语音

针对随机切段与噪声增强导致单步置信抖动的问题，HistoMatch 用瞬时置信加稳态历史一致性做双态筛选，在每说话人 20 条标注时 VoxCeleb1-O/E/H 上报告 0.91%、1.13% 和 2.13% 的等错误率，代价是需要维护跨轮预测队列与双阈值滑动平均。

针对双耳混合中目标说话人提取后空间线索易失真的问题，该工作选择直达路径头相关传输函数作为空间先验并在窄带分离骨干上做潜空间调制，在仿真上报告了更高的信失真比改善和更小的耳间线索误差，在头颈模拟器实录上报告了更高的非侵入式质量分，代价是依赖目标方位已知与头相关函数库的角度采样密度。

针对老年听辨需求，论文用医护专家示范代替老人偏好标注，以专家奖励加发音奖励的复合奖励做 GRPO 微调，并用两阶段在策略奖励学习抑制奖励黑客行为，最强证据是第二阶段在可听性与老人 MOS 上同时超过 SFT 与无 OPRL 的 GRPO，代价是专家数据仅 1.5 小时且需多轮奖励模型重训。

该文研究多通道语音增强训练数据的房间声学仿真保真度问题，对比几何声学与波加几何混合仿真训练的 SpatialNet 在实测 Eigenmike 数据上的词错误率，最强证据是混合仿真在 OV40 上相对 ISM-U 降低 38.3%，代价是需要高精度几何、频变材料与全波接收建模。

针对直接从语音推断信念状态时整状态重写输出长、易误改未变槽位的问题，该文用 Qwen2.5-Omni-7B 只生成转写加符号化编辑操作并以 GRPO 优化生成级奖励，在 SpokenWOZ 预测模式下达到 49.20 联合目标准确率，代价是依赖上一轮预测状态因而误差会跨轮传播且 GRPO 采样训练成本明显更高。

28 名中国英语学习者以听后跟读方式分别模仿人类女声与 Azure 神经合成女声，结果人类声在归一化嗓音起始时间上诱发更强趋同而合成声在元音时长对比与强度节奏上诱发更强调整，代价是结论只限于女性、无明确模仿指令的句子跟读条件。

针对仅用 ASR 标注训练多语言语音大模型时共享查询投影器出现语言干扰的问题，论文用查询库加门控做语言相关的蒸馏，在冻结编码器和大模型下报告了开放式指令平均 14% 增益和 Audio-MLQA 上 32% 提升，但合成评测与判分器依赖构成主要代价与边界。

针对扩散语音增强多步反向采样计算量大的问题，论文用条件网络预增强替代干净语音构造桥分布、用辅助网络自适应估计桥权重与方差并只做单步桥接，在 URGENT 2024 数据上以 9.40M 参数和 3.84 GMAC/s 取得 PESQ 2.58 与主观 MOS 3.95 的顶排名。

针对目标说话人标注中短片段分数方差大而同标签平均又怕误聚的问题，该文提出对每个分离标签内分数拟合两分量高斯混合并以最大后验分量均值校准，在 TST-Bench 与 ICSI 上严格工作点下提升明显，而代价是每标签至少需要 5 个片段且需估计混合参数。

该研究比较电台口语转写与三种书面语域输入的合成语音可听性，发现口语转写显著增加主观努力并降低回忆，而大模型生成文本与维基文本无显著差异，但四条件语义内容并不相同因而不能做因果归因。

该研究以三名非二元语音生成设备使用者的两轮开放式问卷为材料，用归纳主题分析得到日常整合、身份表达与横切的权力与能动性三个主题，报告显示可懂度优先于身份的妥协反复出现，而代价是样本极小且未构建或评测任何语音系统。

该研究用 TIMIT 人工边界为金标准、以 MFA 自动对齐比较时长与 F1、F2，沿 token 递增轨迹检验差异是否缩小并何时稳定，报告 85% 组合显著改善而 F2 最费数据，代价是结论限于朗读式高质量英语且部分元音-特征未改善。

该研究以悉尼与布雷德伍德自发语音中五个双元音的整条共振峰轨迹为对象，用广义加性混合模型检验性别与地域差异，最强证据是性别对五个元音均显著而地域对其中三个显著，但轨迹中段差异与单点分析结论不一致的代价是模型复杂且可视化解释受限。

该研究用高能量 glimpse 比例均衡能量掩蔽后比较英语与普通话竞争语音及调制受控噪声，发现降低频谱-时间调制带来的释放可抵消能量掩蔽增加，语言差异的信息掩蔽释放只在低能量掩蔽时显现。

针对微型扬声器非线性失真导致线性声区控制泄漏抑制失效的问题，论文用高保真建模网络离线刻画非线性再冻结监督轻量因果控制网络并配合主扬声器锚定策略，在真实手机防泄漏任务 200–2000 Hz 带内取得比线性 VAST 高 3.78 dB、比参数匹配因果 CNN 高 1.80 dB 的声对比度提升，代价是需要两阶段训练与高电平实测数据且暗区仍有残余能量。

针对羌语和藏语变体等缺乏参考共振峰、无人看就容易系统性测错的问题，NewAppVoice 把多种基频与共振峰算法放在同一波形—语图—测量界面中同步对照并允许直接改表，最强证据是白马藏语/dzɑ̀/中 STRAIGHT 法 F4 高估到 4861 附近而 Praat 法与频谱峰在 3500 至 4000 赫兹一致，代价是仍需逐段人工核查且 HNR 等高频段与自 …

针对语音音乐通用音频在低帧率下难以同时保真与保留语义的问题，OmniCodec 用预训练理解模型的音频编码器做语义分支输入并与声学分支解耦重组，配合自引导损失提升码本利用率，在同码率下重建指标领先 Mimi 但语音语义困惑度仍有代价。

该研究以塔希提语、马克萨斯语和鲁鲁图语的口语塞音为对象，用强制对齐加手工校对与线性混合效应模型检验 VOT，最强证据是三语均为约 20 ms 的短延迟清塞音且后接元音是主要变异来源，代价是语料不平衡且仅覆盖朗读体、未能分离词重音与短语重音。

针对谱域生成把音高音色内容纠缠且语义条件与谱特征失配的问题，PhASE-Flow 把增强建模搬到 WavLM 表示域内、用高层语音内容表示条件化低层声学表示的流匹配并用独立训练的声码器重建波形，在 DNS 2020 无混响与有混响集上取得可核对的感知与可懂度收益，代价是依赖冻结大编码器与独立声码器且四步推理外的效率与幻觉边界仍有限。

为解决离散音素表示难以做平滑语音编辑的问题，论文提出给每个音素类学习一个高斯先验并用监督对比损失拉紧推开隐空间，在 LibriSpeech 训练并在 LJSpeech 与 CMU ARCTIC 上验证插值可听辨且编辑语音质量接近原始录音，代价是依赖强制对齐与仅限英语验证。