语音

该文研究齐奏混音中不同颤音模式暴露多声源的问题，提出先抑制目标颤音再从源信号迁移频率调制与分谐波幅度调制加残差谱包络调制的方法，以声谱图示例和同命运变换分离失效为证据，代价是尚无听音实验与客观分离指标量化。

该研究用电磁发音仪追踪 12 名波斯语母语者在背景、宽域、窄域、纠正四种焦点下目标词附近的三维头动，报告随突显度增加位移增大、速度整体抬升且速度曲线呈双峰节拍形态，但个体差异大、多数两两比较仅为趋势而非强证据。

该研究用 8 种权力亲疏负担组合诱发提议句并对整句基频建模，报告面子威胁越高平均基频越低且距离效应最强，但权力呈现反向的局部差异，代价是朗读任务与非完全相同句式限制了自然度。

论文把法语 WavLM 到波形的重建作为连续语音转换的前置步骤，对比只用谱损失与加入多周期多尺度对抗监督的 HiFi-GAN vocodeur，并在 15 个未见说话人样本上用谱、感知和基频指标验证对抗监督带来一致增益，同时以可学习的层融合分析各层贡献。

该研究以一句爱尔兰语男声合成中性句为基线，只按真人情感录音改造嗓音源参数并叠加语速与共振峰，用全局、重音局部与组合三类刺激做听辨，发现组合识别率最高而高激活情感区分更清晰，低激活情感则互相混淆。

VoixTenue 把触屏纵向画线与手机俯仰横滚倾角映射为 Pink Trombone 的基频与强度，在 E2-E5 三组八度内以约 60 Hz 更新实现全机端实时嗓音合成，代价是触屏模式暂缺力度控制而倾角模式音高精度较低且未经被试实验验证。

该工作把古兰经背诵 ASR 转写与标准文本的差异标注为带位置的类型化事件，用可执行评分器同时考核标签与跨度，并报告朴素差分、生产组件适配与编码智能体试点的对照与代价。

该研究用德语问答朗读操纵焦点结构与名词语义似然，以词时长为指标，发现窄焦点稳定拉长目标词而语义不搭并未缩小双名词时长差，重复给定词仅在客体位置出现缩短。

针对麦克风间距未知、增益未校准且各通道噪声功率不同的自组织阵列，论文用确定性最大似然把语音序列与传递函数的闭式解代入似然，只留对角噪声协方差做数值优化，在 4 通道 LibriSpeech 仿真上把阵列信噪比做到 21.18/20.63 dB 而逼近已知噪声的广义特征值波束形成上限，代价是每条语音单独迭代约 2000 轮且混响下客观可懂度与音质提升有限。

针对语音激励、混响与噪声变化下的批量声学系统辨识，该工作把最小二乘加多重稀疏约束的参数化模型族用交替方向乘子法求解并展开为 ADMM-SysIDNet，在 Bar-Ilan 实测房间冲激响应与 LibriSpeech 激励下以归一化均方偏差为指标优于最小二乘和 ADMM-ℓ1，代价是依赖分混响条件的离线训练与批量观测流程。

针对旋转机械主导的低信噪比谐波噪声，该文用单通道循环平稳最小功率无失真响应做前端抑制谐波再接轻量掩蔽网络，在合成与真实发动机噪声上报告了一致提升，但维纳滤波对照显示增益互补而非可替代，且依赖噪声频率稳定可估计。

该工作把预训练实时语音增强网络用离线合成啸叫样本加原始降噪数据联合微调，报告显示 60% 啸叫加 40% 降噪配比在在线啸叫抑制上明显提升而降噪 PESQ 仅从 2.564 降到 2.556，代价是 75% 高啸叫配比时 PESQ 降到 2.47 且 SDR 从 17.62 降到 16.79。

ActAvatar 针对说话化身中文本动作控制粗糙与时间错位问题，采用分阶段提示与分层音视频调制，在保持口型同步的同时实现相位级动作控制，最强证据是动作基准上命中率与时间正确性领先，但深层调制与两阶段训练带来实现与数据构造代价。

论文把多乐器音乐合成的注意力扩散模型改造为语音与歌声转换，用音素后验、基频与演唱者嵌入做条件，在自然度与演唱者相似度上追平专用转换模型，但音素保真下降且加入器乐数据会拉低人声质量。

针对小频移下谱平均被抹糊的问题，该文把熵正则 Wasserstein 重心约束为给定阶数全极点谱，用 Sinkhorn 加反射系数参数化梯度下降求解，在 TIMIT 五音素上以平衡准确率与 F1 略优于非参数重心，但优化非凸只能得到次优平稳点。

针对长回声路径辨识问题，论文把长度为 L 的脉冲响应拆成两个短分量滤波器并为各自设计可变遗忘因子，在网络与声学回声消除仿真中报告了比固定遗忘因子 RLS-NKP 更低失调与更快跟踪，但未给出失调数值的表格且依赖对角协方差等简化假设。

该研究用图片描述语音的声学流畅性与文本流畅性双路特征加注意力多示例学习，在 742 人 SONIVA 语料上不依赖影像预测中风状态、偏侧、体积三分级和 12 个半球脑叶受累，并报告左半球偏文本、右半球偏声学的特征依赖梯度与定位性能差距。

针对目标与干扰在单个阵列看来同方向而波束形成失效的问题，该研究用几何约束线性解混做空间滤波、再用跨阵列非目标估计构建多通道维纳后置滤波，在三阵列混响实验中多数指标超过 NMF 与 NTF 基线，但稀疏先验强度与混响条件会带来失真与抑制的权衡。

针对单图全身会话化身中音频到姿态再到渲染的误差累积与口手细节丢失问题，论文用音频直接调制三维高斯粒子变形场并蒸馏大视频扩散先验，消融显示轨迹对齐与分数蒸馏分别控制同步与平滑，但自建评测与合成监督带来泛化边界。

针对几何直拖难以产生平滑非线性双元音轨迹的问题，论文用二维弹簧-质量-阻尼器把键盘输入映射为作用力再耦合 Pink Trombone 合成， pilot 显示曲线轨迹的弯曲能量由 1191.1 降到 211.6 而直线定位精度基本相当，代价是样本仅为作者且未做统计检验。