语音

该研究用可动积木加凸轮的 VTM-UT30-D9 物理声道模型复现 Bob 与 bomb 的鼻化协同和 abra 丛集时延，报告了随 VEL 耦合增大的极零点变化与随步骤递增的识别率单调下降，最强统计证据为趋势检验卡方 42.538 而代价是相邻步骤仅一组显著且依赖手动与凸轮操作条件。

针对语音识别中 Mamba 用固定深度卷积做局部聚合而缺乏内容自适应的问题，论文把该位置换成因果卷积加通道内局部注意力来动态生成状态空间参数，在 LibriSpeech 和 TED-LIUM 上以更小参数量取得更低词错误率，代价是引入双向结构和注意力窗口等额外设计与解码依赖。

该研究用 50 人 TSST 与友好控制的组间语音区分压力情境并预测皮质醇反应与消极情绪变化，最强证据是 XGBoost 分类准确率 0.82 显著高于多数类基线，代价是样本小、协议线索未完全排除且唾液淀粉酶与积极情绪未能预测。

论文用田野 9 人约 4 小时加网络 51 人约 94 分钟拼成 60 人 7.5 小时语料，以 Silero 切分加 Wav2Vec2 转写按韵律短语计算莫拉每秒并人工补岛屿和 50 岁二分年龄，发现仅 Nga Pu Toru 年轻人显著快于年长者而另两岛无年龄差，但人脸年龄估计失败使流程只能半自动。

针对儿童中心长录音中说话人类别难分的问题，论文用 13164 小时有效语音的 40 余种语言儿童中心数据做两轮 HuBERT 预训练再微调做声音类型分类，在留出集上平均 F1 达到 66.9% 接近第二标注者的 69.8%，代价是 32 块 H100 各 30 小时预训练与对其他儿童类的剩余差距。

针对语音与噪声频谱重叠时增强模型顾此失彼的问题，论文把语音衰减惩罚与残留噪声惩罚拆成两项并用 λ 加权组合，在四种架构上报告 λ 与语音质量正相关、与噪声抑制负相关，最强证据是 13 个 λ 下相关系数 0.95 与 -0.96，代价是两端极值会出现过抑制或噪声泄漏。

论文以 32 名三代平顶山话发音人的声学与喉头仪同步生产实验，显示老年组主要靠音高区分 T2 与 T4，而青年组在音高轮廓差缩小后显著加重了嘎裂声发声与时长权重，随机森林平均 AUC 超过 0.97，但结论目前仅来自生产端而无感知验证。

针对两阶段扩散语音合成中固定对齐导致平均化韵律与单阶段对齐不稳的矛盾，该文用离散插入跳变管时长结构、用连续扩散修频谱内容，最强证据是单发变体在相同总时长下以 3.37% 词错率优于 Grad-TTS 的 4.38%，代价是需要冻结的编码器与扩散主干并增加位置与内容两个预测器及变长迭代开销。

该研究用西班牙语主导的西英双语者在线词语影子任务检验对真人与合成语音的语音趋同，发现元音时长和嗓音起始时间总体发生趋同但受语言与社会因素调节，而英语嗓音起始时间的负距离差需用抽象音位目标解释。

该研究用 47.88M 参数的双向 Mamba2 编码器在 250 小时 67 语种无标注语音上做掩码离散单元预测，主检查点以 ARI 0.735 超过四个基线，但语种识别与识别错误率仍明显落后，代价是后期训练出现音素泛化退化与本地诊断失效。

BranchShine-CR 用 25.39M 参数、log-mel 加 12 层旋转位置 E-Branchformer、中间自条件 CTC 与双视图一致性正则，在 16646 句共享测试上取得 4.47% 国际音标字符错，相对 ZIPA-CTC-NS 降低 22.3%，代价是整句完全正确率仍低于后者且大基线训练划分并不完全可比。

针对自然语言提示与语音风格之间的跨模态差距和一对多映射问题，OTAFlow 先用最优传输加对比学习加多任务监督构造统一风格空间，再用条件流匹配为同一提示采样多样声学风格向量，在 TextrolSpeech 上把文本到音频检索 R@10 做到 0.875 并把合成风格 sMOS 做到 3.88，代价是下游仍用轻量 DiT 骨干且自然度提升有限。

论文用 Qwen3-Omni-30B-Instruct 在 1848 条印尼中学生朗读上检验口音度与可理解度自动评分，显示少样本下中等相关并能检出前后测进步，但线索排序在口音度上与人差异更大且整体打分偏低。

该文把静音替换作为破坏基线，用干净隐藏状态回填来测量恢复率，在四个听觉属性上追踪五个模型，发现融合深度分化与末 token 瓶颈，但未给出可部署精度的数值增益与开销测量。

针对语音大模型能识别情绪却回不对情绪方向的问题，CE-CoT 把一次回答拆成情绪识别、中性回答与情绪对齐改写三步做隐式对照训练，在四个数据集上把情绪一致性最高提升 19.1 个百分点相对普通对齐与 35.2 个百分点相对预训练基线，代价是仍只验证单轮与自动裁判打分。

针对大模型语音识别只用文本适配会出现语音文本失配的问题，论文用混合批次把少量配对语音文本和大量文本放在一起训练，在银行、农业和乐器三个目标域上用不到 4 小时语音就达到接近全量语音微调的字错率，同时更好地保留了源域性能。

针对固定采样率建模与频点数增加带来计算膨胀的问题，TF-Refiner 把深层分析限定在可配置截止频率以下并用浅层解码加局部复数滤波保持全频带输出，同一套在两种采样率训练的参数可用于未见采样率，代价是推理时仍需按预算选择截止频率的工作点。

针对韩语流式倾听中声学停顿会误导应声的问题，该研究用停顿概率软加权把决策收拢到停顿附近，再用部分识别文本过滤问句后不该应声的停顿，评估报告语义误发现率下降 53.8%，代价是召回率从 80.40% 降到 71.74%。

该研究把对儿童说话检测放在 182 名儿童共 22 小时多语长程录音上，用儿童中心录音预训练的 BabyHuBERT 加 10 秒上下文窗口做三分类，最强证据是验证集平均 F1 从无上下文约 53.2% 提升到 10 秒约 67.0%，代价是训练时间从 22 分钟涨到 2 小时以上且自动切分下性能大幅回落。

针对口音归一化缺少口音强度控制的问题，论文用掩码离散扩散重写自监督语音单元，并以公共单元预测器复用源端单元实现可控保留，实验报告显示自由时长下词错误率为 11.19% 且随复用阈值降低口音度单调回升，但重度口音下的内容保持仍受识别与合成链路限制。