语音

针对未见攻击泛化难且不扩充数据、不改动原参数的问题，CoReLoop 用 LoopBridge 构造循环输入、循环 LoRA 加门控更新与 ExitBridge 对齐分类器，在 14 个跨域测试集上 24 层模型以约 10M 可训练参数把池化等错误率从 4.85% 降到 3.74%，自适应停止以平均 1.18 次通过达到 3.73%，代价是第二次通过仍需完整 …

论文把只检测持续在场主讲人的前景语音检测形式化为免注册逐帧二分类，用前景标签不变加竞争说话人混合的自动监督 recipe 让轻量流式 Mamba 在受控混合与真实远场上压低背景误报，同时在常规检测上保持可用，代价是目标不再占优与强语音形掩蔽下召回下降。

针对先判场景再判是否欺诈、欺诈才判类型的闭集链式任务，FRAUDSkill 冻结音频语言模型、只优化外部技能程序并用投影加归一加多路选择做结构化部署，在 TeleAntiFraud 上报告 Macro-F1 为 73.50% 且无效输出降至 1.94%，代价是保留多程序与选择器并依赖验证集拟合。

该研究用同一话题下只换触发句并压缩停顿的配对独白，检验五个模型家族何时抢话，结果显示被直接提问和静音可靠地触发开口，而错误事实与危险行为几乎不触发，且把话轮交出去后纠错与警告比例仍很低。

针对约 265K 参数的紧凑声学模型，论文用感受野对照证明超过 15 个音素的编码器上下文无一致收益，再用梅尔适配的梯度方差损失恢复细节，在同等预算下把 UTMOS 从 3.591 提升到 4.086，代价是大模型在可懂度和频谱失真上仍占优且结论限于 LJSpeech 自动指标。

针对直播带货语音合成中流畅度、语调、情感和直播感需要分维度评价的问题，论文先把 Gemini 的成对判断蒸馏为开源的 Live-ProsodyJudge，再用去掉总体结论、按维度掩码与分段归因的 Decoupled 版本解决维度塌缩，十次平衡顺序采样的 LPJ 在四个主测试集点准确率高于单次 Gemini 调用，而 D-LPJ 的混合维度一致率达到 …

针对语音大模型用自回归解码做四分类情绪识别会产生无效标签并偏向多数类的问题，论文在冻结主干上对比同一最终提示词隐状态的生成式解码与单层线性分类头读出，最强证据是加入对话上下文后宏平均 F1 达到 78.14 且在 ASR 转写下从 74.47 提升到 76.50，代价是只验证了 IEMOCAP 四类设置且可解释关联暴露了预训练的文化偏置。

该研究针对诈骗话术快速演变且酷似正常客服来电的问题，用混合树生成共享开头的诈骗与合法近域通话并以月度冻结快照评测，证明近域负例把分类器宏平均 F1 从 1.000 拉低到 0.65 左右并暴露全判欺诈坍缩，代价是固定 2 比 1 类别先验与合成语音的真实性局限。

该研究把持续学习任务收紧到单攻击者加已知真人多样性，用三种检测模型和四种训练策略对比，报告攻击者训练数据与架构影响相当、任务顺序与说话人多样性对不同方法影响不一，而随机回放最稳但需存旧数据。

ECHO 把插入文本固定而重写前文对话来区分打断与非打断重叠，用必须两成员全对的配对指标报告了三系统重度让出偏置与仅 MiniCPM-o 4.5 相对均衡，代价是合成语音与受控声学带来的生态效度损失。

EMODY Flow 复用冻结 Qwen-3 Omni Talker 的 Mimi 音频嵌入驱动两个并行 DiT 流匹配模型分别生成身体与面部动作，在 BEAT2 上以 FGD 0.302 报告手势质量最优，并以 FGD 升至 0.362 的小幅代价换取身体动作的情绪可分性。

针对轻量音视语音增强中拼接缺乏结构、先验稠密注意力易错配的问题，SG-Mamba 用±3 帧稀疏异构图做局部内容自适应融合再交由单向 Mamba 建模全局时序，在 LRS3 噪声下取得 13.091 dB SI-SDR，代价为 5.3 M 参数和 3.45 G MACs。

针对延迟流建模中结构延迟不能代表用户等待且固定对齐迫使模型晚输出的问题，论文引入词级实测延迟并在单点用准确率加延迟联合奖励做 GRPO 后训练，在 80 ms 处把词错误率相对降低 30.8% 且在 480 ms 处把中位延迟从 1.17s 降到 1.04s。

针对端到端语音合成读错生僻词和日语声调的问题，该文用常见词的自身合成做教师来蒸馏读音与声调控制通道，在 Sarashina2.2 上未见词声调实现率达 0.89 且自然度非劣效，代价是相对纯假名低 0.069-0.091 及跨骨干迁移时声调与自然度不完全保持。

论文用 10 名双语政客各 20 句卢森堡语加 20 句法语共 400 句和 41 个魅力相关声学韵律特征，以混合效应模型分离说话人与语言方差，发现说话人中位解释一半以上方差而语言中位仅占约 0.5%，语言差异集中在法语更高的 shimmer 与句末基频和卢森堡语更强的中频谱能量，但合成魅力指数无语言主效应。

该研究以 10 名卢森堡政治人物各 20 句卢森堡语加 20 句法语共 400 句自发政治话语为对象，用 C/V 分段与成对变异等时长节律指标加配对 t 检验与方差分解，报告显示元音时长与语速主要随语言重组而辅音时序保留说话人特征，且未发现语言与性别交互。

针对肺功能检查依赖设备与配合的问题，SpiroPhonia 用真实访谈中的自发语音提取抖动、频谱与停顿三类特征，在 201 人被试独立测试上报告 78% 准确率、80% F1 与 87% AUC，代价是小样本下置信区间宽且跨语言跨设备泛化待验证。

针对语音特征缺少显式人脸空间结构导致口唇与表情不准的问题，该文用音频预测的 68 点地标做局部空间增强与全局补偿来修正三维高斯属性偏移，并在自驱动与跨驱动条件下验证同步与重建，同时以阈值与几何正则的取舍为代价。

针对只检内容而忽略说话人的不足，论文用文本查内容加参考语音定说话人的混合查询，构建 VoiceTrace-Bench 并训练统一音频语言模型的两阶段检索重排框架，在语义基准和混合基准上报告了可复现的召回与排序提升，但重排带来额外推理开销且多说话人仍明显更难。

针对非侵入式 MOS 预测中语音基础模型层利用不稳定的问题，论文在 10 个骨干与 4 个数据集上对比末层探测、最优单层、朴素加权融合与全量微调，并评估逐层适配器校准后聚合的冻结骨干方案，最强证据是 Wav2BERT A+M 在四库平均上达到话语级 0.388/0.749 与系统级 0.052/0.932，代价是仍需为每个层训练独立适配器与回归头且最优深度随 …