语音

针对冻结说话人嵌入的无标签增强问题，该文用冯·米塞斯-费舍尔分布对干净目标建模并轮廓化样本级集中度，得到对数残差损失，在保持标准集基线的同时改善 CN-Celeb、VOiCES 等失配集，代价是标准集提升微弱且重度失配仍有残留误差。

针对多阶段说话人检测随人数变慢、依赖外部人脸检测器的问题，RT-ASDNet 用音频流加视频流加无锚检测头在关键帧上一次输出人脸框与说话状态，在 AVA-ActiveSpeaker 验证集上以联合检测口径取得 77.5% mAP，但与只做分类的离线方法相比仍有明显差距。

针对西班牙语渐冻症、帕金森和卒中后语音识别难且缺野外基准的问题，论文构建 22 人 444 段的 S-DiverSe 只做评测集，对比 4 个 ASR 系统与微调策略，最强证据是启发式文本后处理把 Voxtral-Mini 和 Whisper 在 S-DiverSe 上的总词错率降到 23.73% 和 22.01%，而全量微调在域外反而恶化到 26.81% …

针对韩语正字法与实际发音不一致且低资源下隐式学习困难的问题，论文提出只标记鼻音韵尾的选择性同位异音切分 SALT-N，在 12.75 小时上把字形输入的 CER 从 4.74% 降到 3.30% 并取得最高主观自然度，代价是放弃全量同位异音标记所追求的声学分辨率。

该研究在 80 小时英语多口音与失语症基准上比较自监督预训练、多语 ASR 预训练、G2P 机器标注与人类专家标注四段课程，报告人类标注超过 20 至 30 小时后 5.3K 小时 G2P 不再显著增益而 ASR 预训练持续改善域外泛化，并以 40.8 小时人类微调实现平均加权音素特征错误率约 3.5%。

论文用同一 MMS 骨干的 126 至 4017 语言识别模型对比 49 种语言的质心聚类，显示只有 4K 规模在 K=18 处把系统发生恢复从 ARI 0.47 推到 0.74 并以 1.00 精度分离出太平洋宏簇，代价是仍有一个毛利语例外和一处未解释分支。

针对无回放的连续说话人自适应中统一正交隔离会阻断相似说话人迁移的问题，SCOLoRA 用说话人嵌入余弦相似度生成带符号系数来在对齐与正交之间切换，在 TEDLIUM3 上取得测试平均 4.11% 与遗忘 0.05，代价是每步需保留历史 LoRA 基并多训练一个轻量映射器。

SEAM 针对朗读与自发语音易被语料身份和通道条件污染的问题，用统一预处理加接缝感知采样加非语音增强配合 DistilHuBERT 做 8 秒窗口实时检测，以全量训练下外部面试集 0.971 左右 ROC-AUC 为证据，代价是去掉防捷径组件反而会抬高内部指标。

针对无说话人标签时伪标签噪声大且低置信样本难利用的问题，该方法用预训练模型多层聚类一致性选出高置信集合做伪监督，并对低置信集合做教师软目标蒸馏与一致性正则，在 Vox1-O 上报告 EER 为 1.09%，代价是需要多轮聚类与重训的迭代流程。

针对噪声、混响、限带与削波并存的通用语音修复问题，SEMamba++ 以频率 GLP 模块、多分辨率并行时频双路径块与可学习 softplus 映射改进 SEMamba，在 VCTK-GSR 与多个域外集上提升感知质量，而代价是频率轴线性操作限制了采样率无关部署。

针对经典线性预测按帧独立且假设高斯残差导致轨迹抖动的问题，论文提出直接优化对数面积比的 LP-DDSP 与端到端 SMELP，在 VTR 库上把平均误差降到 166-246 Hz，代价是 LP-DDSP 需每句 1500 轮逐句优化。

针对厌声症缺乏可扩展客观评估的问题，论文用浏览器游戏化语音噪声测试把个人化掩蔽声与自适应阈值结合，试点显示自选讨厌声下识别率最低而代价是小样本与设备未校准。

针对多人混叠语音要同时恢复每路干净信号并知道谁在何时说话的问题，论文把分离改写为以混合 token 与语义特征为前缀的自回归 token 生成，用 15k 小时合成多语对话做监督微调，在 LibriCSS 与 CallHome 上以可运行基线对比显示更低的日志误差与更高的听感质量，代价是输出为重新生成而非波形原样保留且长序列下误差会累积。

针对重叠语音中多人同词与注册信息利用不足的问题，该文把连续说话人嵌入加进假设聚类距离，在相同内容两说话人上把词错误率从 68.3% 降到 36.6%，在目标说话人干净两说话人上从 18.7% 降到 14.4%，代价是权重过大时会压制文本相似度并增加多假设解码聚类开销。

SMIA 针对 AI 合成语音中人耳不敏感的低能量时频区做黑盒频谱掩蔽与插值搜索，在 ASVspoof 2019 与 LibriSpeech 上报告独立反欺骗最高 100%、独立验证最高 97.5%、联合管线最高 82% 的攻击成功率，但强反欺骗与保真说话人特征之间存在明显张力。

问题是深度学习语音表示多而散、难以与 Praat 式交互分析衔接，方法是用 Python 后端加网页前端统一连续、离散与变长表示并做可切换距离与对齐的单句分析与双句比较，代价是本研究不报告定量精度对比且强制对齐依赖额外服务。

该研究把 ALS 功能恶化定义为首次超过最小临床重要差异的事件并用生存分析比较到达时间，报告九项语音面部指标的中位事件时间与所需样本量均明显优于 ALSFRS-R，但代价是依赖指数近似恒定风险假设与存在删失偏倚的单中心远程队列。

针对语音驱动开放集检测中配对数据稀缺与文本中转误差传播问题，Speech2See 用 Grounding DINO 与 HuBERT 先验加 QSA 压缩和 MoLE 微调实现端到端听声定位，在 COCO 闭集达 56.2 AP、零样本达 42.7 AP，但语音连续性与说话人变化仍使长尾与文本上界存在差距。

针对通用语音模型预标注与人工精修脱节、现有工具缺少流水线编排和私有部署的问题，SpeechBench 用前后端分离加可视化流水线与层级编辑把多模型串接起来，展示了离线笔记本演示的可运行性，代价是本文未报告定量效率与精度对照。

针对自发语音内容多变、录音条件不可控下呼吸信号易被淹没的问题，SpiroPhonia 用声学扰动加频谱加停顿三类手工特征与两阶段特征筛选做被试独立分类，最强证据是在 41 人留出测试集上 78.05% 准确率与 87.14% AUC，代价是 201 人小样本与公开平台数据的选择偏差及跨语言跨设备泛化尚未验证。