语音

针对 Whisper 在静音与非语音上产生虚假转写且 30 秒窗口被短语音浪费的问题，论文用前置锚音频做输入级接地与分隔符，在不改模型不微调下把总体词错误率从 32.18% 降到 13.23% 并把非语音幻觉压到 0.14% 左右，代价是锚短语需按领域挑选且批量失败时要回退重算。

针对端到端语音识别在真实无处理语音上是否幻觉的问题，论文用 Earnings 22 加七模型加人工跨度标注构建 HALAS，最强证据是字符与语义代理指标仅 81% ROC-AUC 而先进检测器仅 53.1% F1，代价是数据集为富集幻觉的高难度采样且不能反映真实部署频率。

针对阿拉伯语发音评估缺乏临床对齐工具的问题，Harf-Speech 用标准音素生成加微调语音转音素加对齐加权评分的模块化路线，在 40 句三位专家评分上达到与专家均分 0.791 皮尔逊相关，代价是临床样本小且依赖微调后的音素识别精度。

该研究把同一段音频固定、只改提示词中的口音国家语言描述来分离身份先验，用最佳与最差身份条件之间的 F1 差距和音频区间的显著性重分布来量化漂移，并用只调语言模型的轻量 LoRA 把敏感度降到接近随机置换水平，代价是需要额外微调且未覆盖组合身份。

该研究在统一多模态架构下比较标准自注意力与 RetNet、LightNet、GSA、FoX、KDA 在 MSP-Podcast 上的情感识别效果，报告显示标准自注意力在 Test1 均值 36.42% 和 Test2 均值 27.19% 上最稳，而高效变体在 400 秒序列上把延迟降到 5.96 ms 量级、显存降到 0.328 GB 量级，代价是识别分数下 …

针对连续语音中关键词稀少而背景占主导导致标准熵最小化偏向背景类的问题，ImKWS 用解耦熵与多视角一致性做测试时适应，在 1 比 8 与负 10 分贝等条件下宏平均 F1 超过 AdaKWS 等基线，代价是只更新归一化仿射参数且依赖两阶段样本筛选阈值。

针对口语语种识别在白盒梯度攻击下急剧退化的问题，论文提出自防御对抗重训练 SDART，用渐进式对抗样本挖掘加无教师动态在线标签平滑和语言一致性约束，在 VoxLingua-10 与 Common Voice 上同时改善干净与受攻击样本的等错误率和平均代价，但强迭代攻击与跨库绝对数值仍有明显残留误差。

针对量化后多层信息被求和压扁的问题，RVQ-Grid 把每层量化向量堆成三维网格并用双轴循环块分离，在 WSJ0-2Mix 上比 Codecformer 提升 3.6 dB 并以约 6 倍更少的乘加操作达到 8.6% 词错误率，但样本级指标仍低于波形 SepFormer。

针对全频带黑盒检测难定位伪造痕迹的问题，BandMIL 用 8 频带注意力做可解释谱分析、用 WavLM 做全局时序建模并以门控融合与多实例学习聚合，在 ASVspoof 2019 LA 上报告 1.28% EER 和 0.0331 min t-DCF，但融合在 A10 等三类攻击上弱于单分支且未验证跨数据集泛化。

针对口语实现与书面形式多对多映射带来的转写不一致问题，论文用输出国际音标与正字法的语音转文本模型加以后续大语言模型做双文本规范化，在英语文本规范化与韩语牙科语料上报告了大幅误差下降，但英语评测依赖合成语音这一受控条件是主要代价与边界。

论文在冻结编码器加固定轻量后端的配方下，用约 315M 容量的 wav2vec2 家族对照 1 到 1406 种语言覆盖，并用相同 Libri-Light-60k 数据对照掩码预测与对比目标，发现域外误差在 128 语言处触底而 1406 语言不再提升，且掩码预测明显更稳，代价是结论限定于单训练语料与固定流程且覆盖与数据量无法彻底解耦。

针对固定白噪声增益阈值在阵列失配下顾此失彼的问题，该工作用双分支网络同时预测噪声掩蔽与频率相关 WNG 约束并嵌入可微 QEP 鲁棒 MVDR 层，在 8 元线阵仿真与变间距失配条件下以 SNR 增益和 SDR 改善为证据，代价是依赖仿真训练与早期参考信号监督。

针对语音识别遇到训练未见词时语言模型无法给分的问题，该文用冻结 CTC 找拼写候选、冻结语言模型找上下文分歧来定位新词，再只学新增词符的嵌入与拼写分布，LibriSpeech 上 OOV 字符错最高相对降 14.97%，代价是只对重复出现的新词有效且依赖 CTC 候选质量。

针对基础模型表示中内容与说话人纠缠的问题，该文用合成干预数据加多分支对比损失学出两个子空间，最强证据是跨域说话人验证等错误率明显下降，主要代价是内容分支在关键词任务上丢失信息且两分支仍有泄漏。

论文针对解码消息概率呈正态分布因而可用离群检测发现篡改的问题，提出两阶段自适应攻击 AWM，先用少量相似音频估计正常均值方差再逐比特约束优化，报告在两种水印与三种语音数据上替换与伪造检测率低于 10% 且去除为 0%，代价是音质优化会小幅抬高被检出风险。

针对挖掘语音翻译数据又吵又错位的问题，论文用排序加蒸馏两步得到保留或丢弃伪标签并微调音频大模型直接听原声做判断，在法英上达到 22.72 分 ASR-BLEU、比不过滤高约 1.4 分，代价是需要先算声学与语义信号并训练排序器和微调模型。

论文用只在音乐上训练的神经音频指纹处理语音标注难题，一是去重将 50000 条语音留言减至 25017 条，二是用最远点采样在嵌入空间取多样子集，线性探测显示指纹在说话人上 F1 达 96.36%，代价是口音准确率不及 WavLM 且阈值与采样细节未完全公开。

针对 ASVspoof 5 训练集中真假语音文本内容错位导致的语言捷径问题，论文用 Common Voice 训练的语言教师经梯度反转引导 XLSR 学生学语言不变表示并以变分信息瓶颈约束去除强度，在九个域外评测集上把混合等错误率降到 8.72% 但在 ASVspoof 5 域内评测上仍弱于挑战赛前四名。

针对流式低码率下波形编码丢语言内容、语义编码又依赖非因果或双分支的问题，LitCodec 在因果编码器量化前加 CTC 的 ASR 监督并用单码本 FSQ 统一输出，在 LibriSpeech 上 800bps 取得流式最优 PESQ 2.56、STOI 0.925 和 WER 2.8%，代价是 UTMOS 自然度仍低于同码率 TS3-Codec。

针对德语 SKT 语音评估中转录误差与手部动作子测试缺失问题，该研究用规则打分融合 Whisper 编码器与解码器向量先校正言语子测试分再补偿总分，最强证据是言语子测试序列在缺失动作题时仍与专家总分达到 0.94 以上相关，代价是依赖小样本临床数据与固定超参数且未验证真实部署延迟与误诊成本。