语音

该研究只用超音段基频与时长变化做普通话五类声调识别，用核心轮廓编码器加可拆卸辅助分支训练，报告在自建语料上核心分支推理精度达 97.5%，代价是需要强制对齐的音节词块边界与基频跟踪质量。

针对客户端数据分布不一致导致本地模型学到冗余知识的问题，该工作用费雪信息矩阵选出全局嵌入中的关键维度并做表示对齐，在 VoxCeleb 系列上把各客户端等错误率降到最低，但跨域的 CN-Celeb1 上仍有一项不如 FedFSS 且未报告通信与计算开销。

论文用四类不流利标记改造 whisper-small.en，先在 SME 上建立标记机制再按 Pitt、Delaware 顺序持续适配，发现能稳定发出标记的方法都要付出预处理词错率代价，而跨注意力少数头的共享特化解释了标记学习与通用识别之间的冲突。

针对非自回归合成依赖准确时长预测导致语速和韵律失真的问题，论文用可学习的扩展与删除标记配合分段伸缩训练与分层置信推理，在 Seed 测试上把初始长度错误纠正回来，代价是引入块大小与阈值等新超参数。

针对看图说话中的痴呆检测问题，该方法用 Whisper 同时取声学表示与转写文本，再用大模型抽取可解释语言特征并门控融合，在 ADReSS 和 ADReSSo 上报告 F1 为 89.47% 和 90.14%，代价是依赖外部大模型接口且仅验证了英语看图任务。

针对 Transformer 语音识别难解释且时间定位粗的问题，LEAF-X 选择模型内部注意力做熵加权与跨层聚合解释，在 Whisper 与 Canary 上以更低的删除代价和不稳定性支持更忠实的词帧对齐，但因果重加权带来额外前向开销且未做用户研究验证。

该研究用 FinnAffect 自发芬兰语语料和 127 种文本加音频特征组合做效价与唤醒度回归，证明双模态组合把效价 CCC 推到 0.428 而唤醒度仍以音频为主达到 0.688，代价是可解释词典与句法特征单独解释力很弱。

针对口语评估中等级有序却被当作独立类别的问题，该文用冻结 Whisper 多层路由加有序原型正则做回归，在 Speak & Improve 2025 评估集上达到 RMSE 0.361，代价是仍需分题型训练且依赖人工半分制标签。

该文以神经多样性为镜，对 1976 至 2025 年 Interspeech 与 ICASSP 的 117 篇论文做范围综述与话语分析，报告诊断检测占 78%、临床人员为目标用户占 56%、仅 2 篇由残障者参与评估的失衡格局，并提出转向社会模型的参与式研究路径。

该文以 SLAM 语音大模型为对象，用角距离找连续可删层块并以联合修复验证，显示 7-8B 模型只保留约六成解码器层仍保持可用识别与翻译性能，而跨任务可删位置高度一致。

针对构音障碍语音数据稀缺且误读高度个人化的问题，该研究用说话人相关的音素映射矩阵指导典型语音 PPG 的音素替换，再结合说话风格转换和音素级变速做数据增强，在 UASpeech 上微调 HuBERT 后整体词错误率报告为 19.53%，代价是需要配对的典型与障碍语音做映射统计与强制对齐且合成器需两阶段训练。

针对说话人切换次数超出训练范围时多说话人识别会跳过整段话的问题，论文用说话人切换标记掩码加随机文本掩码切断解码器对切换次数的计数依赖，在仅见过至多 2 次切换的训练下把 3 次切换非重叠语音的字错率从 13.5% 降到 5.9%，代价是随机掩码率过大时训练变难且时间戳类标记越多时与上限差距越大。

针对脉冲神经网络做语音增强时相位难恢复、时频建模割裂的问题，GSU-DBNet 用双路门控脉冲单元同时估计幅度掩蔽与复数滤波系数，在 VoiceBank+DEMAND 上以 394K 参数达到 PESQ 3.04，代价是幅度分支的参数增加与频率双向建模带来的非因果约束。

针对低码率低信噪比下神经语音编码器重建失真问题，FocalSE 在 DAC 连续嵌入空间中用聚焦掩码去噪、分离噪声嵌入并做噪声分类，在 LibriTTS 加 ESC-50 混合数据上重建指标优于 SECE 与 FD-CBR，代价是推理参数增至 159M、含识别分支时达 222M。

针对 2-3 比特下标准 GPTQ 把所有语音帧等同对待导致静音和填充主导校准的问题，DiffAQ 用编码器隐状态帧间差的幅度给 Hessian 加权，在 Whisper Medium LibriSpeech test-other 2 比特上把 WER 从 17.53% 降到 12.93%，代价是仍不能挽救 Base 模型 2 比特的表征容量不足且对突发噪声 …

针对大音频语言模型链式思考不稳定问题，论文用思维链与非思维链隐状态差值构造转向向量并在解码时注入，在 4 个模型和 4 个语音推理基准上最高超过思维链基线 4.4 %，而纯文本导出的向量也能迁移到语音任务，但实例级方法对缩放强度更敏感。

该研究针对语音语言模型同时接收文本与音频时的越狱鲁棒性问题，提出同时优化文本后缀与音频扰动的联合攻击 JAMA 与分步近似 SAMA，在四个模型上报告联合攻击比单模态高 1.5 至 20 倍而分步版本快 4 至 6 倍，但长音频候选评估与可微特征提取等条件限制了其适用范围。

论文用固定宽度分段 N 与 K-means 聚类数 K 组成 64 种离散单元研究语音重合成与续写问题，发现中等偏大的 N 在更低比特率下仍保持可懂与连贯，而自动指标与人评的相关仍有限且评估方法需改进。

针对语义 Token 到波形解码器在流匹配多步采样下延迟过高的问题，该文把 MeanFlow 一步生成放在 25 Hz 低维波形变分自编码器隐空间并用波形域微调缓解隐分布失配，在 LibriSpeech test-clean 上以 140M 模型实现 0.0046 实时率和 3.41% 词错率，代价是感知质量仍略低于 10 步基线。

针对只有话语级标签却要输出帧级情绪起止的问题，P-SED 用可学习情绪原型加正交约束建度量空间，再用包级非对称对比与帧级 Top-K 显著挖掘联合训练并在推理用全变分去噪保边界，在 ZED 上报告 EDER 为 47.00%，代价是固定比例挖掘对快速变化情绪仍显僵硬且帧标注测试集很小。