语音

针对长语音与对话生成的评测缺口，该工作构建 1101 样本、17 场景的 SwanBench-Speech 并提出 7 个解耦指标，用人类一致性验证支撑其发现的混响一致性与表现力层次短板，但高表现力场景与多说话人声场统一仍代价明显。

该文把有声书按叙述与人物直接引语切分并构建 LibriQuote，再用引文微调与从头训练检验自回归与流匹配两类语音合成基座的表现力与可懂度变化，主要代价是小数据从头训练会损失可懂度和域外泛化。

针对重复扩展使时长只改变出现位置而不改变表示取值的问题，该文把音素加时间通道作控制路径并用神经向量场求解受控微分方程产生连续隐状态，在情感语音上以单层每步一音素取得宏观 Spearman 排序相关 0.53 高于微调基线 0.08，但绝对校准与感知质量仍随情绪和分辨率变化。

针对沃洛夫语音查法语文本的跨语言跨模态检索问题，论文比较晚融合与双编码器路线，最强证据是晚融合在自然口语检索与未见意图任务上保持可复述的优势，代价是依赖合成文档与较高维度推理开销。

针对日语多音字读错且成对偏好样本稀少的问题，论文用两个对比语言模型估计 token 级重要性权重再做加权 KTO，在报告中将日语准确率从 0.668 提升到 0.958 并把可利用样本从 1.5K 扩大到 9K，代价是需要先训练两个对比模型约 10 分钟 8 卡 A100 的额外预计算。

该工作用自发语音同时检验阿尔茨海默病淀粉样蛋白阳性预测与原发性进行性失语三分类，对比拼接加注意力池化的 DMHAM 与词级对齐加门控交叉注意力的 CogniAlign，最强证据是西班牙语 SPIN 队列上 CogniAlign 加手工声学特征达到淀粉样预测准确率 83.86%，代价是 PPA 小样本三分类不稳定且手工特征在不同任务上时而冗余时而互补。

针对首尔韩语重音短语连续基频难以对应离散声调类别的问题，论文用双分支有监督对比学习整条轮廓的整体形状，在 10093 个短语上达到准确率 77.75% 与宏 F1 值 51.54%，代价是稀有类别与长低平尾音仍易混淆。

该文把声码器从条件生成改写为从梅尔退化观测恢复目标谱的两步优化，用可学习伪逆做初始化加分频大核卷积注意力做深层先验，在 3.89M 参数下报告了优于 112M 量级基线与流匹配基线的质量，同时代价是仍需 GAN 判别器训练与多损失调参。

该文把语音幻觉检测转为推理时读取注意力图的二分类问题，用四个音频注意力指标加轻量逻辑回归在同域语音识别上超过不确定性基线，最强提升约 0.23 PR-AUC，但跨任务需重训且模型依赖明显，少头反而更利于域外泛化。

该文用 k-稀疏自编码器把三种语音自监督特征压成不同稀疏度，再在 SUPERB 六任务上测出最优 k 各不相同，并用信息瓶颈解释为说话人与情感偏压缩、音素与识别偏保留，而输入层质量只能小幅移动该权衡。

该研究以语音情绪识别为探针比较四种神经元选择器，用失活与放大的自对交叉对照验证情绪敏感神经元的存在，其中均值偏离与对比间隔选择器显示约 11–15 个准确率点的自效应而交叉影响接近零，但标签无关的联合放大效果不稳定且存在跨数据集部分迁移的代价与边界。

针对基于扩散变换器的语音合成推理太慢的问题，论文用时间跳过与分支跳过复用已算结果，并经三阶段校准在保持可懂度和相似度下把计算量与实时率明显压低，而代价是阈值过高后音质会退化。

针对三种真实退化信道下 11 种零样本克隆把验证错误率推高且预训练检测接近失效的问题，论文用混合标准库与域内退化语音的微调把已知攻击检测恢复到低错误率并改善部分未知攻击，代价是高保真未知攻击与小模型遗忘仍未解决。

针对 HeyJay!数据集的三级构音障碍严重程度分类问题，论文用冻结的 wav2vec 2.0 Large XLSR-53 做特征提取加约 67000 参数的可训练解码器，在说话人独立五折交叉验证下取得话语级准确率 64.6%、说话人级准确率 80.2%，代价是中度与重度边界仍存在与专家分歧同构的混淆。

针对单通道双人语音分离，eConv-TasNet 在保留编码器解码器基础上以组级早分离替代逐单元分离并以指数加权跨组聚合替代全量求和，在多基准上提升分离质量并降低参数与延迟，代价是峰值精度仍低于大参数 Transformer 路线。

针对语音数据稀缺与跨语言扩展难的问题，CSLM 用持续预训练做模态内与跨语言对齐、再用语音文本分块交错微调做细粒度生成，在约 77 千小时语音数据下取得可比大数据的对齐与对话能力，但大语种覆盖与更大规模验证仍待补足。

该文研究无帧级肌电-音频对齐时如何从口面肌电合成语音，选择把肌电协方差功率映射到冻结 HuBERT 离散单元再用现成声码器发声，最强证据是 H 线性预测肌电功率达 r=0.85 且 vec(E) 加音素引导解码显著降低单元错误率，代价是词错误率仍在 50% 以上且仅单例 ALS 验证。

针对文本与音频信息量不等且离散分类忽略情绪远近的问题，EMART 以文本为主做音频参照融合，并用情绪轮角度约束对比学习，在 IEMOCAP 和 MELD 上报告了可复核的准确率与 F1 提升，但未引入视觉且依赖音频编码器选择。

针对语音共情对话中副语言信息易被转写或早压缩削弱的问题，ES4R 在编码前用轮内与轮间注意力构建情感上下文再做语音引导的语义融合与能量引导的语音合成，在 AvaMERG 上语义一致性最优但多样性指标未占优且合成风格集合有限。

论文把问题定为普通话有声书语境下语音表达是否贴合叙事意图，提出规划器与评判器分离的 CEAEval-M，并报告在人工测试集上线性相关 0.72 与 70.80% 准确率，其代价是依赖人工标注语境与多阶段训练。