，但原文未报告可比精度与延迟数字。

针对跨语言语音情感识别中编码器过拟合语料特异线索的问题，该文用类原型锚定的条件扩散学习样本-原型双向变换，在英日互测中欠拟合侧分别提升 6.42 和 4.00 个百分点，代价是需联合训练去噪器与分类器并调节成对与循环约束权重。

该文在 LibriSpeech 上用 CTC 声学模型加扩散语言模型做重打分与逐词元联合解码，最强可运行证据是 MDLM 重打分把 dev-other 从 5.08% 降到 4.47%，而单步 CTC-USDM 联合解码以接近 CTC 的实时率做到 4.66%，代价是扩散重打分需要大量蒙特卡洛采样且仍弱于自回归语言模型。

DiffVQE 针对免提通话中声回声加背景噪声，用条件判别网络先估计近端语音再用单步分数扩散精修，在受控合成验证集与公开盲测集上多数质量与可懂度指标超过同数据重训的 DeepVQE，代价是回声单项略低且系统仍为非因果。

针对轻度认知障碍老人抑郁与认知衰退声音混杂问题，该研究用每次录音共时的抑郁与认知评分筛选声学特征，发现只有共振峰组在控制认知后仍与抑郁相关，并用 12 个第一二共振峰特征取得 0.760 的非加权平均召回率，但代价是样本仅 89 人且女性特异性偏低。

该研究以 12 语言 1386 人的元音共振峰估计声道长度并用因果中介分解性别对/s/峰值频率的直接与间接效应，最强证据是共振峰间距效应显著而性别直接效应不显著且间接效应更大，代价是朗读语体与纯声学估计带来解释边界。

针对自回归编解码语言模型串行解码慢、非自回归模型文本对齐弱的矛盾，DLLM-TTS 在 X-Codec2 单码流上做条件块离散扩散，以 0.6B 参数和 20K 小时数据在 Seed-TTS-eval 上报告 WER 2.25% 与 SIM 0.750，代价是块串行与多步去噪仍需权衡速度与质量。

论文用人类感知的说话人相似度分数检验 43 个语音与音频基础模型各层嵌入余弦相似度的对应关系，发现编码器与大规模监督模型峰值对齐更高，而解码器、语音识别微调与参数增大总体拉低峰值并改变层间走势，但层间斜率仍多半无法被现有配置解释。

论文用线性残差化减去音素、二音子与三音子信息后，再用帧级线性探针测词身份，发现中后层仍能远超偶然基线识别词，同时以词发现任务验证去音素表示的增益与去上下文信息的代价。

针对倾听者反馈相对会话机会点延迟分布不一致的问题，论文用生存分析验证快慢功能类别的延迟差异，再用快慢双路径分别预测帧级起始与类别，最强证据是 Macro-F1 从 0.4862 提升到 0.6254，代价是只用单通道声学线索且依赖固定静音阈值定义的机会点。