语音

Affectron 针对开放场景下非言语发声数据少且无对齐监督的问题，用解耦小语料上的情感驱动匹配与情感感知路由构造增广样本并微调 VoiceCraft 主干，报告显示非言语真实感与多样性提升而口语自然度基本保持，代价是重叠语音未建模且依赖伪标签与小规模干净语料。

该工作以音频为唯一证据检验蕴含、一致、合理、口音漂移与口音克制五类推理，报告显示生成式模型优于对比式模型但普遍过度蕴含，而转写加推理的级联系统在医疗蕴含上取得更高宏平均 F1 并伴随明显的模型偏向代价。

论文把声纹伪造检测的跨库崩溃拆成捷径依赖与域偏移两类失败，用有向图加受控声学干预证明非语音结构是主捷径，而针对性增强能解耦但要付出域内代价。

SRE24 音频轨围绕电话与视频伴音、变长注册与短测试、多语言与多人语音组织说话人确认试验，分析报告三段注册优于单段长注册、电话匹配优于视频伴音匹配、短测试与多人测试明显更难，而放宽训练数据的改善大于多系统融合的改善。

针对方言阿拉伯语数据分散与标注不一致问题，Arab Voices 用统一转写与元数据对齐 31 个数据集并以方言度与音频质量代理做可比刻画，在 14 个方言零样本评测中显示现代模型仍困难而多模态大模型相对更稳，代价是音频质量代理与人感并不完全一致且部分低资源方言仍缺乏数据。

该研究复核一篇中库尔德语语音合成公开释放，问题是论文、模型卡与文件三者是否一致，方法是逐项比对配置、评测与许可，最强证据是三系统合成分为 4.08、4.01、4.06 且与各自录音质量同序，主要代价是测试集未标记、识别器兼做转写与评分以及禁改许可限制了公开修正。

针对音频与文本交替出现的多轮上下文检索，论文构造统一 ATIR 基准并训练带音频令牌选择器的双编码器 ATIR-Qwen-3B，报告平均 78.86% Recall@1 和 85.09% nDCG@5，最强对照下仍保留打乱交织结构即下降的反证，代价是两阶段微调与选择器阈值调节。

针对大音频语言模型越狱评测只做文本转语音的问题，该工作先建 1495 条 10 类音频基线集，再用语义一致约束加贝叶斯优化组合时域频域混合扰动生成更强攻击，并在 7 个模型上报告攻击成功率等五项指标显示微小保义扰动仍显著降低安全性，同时以严格拒绝换可用性为代价。

该研究把多轮语音交互拆成记忆、指令、一致性和语音改口四个轴，用 452 段无脚本真人录音和 1712 条原子细则做固定上下文评测，报告最高模型仅 54.65% 通过率且语音改口最难，同时付出长音频一致性下降与声音线索记忆明显弱于语义记忆的代价。

针对聚类式说话人日志把多人同时说话和背景语音误并入单说话人簇的问题，论文用多说话人态与背景态增广 HMM 状态空间并引入外部说话人切换点约束，在 DoPaCo 无重叠上相对基线降低约 55% 说话人错误率，代价是默认非重叠输出在重叠区漏检较高，需外接重叠检测才可做重叠感知输出。

论文把 CosFace 证明为 Q-Margin 在 α 趋于 1 时的特例，并用大小模型与大小数据对照说明稀疏在小数据与大模型微调中有用，但小模型在大规模训练后易出现梯度饥饿。

论文把自动语音识别为中心的监督视为感知弱的原因，用转写、副语言、非语言事件三部分的结构化统一音频模式组织监督，在保持推理的同时把 MMSU 感知从 44.8% 提升到 55.7%，代价是需要多阶段对齐与合成标注的质量控制。

论文把音频章节切分从句子序列搬到时间轴上，对比文本加声学特征、纯音频 AudioSeg 与多模态大模型，报告 AudioSeg 在 YTSeg 上显著领先而停顿是最有效的手工特征，同时揭示长音频与多说话人下的衰减与评估不可比问题。

该综述把印度语言 NLP 按六大组十七个细粒度任务重组，用 200 余数据集、50 余评测和 100 余模型工具的覆盖来暴露语言与任务的不均衡，并以可核对的资源清单支撑后续复用。

针对多模态大模型做音视频语音识别时视觉时间建模粗糙且深层解码逐渐丢失时序的问题，论文用编码端时间感知注意力和解码端分层时间 token 堆叠来补时间信息，在 LRS2 与 LRS3 上把纯视觉识别词错率做到更低，代价是只在英语离线句子级条件下验证且增加了投影与注意力模块的开销。

论文以语音、音乐、环境音和歌声四类伪造检测为问题，用单前端、双前端与蒸馏双前端对比自监督前端选择，最强证据是 XLS-R 加 EAT 十八层双前端在联合训练下取得最低平均等错误率，代价是前端参数量明显增大且混合音频仍大幅退化。

针对加泰罗尼亚语到英语方言语音翻译任务，论文比较了两种级联与一种端到端系统，最强证据是 Whisper-v3 加 NLLB 级联取得 44.7 BLEU 和 65.1 chrF，而代价是依赖大规模外部语音与文本预训练和两段式推理链路。

CIS-BWE 针对带限语音缺失高频的问题，用双流 ConformerNeXt 生成器并行恢复幅度和相位，再用李雅普诺夫与去趋势涨落两类混沌判别器约束非线性动态，在 VCTK 与 MLS 上以约一半生成参数取得更优感知质量，代价是训练期李雅普诺夫特征计算使单轮训练时间明显增加。

针对语音输入推理明显弱于文本的模态推理鸿沟，论文提出非对称奖励的在线轨迹对齐框架 TARS，用表示对齐约束层间隐状态、用行为对齐约束输出语义，在 MMSU 与 OBQA 上把语音恢复率提升到 98.89 到 100.45 区间，代价是约 27.5 小时基线之上的在线强化学习与约 4.4% 额外奖励计算开销。

针对神经退行性疾病语音监测中临床量表噪声大与小数据难复用的问题，论文提出只要求预测分数服从样本间排序的比较器损失，在仅用自报三级标签训练的条件下得到与 ALSFRS-R 等未见标注相关的严重度分数，其代价是分数绝对值无标定且对录音条件偏移敏感。