语音

针对语音伪造检测泛化差且缺可解释推理的问题，该文用 4 万条人类标注的伪造线索做思维链监督，在 SALMONN 上做二分类与推理联合微调，最强证据是 Test-1-HL 上 EER 从 15.7% 降到 13.2%，代价是推理质量提升小且对高保真未见合成器仍吃力。

该研究用同一批 66 名德语肌萎缩侧索硬化患者的五种语音任务预测言语功能评分与构音障碍生活质量问卷评分，最强证据是跟随个人的纵向设置下重复音节任务对生活质量问卷达到一致性相关系数 0.86，而持续元音在两种设置下均最弱，代价是随访样本仅 17 人且数据不公开。

论文研究传统编码再经神经音频编码器转码后来源是否可辨，选择分层建模 RVQ 层间与时间依赖的 Transformer 框架，在固定码率下以 97% 以上准确率证明旧痕迹仍可辨，但高码率下 MP3 与 Opus 仍易混淆。

针对参考音频需要转写文本导致的脆弱性，RTFree-F5 用冻结 WavLM 特征经轻量投影器替代参考文本条件并复用 F5-TTS，在构音障碍集上把 WER 从 24.62% 降到 10.39%，代价是说话人相似度从 0.60 降到 0.50。

针对普通话热词识别中过度偏置与同音误报的矛盾，UGPCB 在冻结的 Dolphin 模型上用解码时熵门控决定何时加偏置、用字形与拼音双通道交叉验证决定如何奖惩，在 SeACo 测试集上报告召回率从 68.15% 提升到 84.19%、F1 达到 90.81%，代价是背景错误率小幅上升与干扰词增多时误报增加。

针对 16/24/48 kHz 需多模型或外部重采样的矛盾，该文用可学习接口转换统一时间网格并用采样率条件仿射校准特征，在 1.5 kbps 下 24 kHz 达 ViSQOL 4.22、48 kHz 达 PESQ 2.750，代价是 24 kHz 因有理数转换多出卷积开销与三阶段训练流程。

该研究以 459 名日语被试的回放与听觉想象对照量化自我声音厌恶，证实回放比想象更不适且身份相似感不变，顺序与个人特质调节差距，而可复制的声学主效应稀少、特质与声学交互更关键。

该工作把双工对话拆成先写意图关系再测语音时刻的合成管线，用 42 种现象的双通道数据证明因果语义 VAD 能学到起止边界且 Moshi 微调后接管轮次从 0.44 升至 0.85，代价是稀有打断类与自由生成的精确对齐仍弱。

该研究针对情感合成语音缺乏质量评估数据的问题，收集 13 套系统加自然语音共 18208 条样本的 262 人听评数据，发现中性语音训练的质量预测器与大模型裁判在部分情感上可排序系统但随情感波动明显，代价是跨系统比较条件不完全公平且零样本预测仍有差距。

该研究用母语语料的上下文相关音素类中心加截断奇异值分解建立母语参照坐标，把每条二语话语的同名音素类投影进去算距离，在自发口语上与综合熟练度呈负相关，在朗读上与发音质量呈负相关，但偏离中仍混有流利度和覆盖度因素。

针对逐字转写中局部一两个字符的不确定性，论文把通配符旁路从词级下移到词元级并与熵调度的混合图结合，在 25 个任务上相对 CTC 平均降低 9.45% 词错误率，代价是需要按语料调旁路权重与验证集熵进度。

该文在 1839 条短语音上用 Conformer 做帧级八分类，以按类高斯软标签处理标注抖动，最强证据是冻结 HuBERT 在 20 毫秒容差下宏观 F1 为 0.77 且软标签比硬标签高 7.0 个百分点，代价是元音与鼻音释放仍难且跨库迁移有限。

该研究用同一说话人相同句子的去噪磁共振语音与干净语音对比声学到发音反演，固定以磁共振轮廓为目标比较 M2M、M2C、C2C 三种可运行组合，最强证据是 C2C 平均误差为 1.56 mm 接近 M2M 的 1.51 mm，代价是未经适配的 M2C 退化到 1.64 mm 且全程依赖逐音素分层对齐。

AdaptDuplex 针对全双工对话中时机与认知负荷逐窗变化的问题，把窗口时长与动作组合都做成显式词元决策并配三阶段课程训练，在 FDB 与 HumDial-FDBench 上取得更低响应延迟与更高终分，代价是仅覆盖中英、三档窗口与最多四路并发外部推理。

针对富有表现力语音中音高与能量突变难以建模的问题，该工作在 StyleTTS2 解码器中把固定周期激活换成 x+tanh(αsin2(x)) 的可自适应振荡激活，在 LJSpeech 上主观质量达 86.67、MCD 降至 6.59，并在 ESD 三种情感上保持韵律相似度和可懂度提升，代价是仅验证单说话人与有限情感且未报告延迟与算力开销。

针对长音频中领域术语不一致和声学混淆问题，Agentic-GER 用全文转写做全局上下文来发现可疑片段并定点重转写核对，在 GigaSpeechBench 上中文 Whisper 基线最高获得 36.8% 术语相对误差下降，代价是思考模式大幅增加输出 token 与耗时。

针对日语高低重音与汉语声调等音高敏感语言的口语练习问题，Amadea 选择用语音识别推定意图短语再合成母语参考音并比较归一化基频轮廓的方法，其可核对的证据是 16 kHz 解码与 80-400 Hz 区间 pYIN 估计等具体流水线参数，代价是单参考轨迹对照与识别及对齐失败等未验证环节。

论文以 100 余种语言的统一评测回答损失、预训练表示与数据规模如何影响通用音素识别，用 XEUS 加自条件 CTC 在 IPAPack++ 上得到多语言 17.7% 与口音英语 10.6% 的 PFER，代价是对时序性发音特征与极低资源语言仍有高误差。

针对单说话人声学到完整声道轮廓反演跨说话人几何失配问题，论文用一帧/u/标定的 12 点仿射加 14 点薄板样条映射复用固定模型预测，在 8 个新说话人上把 Full10 误差从未适应的 8.87 mm 降到 3.19 mm，但喉部与唇部改善不均匀且 P4 出现回退。

ARIS 用神经网络只做从波形到声码器系数的分析、用无参数 DSP 做合成，在每人不足 1 小时的五个单人语料上达到与 WORLD 可比的拷贝合成质量，并以约一半于 KlattGrid 的 F2/F3 误差实现单线索编辑，但高频自然度预测分仍略低于微调后的 HiFi-Glot。