语音

针对冻结语音自监督特征经一阶池化丢失通道协同的问题，论文提出在可学习低维子空间估计协方差并经对数欧氏映射到切空间的二阶相关层，在 ESD 与 RAVDESS 上以可运行基线对比验证提升，同时以子空间维度与去掉映射的消融揭示稳定性代价。

针对静音肌电信号欠定导致可懂度低的问题，GETS 用肌电条件扩散保留韵律并在推理时引入静音语音识别文本的分类器引导，在静音测试集上报告 11.89% 词错误率，代价是依赖预训练识别与调制权重选择。

论文针对词错率把所有错误等同处理而漏掉关键语义改变的问题，提出从词汇、语音、形态、语义四个维度分别计分的 SHALLOW 基准，最强证据是合成受控数据上各指标只在目标类别取峰且语义与词错率近正交，而代价是权重与语言相关模型带来领域依赖与英语限定。

该研究用两类微笑语音与三档巴布尔噪声检验听者能否检出微笑并区分微笑类型，最强证据是敏感度随噪声单调下降而判断标准同时向保守端移动，代价是强噪声下愉悦微笑优势被逆转。

针对生成式语音增强中条件信息不可靠的问题，HFMSE 用轻量谐波编码器提取基频与谐波掩码作为持久条件约束流匹配模型，在 DNS Challenge 2020 上提升感知质量与说话人相似度，但推理仍需 ODE 求解与声码器级联。

针对自条件端到端日志中逐层独立选排列导致的层次排列不一致，论文提出硬约束的组式与软约束的连续影响两种训练目标，在 CALLHOME 上连续影响在 2 说话人与 3 说话人均降低日志错误率，而组式在 3 说话人上反而变差。

该研究把词间交界当候选，用长停顿先取高精度锚点再以音高重置与能量变化收紧，并以正未标记学习把稀疏正例扩散为全集连续边界强度，其代价是覆盖极稀疏且依赖浊音可靠与日语朗读语料条件。

论文把图像领域的 DAAM 归因搬到语音扩散模型上，用每词时间热力图研究风格描述词如何影响合成语音，最强证据是风格词时间方差显著更低且与能量语义一致，代价是只在单个 CapSpeech 模型和合成提示上验证且无因果干预。

论文以频带为单位用沙普利解释、部分依赖图与单带扰动对照三个质量评估网络与人类评分，报告网络与人都对拉低分数的因素更敏感且网络集中依赖低频带，而 MOSNet 在放大扰动下反向走高是主要代价。

论文只改变输入归一化来训练识别墨西哥西班牙语元音的多层感知机，再用美国英语元音测试其归类与不懂英语的西班牙听者数据的吻合度，最强证据是 Lobanov 在平均绝对误差、均方根误差、相关和首选类别一致数上全面最优，代价是它以抹平说话人与语言间差异为前提，只适用于初始态建模。

针对窄带语音缺失高频的问题，HWB-plus 用双路加权高斯混合分别建模周期与非周期成分并引入梅尔尺度初始化，在保持 194K 参数和 12.39M MACs/s 量级开销下报告了 DNSMOS P.808 达到 3.55 与 PESQ 达到 3.83 的感知质量提升，代价是 LSD 未取得最低且高采样与特定滤波构造下的结论边界需要复核。

针对跨数据集可懂度预测退化问题，论文提出先在源域预训练再用适配器加对比学习做少样本适配的 CFA-SIPNet，在 Arehart 目标集上以每听者 100 个样本实现 RMSE 26.05 与 PCC 0.75，代价是仍需少量有标注目标样本且未验证更复杂声学环境的稳定性。

针对在 ASVspoof 2019 LA 上训练后跨库性能大幅下降的问题，该文在 SSL-AASIST 上增加通用分支与攻击特异分支并用余弦正交损失解耦，最强证据是加 RawBoost 后在 21DF 上等错误率从 6.64% 降到 3.67%，代价是在 19LA 上从 0.22% 微升到 0.32%。

论文针对音频大模型是否真用文本上下文做转写的问题，构建 55.93 小时、8 语 23 域的自然语音基准并用 L0-L6 逐级加信号的提示框架，在 5 个模型上测得母语文字实体表带来最大命名实体增益而对抗错误实体暴露盲从与无视两种失败，且基线转写好的模型不一定更会用上下文。

该研究用三维有限元求解弯曲声道在 14 千赫兹以内的传递函数，发现均匀截面弯曲几乎不改变共振，而元音 A 型非均匀截面在 8 千赫兹以上出现随弯曲角移动的反共振和横向声压结构，代价是理想化圆形截面和开口边界假设限制了向真实发音的直接推广。

论文把语音检索问题改为语音查询加自然语言指令共同决定相关性，用四个子集覆盖语义、说话人、风格、环境音及其组合，并用四类基线证明语义与声学能力目前分属不同路线且多属性组合仍很困难。

针对含谐波和噪声时基频滤波不准会拖累瞬时基频的问题，该研究用 Wave-U-Net 直接增强基频波形再求解析信号瞬时频率，在干净与加噪条件下取得更高的粗正确率，但干净强调制跟踪仍不及 NINJAL 且存在下采样混叠的待验证解释。

IQRA 2026 针对现代标准阿拉伯语的误发音检测与诊断任务，引入 1333 句真人误读语料与统一评测，用两阶段微调与对齐改进的 CTC 方案把 F1 从 0.4414 推到 0.7201，代价是小规模真人数据依赖与音素到字形反馈尚未打通。

针对用户自定义关键词中仅差一两个音素的易混对，KFC-KWS 用 CTC 峰值后验选出音素关键帧再与全句表示做跨模态融合，在 LibriPhrase 上报告平衡 AUC 98.73% 与困难集 AUC 97.65%、EER 7.75%，代价是在简单集上略逊于全序列匹配。

论文把卷积的时间填充在过去与未来之间重新分配，用双缓冲加选择性状态更新解决分块流式的状态污染，在固定 1.37M 参数下实现 12.5 ms 时 PESQ 3.35 到 75.0 ms 时 PESQ 3.43 的延迟可配族，代价是每个延迟点需独立训练且大块才能实时。