语音

针对加噪监督微调改善噪声却损伤干净集并过拟合特定损坏的问题，DASH 增加无标签编码器自蒸馏阶段学习干净与噪声视图的一致性，在 LibriSpeech 上保持干净集的同时改善多种噪声条件，额外开销约为微调时间的 4%。

针对匿名化语音仍残留说话人线索的问题，DAST 用 Fbank 与 WavLM 双流中层融合加原始语音、转换语音、目标匿名语音三阶段训练，在 VPAC 七个系统上以等错误率衡量实现更强攻击，而仅用 10% 目标数据微调就超过现有最优的代价是仍需目标系统数据做适配。

针对老年语音说话人差异大且测试时无目标说话人数据的难题，该文用历史语音加已解码文本经双向跨模态融合与 Q-Former 压缩生成在线说话人提示，在两套老年语料上相对说话人无关基线取得 0.61% 和 1.22% 绝对错误率下降，并以最高 9.83 倍实时率加速替代离线批量适配。

在每次网络求值都执行 18 次块调用的共同条件下，论文比较七种权重重用布局，显示 SEQUENCE 以 83.6M 参数对 158.0M 基线在 32 步保持可比可懂度，而共享段位置主要影响 4 步可懂度且只有 Middle 在两数据集两种步数下词错率均排前二。

针对谐波注意力依赖先验字典而清音恢复弱的问题，论文提出对注意力键和值做有限标量量化的无字典离散注意力，并在 TFGridNet 上验证其与谐波注意力的互补增益，最强组合在可见集提升 0.10 PESQ 与 0.56 dB SISNR，代价是前端与注意力替换带来的额外计算与结构复杂度。

针对未知语音伪造泛化难的问题，该研究用包含扩散重建在内的重建样本构造难样本，并结合多层特征聚合与正则化辅助对比学习提升泛化，最强证据是五集平均等错误率从基线 15.789% 降到 8.247%，代价是在个别集上出现小幅回退且依赖重建与增强配置。

EditVoice 针对非自回归零样本合成须先定长才能并行生成的问题，用编辑流在采样中联合做插入、删除、替换以同时改内容和长度，并以语音填充训练统一合成与编辑，再用互补提示采样与生成后修正提稳内容一致性，代价是每步需评估两种提示摆放且启发式一致性规则依赖阈值。

该研究用英语词监测加数字预载双任务检验掩蔽语语言与认知负荷的影响，报告显示英语掩蔽导致最差准确率与最慢反应时而类型相似性与高认知负荷未改变词监测表现，且阿拉伯英双语者更慢但不更不准。

该研究用 70-170 Hz 高伽马时频包络作为输入、以 128 维对数梅尔谱为目标，用因果扩张 WaveNet 解码器做神经到频谱映射，在 10 名被试上报告 PCC 约 0.90-0.95 而 STGI 约 0.48-0.53，代价是被试间电极覆盖差异大且未做波形与听感验证。

TSE-Omni 用单个自回归大模型统一唇动、手势等同步线索与注册音频、文本等异步线索，以自注册历史在 2 秒干净画面后缺失视觉时保持语义分 0.81，代价是流式与弱模态组合仍有质量与语义折中。

论文在英语与意大利语双语识别上只联邦更新投影器与 LoRA 而冻结编码器与大模型主体，用 100 轮、每轮 30% 按说话人划分的客户端对照集中式训练，最强证据是单语联邦与集中式差距仅 0.3 至 2.6 个百分点，而双语随机选择下英语差距扩大到约 10 个百分点，需用样本聚类与早期语言偏置把英语差距压回约 3 个百分点。

论文研究只用仿真训练的单通道距离估计器在真实语料上直接失效的问题，选择冻结估计器加几十条标注拟合仿射映射的路线，最强证据是 QMUL-TIMIT 干净条件下相关性 0.63 的模型经校准后明显优于常数均值，而代价是在低相关语料上斜率估计噪声会超过收益因而应退回常数预测。

针对构音障碍语音可懂度低且隐式重构缺乏可解释性的问题，该研究选择先用共振峰对齐频谱变换显式修复元音空间再做说话人自适应合成，在中英文多库上报告 29% 到 72% 的识别错误率下降和主观可懂度近翻倍，但以说话人相似度轻微下降为代价。

论文用 8 个时长节奏指标加线性混合模型、分层聚类与线性支持向量机检验 5 种东北印度英语和 2 种印地语，再用 2048 维语种识别嵌入经主成分分析降至 42 维后做线性判别分析投影，发现英语内部高度重叠而印地语可分，且第一主成分与元音占比强相关 r=0.77，代价是英语变体分类准确率仅在 chance 附近且材料语言不同带来混淆。

论文比较语义、语义加声学、纯声学与标签四类语音表示在两种面部解码器下的三维面部动画质量，发现能编码音位类别且不含低结构声学信息的表示更准确，而标签表示支撑了文本到语音与面动的统一管线，但混合声学信息反而有害且重建误差与感知并不一致。

该研究用跨通道启动比较孤立词与高低可预测句中浊音目标词的身份优势，发现孤立词中嗓音起始时间模糊度以渐变方式缩小目标与竞争词反应时差，而句子中可预测性扩大该差值却不再受模糊度调制，代价是结论只限于词汇竞争层面且未直接检验语音编码保真度。

论文指出按频率选词 n 元组会混入主题词而高估证据强度，改用显式定义的 156 个功能词集并以 ANOVA F 值筛选到 50 维，在 104 名澳大利亚男性说话人电话对话上从 Cllr 0.83 改进到 0.78，但仍弱于含主题词基线的 0.60。

针对分布式麦克风阵列下去中心化独立向量分析的跨阵列序号错乱与强跨阵列耦合问题，该文引入波达方向几何约束与按阵列分带的源模型，在 2 至 8 阵列、无噪与噪声混响仿真中提升分离指标与序号一致性，但依赖已知方向与同步假设且未测通信延迟与真实录音。

GRATS 针对普通话声调对时长扰动敏感而人工变速参考失真的问题，用 25 人×60 句×5 速共 7500 句自然平行录音做基准，报告了极端速率下时长与基频一致性下降而可懂度与感知质量出现分化的证据，代价是仅覆盖台湾朗读语料且暂缺主观听感验证。

论文以 WavLM 与 wav2vec 2.0 的 12 层帧表示为对象，用 k 近邻估计的局部本征维度量扰动引起的几何膨胀，并报告该膨胀与词错误率退化同向出现、层级 LID 向量可区分对抗与良性输入，但高信噪比下可分性与攻击成功率同步下降。