语音

本研究以五名熟练编码者的 2148 个 CV 键为对象，用线性混合模型检验词类、句内位置与朗读任务对辅音和元音时长的影响，发现说话人差异主导时长而常规语言学因素解释力不足，代价是模型仅解释约三成方差且编码语速整体慢于自然口语。

该研究用 16 人录音与 8 名女性回访的二选一辨认任务检验普通话问句与陈述语调的感知产出关系，发现听自己更准、刺激中韵律区分度越大越好辨认，但听者自身区分度的作用只体现在问句与陈述的不对称偏移上且受声调制约。

该研究让 4 名 8 岁儿童重复经声码器降质的法语鼻元音与口元音，用鼻音度量化产出，发现通道减少与插入偏移使鼻元音口音化而口元音鼻音化并在 4 通道最严重，但个体差异大且样本仅 4 人。

该项目要解决多人视频对话中语言、非语言、视觉与时间线索难以统一建模的问题，选择先定义多维度交际行为再建模其关系并生成电影剧本式描述，以虚构与真实语料上的泛化为证据方向，代价是本文仅提出路线而未报告可验证的模型与定量结果。

论文把 TiCodec 的时间不变分支放在编码器不同深度和不同片段采样下逐项对照，发现第 2 层保波形细节、第 3 层保感知与说话人，再用双分支 Dual-TIRE 组合两者，代价是解码结构与训练约束更复杂且跨域增益并不覆盖全部指标。

该研究用触屏界面 ToneCanvas 让 10 名母语者和 9 名无声调经验的法语者先描后默画 9 对双音节词的声调轨迹，发现总体对比幅度无显著组间差异但中段与 T2/T3 动态段存在局部差异，说明手势可支撑声调编码但快速变调控制仍是难点。

该研究用 12 人 948 句的问答诱发语料比较宽聚焦与窄聚焦，报告后聚焦区稳健的去重音与聚焦区时长和强度的增强，而聚焦区 F0 峰值升高仅为趋势，代价是朗读任务与合并信息性和纠正性窄聚焦限制了推广。

针对标准马拉地语识别在聋人语音上接近失效的问题，论文用冻结编码器的迁移学习加日常任务词表约束，把词错误率从 97% 降到 64%，代价是仍高达 64% 且依赖单人小词汇后处理。

该研究把长语音切成片段并编码为与法语句向量对齐的语音片段向量，直接送入改造后的法语编码器解码器生成法语摘要，在呼叫中心对话和小规模跨语言合成语音上报告了与级联和音频大模型对照的可核对结果，但大模型对照为零样本且跨语言语音为合成。

该研究以 51 个 NotebookLM 生成播客为样本，用发音率与言语率检验面向不同听众的提示词与说话人性别的影响，发现提示词对发音时长的预测力强于性别，而男女声在停顿使用上趋同但在播客尾段发音率上出现分化，代价是 diarization 存在幻觉且输入文本未做控制。

该研究以十地带口音普通话自发独白为对象，用元音辅音区间节律指标加整体距离聚类，报告吴方言口音偏向重音定时、粤闽口音元音占比偏高、厦门口音与官话聚类相近，而节律距离不平行于词汇距离。

该研究用 ABX 辨别任务比较法国人与美国人对英语升调与降升调的区分，显示法国人显著更差，支持语调对比也存在音系性耳聋，但美国母语人仅 79% 正确率说明频率与语境仍是重要限制。

该研究用长时重复启动范式比较青年与年长成人在最小语音偏离下的词汇激活，报告年长组出现偏离启动而青年组没有，支持稳固性下降解释，但未测量神经机制与日常听词代价。

该研究以日语长短元音辨别任务检验口面部皮肤拉伸是否改变听觉判断，最强证据是体感条件下日本组报告长元音比例显著上升而法国组无显著变化，同时法国组心理测量函数斜率显著更平，代价是效应只在有该音位对比的母语者中显现且机制仍为解释性推测。

该研究追问词尾 schwa 形成额外音节时延续升调与对比降调如何重新对齐，利用 30 人 1078 个轮廓的已标注语料和 20 加 20 人的新产出实验，报告非南部延续调在 schwa 上掉调而南部保持上升、两地对比调都提前达峰后下降，并提议用次级关联保留非南部延续调的 H% 编码，代价是感知验证尚未完成。

针对多人同时交谈的重叠语音识别问题，该工作在 AV-HuBERT 识别主路径之外并联一个在 FBank 特征层面重建目标与干扰的 AV-TSE 辅助任务，并在 MCoRec 开发集上把词错误率从 49.90% 降到 49.55%，代价是需要仿真混合数据提供干净特征监督且推理时不使用提取分支。

该研究用 1.0 米、2.5 米、4.0 米三距离呼唤任务检验听者能否仅凭语音判断目标听者，最强证据是全听者准确率 0.702 与目标听者准确率 0.748 均高于 0.333 的随机水平，代价是样本仅 4 人且词相关差异机制尚未做声学分解。

该研究用德语朗读生产实验检验限定性是否为语言冗余因子，发现冠词前边界 B1 上定冠词显著短于不定冠词而冠词后 B2 无显著差异，且词频主效应不显著，但图片预熟悉可能抬高了可预测性这一代价限制了词频解释。

该工作以 XLS-R 高维表示为输入，对比单层全连接与单层 KAN 后端，在 21LA 上把聚合 EER 从 2.38% 降到 1.07%，代价是后端参数从 2.05k 增至 22.54k 但仍远小于主流系统，且在 FoR 等个别集上 KAN 并未取胜。

该研究用同一句话在 50%、100%、200%、400% 四档用力下比较“大声”与“有意念”两种外部提示，报告显示提示间声学与感知差异很小而档位间差异显著，但 400% 用力反而平均强度与音高范围下降，代价是自然度与清晰度的权衡仍未解开。