语音

该文把说话人身份当作一阶模式，把表征聚类当作刻画网络认法 的二阶模式，用单链接聚类发现、用语义匹配解释、用基于梯度代价外推的新方法判定未见语音归属，报告显示路径完整度从百分之十一点六八升至百分之三十四点一九，原子语义召回从零点五一一九升至零点五六六九，但国籍召回仍明显偏低。

F-Actor 用冻结音频编码器加只微调语言模型的单阶段方案，在约 2000 小时数据上实现对音色、话题、打断与应答和起话方的指令跟随，最佳配置以词级文本对齐加 2 步音频延迟取得低困惑度和高起话准确率，但打断等稀有行为仍只能给出方向性控制且语音自然度未达真值。

FC-TTS 要解决用两段不同参考语音分别控制音色与风格的问题，它用音色先定模糊谱、风格再细化的方法组织生成，并在 RAVDESS 音色控制上报告保持可用质量，而代价是放弃部分内容与细节信息并引入中间瓶颈。

针对构音障碍等病理语音与常态语音声学失配问题，该研究在冻结 Voxtral-Mini 全部权重下用 x-vector 驱动的逐层 FiLM 做说话人条件化，在 TORGO 和 NeuroVoz 上以约 1.6% 可训练参数获得接近微调的识别与问答保持能力，但原始识别输出更依赖后处理纠错。

针对纯文本盈利预测依赖商业数据的问题，该研究构造 2688 场带逐词转录、全程音频和幻灯片的多模态基准并评测 26 个模型，最强证据是高准确率多为类别不平衡造成的假象而多模态增益有限，代价是长文本截断、采样幻灯片与类别严重偏斜。

该文用 14 维说话人一致构音特征比较 VCTK 苏格兰、英格兰、爱尔兰口音，以 DTW 对齐达到 99% 分类准确并以最优传输扩展到非平行语料，但 OT 需要约 7.5 分钟语音和上百聚类点才稳定。

针对噪声混响等导致语言向量漂移的问题，该文冻结语种识别器并在其输出向量上学习流匹配变换，用五语种失真配对实验把 ECAPA 整体准确率从 0.6900 提升到 0.8672，代价是推理需 50 步常微分方程求解且法语等个别情形仍弱于波形前端。

针对声学失配下说话人嵌入漂移问题，论文用条件流匹配在嵌入空间学习从高斯噪声到干净教师嵌入的映射，并用多次采样估计目标分数均值做分数归一化，在七个数据集上平均相对降低等错率约 17%，代价是推理需多步常微分方程求解且在干净匹配条件下几乎无增益。

针对未见合成方法泛化难的问题，论文把 WavLM-Large 部分高层的前馈块替换为多专家并用门控做整句选路，在 14 个评测集上把宏平均等错率从 5.46% 降到 4.81%，代价是参数增至 329M 且需全量微调。

该文把 256 维说话人嵌入重编码到 500 维，用矩阵级稀疏、向量级稀疏与正交三种自编码器在同一说话人验证协议下比较，报告中等至高稀疏可在保持可比等错率的同时带来去相关与典型性改善，而互信息结合解耦熵式的指标更能跟踪这种改善，但高稀疏的零方差维度与概念选择敏感构成主要代价。

针对语音、环境声、音乐三域音频幻觉缺少大规模可诊断评测的问题，HalluAudio 用 5720 对人工校验问答与对抗诱发设计做零样本评测，报告显示结构与感知幻觉普遍存在而准确率无法代替可靠性判断。

论文研究说话人识别中速度扰动和混合拼接增强如何加大训练难度，提出用杰弗里斯损失约束非目标分布并用面向近邻的混合采样供给局部样本，在多组失配评估上报告稳健性方向，同时显示单阶段联合多种增强会使判别过难而分数融合更稳妥。

针对病理语音下神经音频编解码重合成伪造难以检出的问题，论文构建配对的中英多病症基准并提出保留多证据、在双曲空间用多原型建模伪造模式的 PHOENIX-Mamba，其 PaSST 版本在英抑郁等任务上达到 97.04 准确率并把等错率降到约 5 左右，代价是依赖预训练表示与受控重合成协议而未覆盖真实信道与 TTS 等攻击。

论文把全双工语音模型的知识退化归因于深层语义与声学梯度冲突，用共享浅层加并行深层头与语义对齐通道来分离优化，主证据是口语问答平均提升 7.4% 与 FullDuplexBench 1.5 提升 28.5%，代价是约 10B 参数与专用三通道训练数据依赖。

针对每秒仅 25 个 token 重建 24 kHz 波形时语义丢失与高频失真问题，论文用条件流匹配迭代生成波形并以分层表示对齐与稠密单层量化组织语义和声学信息，最强证据是 8 层 RVQ 对照与频带误差表显示的语义保持与高频改善，代价是四步 ODE 采样与大规模 Transformer 解码器的推理开销。

论文用语音大模型提示打分与 COMET 加音频回归两条路线检验源语音是否有用，在 IWSLT 2026 开发集上报告音频未稳定超过纯文本，而错配音频不掉点与技术内容占比高揭示了数据与建模代价。

针对长时无切分英文到中文与德文离线语音翻译，论文采用 Silero VAD 加两遍转写与 150 词元语义合并的 Qwen3 级联路线，在 tst-2022 上报告 En-Zh COMET 0.8462 与 En-De 0.7854，最强证据来自两遍转写把 WER 压到 3.01%，代价是多模型串行推理与重分段计算开销。

HydraQE 针对语音翻译无参考质量估计，用 Qwen3-ASR 同时编码源语音和译文假设，经稀疏层混合与双向重编码得到共享表示并用 DA、MetricX、xCOMET 三头监督加课程采样训练，在 IWSLT 2026 开发集与测试集段级别上超过级联文本基线，但不同预测头在语种与段级和系统级之间存在权衡且开发集系统级分数不稳定。

该研究用 20 条真、全合成与部分合成语音的 0.2 秒窗口定位任务检验 47 名母语听者，显示话语类型决定检出与质量评分而三种信任线索无主效应，全合成在多数投票下 0/5 正确且人群辨别力接近机遇。

针对 SRE24 音频验证中固定训练缺阿拉伯语与法语、短语音与多说话人测试变难的问题，I4U 用 Multi2dCoTNet 多嵌入约束、NPSVM 分类器、自适应归一化与 Mixed-Norm 虚拟说话人给出官方五系统方案，并用 Multi2dCoTNet 加 XLSR-CAMHFA 的两系统精简方案在更低算力下达到相近精度，但短时长与声源失配仍是主要误差 …