语音

针对多人对话中谁在何时说话与内容难以联合对齐的问题，TellWhisper 在语音编码器内用时间说话人旋转位置编码联合建模时间与说话人活动，并用双曲空间说话人日志估计帧级活动，在真实会议数据上取得内容加说话人加时间的一致改进，但支持说话人数限于 1 至 4 人且编码器与双曲分类器仍处在不同几何空间。

针对统一大音频语言模型偏向平滑上下文而漏掉短暂声学线索的问题，论文提出只在推理时对比原始与时域模糊音频的对数几率并做门控稀疏修正，在 MMAU 上 Qwen2.5-Omni 平均达 73.2%，代价是每样本多一次慢路径预填充前向与双路解码缓存。

针对功能磁共振时间分辨率不足以区分言语与语言加工阶段的问题，该工作用词 onset 对齐的皮层脑电高频信号做时空预测微调，在三个语音模型上提升脑对齐且保持下游任务，同时以时间平均与打乱对照证明毫秒结构带来额外增益，但数据仅为 9 人单播客因而覆盖与多样性受限。

论文把电话传输拆成降带宽与过编码分别测量，发现未见过的编码是退化主因，并用窄带重采样加随机量化加 RawBoost 加 G711 仿真在未见真实 VoIP/PSTN 上把 EERc 从 18.9% 降到 15.1%，代价是训练条件变多且干净宽带上的匹配性能不再是最优。

针对无预切分、无说话人标签的 21 语言多说话人长对话选择题任务，论文对比了 Voxtral-Mini-3B 的 LoRA 微调、冻结 Voxtral-24B 的多模态上下文学习纠偏、以及免训练语音锚定检索三条路线，最强证据是上下文学习在第二阶段评测取得 0.81 准确率，代价是微调在小数据上过拟合回落与检索前端依赖转写和切分质量。

该工作用语音活动检测加字幕块翻译先固定时间模板，再把相邻音频聚成长段并用整句翻译重写文本后回填原时间，开发集证据显示翻译质量随句子尺度提升，但更长更完整的译文需要后处理才能兼顾阅读速度与行长限制。

该研究用双轨应答蜜罐加音频指纹与商用合成语音检测器测量骚扰来电开场，报告机器发声至少占 26.9%，其中约一半是跨通话重放的录音，但合成标签只有约 54.4% 经盲听确认且阈值与播种历史显著影响读数。

针对无参考语音翻译质量估计中连续分数制造大量文档内微排序噪声的问题，该工作冻结 COMETKiwi-22 只做文本打分再用训练集上搜出的分桶宽度把近似分数压成精确平局，在开发集上把平均段级 Kendall τb 做到 39.4% 而系统级 SPA 维持 88.0% 左右。

针对粗粒度标注刻画不了语速情感韵律时变的问题，论文用直接听音频写细粒度描述的 FCaps 数据与分两阶段做全局加细粒度对比学习的 CLSP 模型，在检索与人评一致性上报告更强证据，代价是仅英文与大规模算力依赖。

针对噪声下单流纠错被音频质量卡住的问题，论文用独立 ASR 与 VSR 双路 N-best 假设加可靠性提示词做语言空间组合，在 LRS2 上把基线相对误差降低约一半，代价是依赖上下游识别头质量并增加大模型串行纠错开销。

针对语音与音乐联合训练中的任务冲突和数据不均衡，论文用动态容量混合专家做按词元分配计算的三阶段课程训练，在语音内容一致性和音乐美学指标上报告了超越专用基线与稠密联合基线的结果，代价是更复杂的专家初始化与路由调参流程。

UniVocal 把同一话语内说话与唱歌自动切换定义为 SCS 合成，用 CosyVoice 2 加两阶段课程学习与精细 cent 音高规划实现语义驱动切换，在 SCSBench-Mixed 上报告 0.871 客观与 0.810 主观切换 F1，代价是歌声数据电流音与真实纯隐式场景泛化仍受限。

该研究用 62 名巴西受试者的持续/a/元音检验特纳综合征是否存在可测声学偏离，发现 F1-F3 中心趋势和 shimmer 系统性偏低并用树集成模型得到 AUC 在 0.70-0.75 到 0.821 左右的初步判别，但仅 19 例患者且只用单一元音任务，尚不能作为临床筛查依据。

该研究用劣化加补救的可控流程检验能否以对比语言音频预训练相似度估计人声录音质量并推荐处理，最强证据是强档降噪在噪声与混响上大幅提升对比语言音频预训练相似度却被听众打低分，而去轰头与去闷处理得到听众正向评价，代价是嵌入指标与人耳判断并不一致。

针对零样本语音克隆中对齐脆弱、时长不可控和长于训练则崩溃的问题，VoiceStar 用进度监控旋转位置编码与延续加提示混合训练实现时长控制与外推，最强证据是 40s-50s 外推下词错率 11.91 对 F5-TTS 的 52.44，代价是长上下文下说话人相似度略低与自回归推理慢。

VoxMind 针对端到端语音智能体规划弱与工具多时延迟高的问题，采用先显式推理再说话与并行动动态工具管理，并在 AgentChat 上训练，主评测总体 74.57 分超越基线，但推理轨迹带来固定开销且合成数据与真实口语仍有差距。

针对端到端语音对话中统一偏好优化易引起声学漂移的问题，WavAlign 用全 token 有监督微调做声学锚、用仅文本的组相对策略优化改语义并以 rollout 统计动态加权，在两种架构上同时提升语义与表达但仍受限于序列级奖励与音频评价可靠性。

该文把音位识别错误转到 39 维区别特征空间做可复述诊断，报告跨 12 种语言替换错误中位距离 4 对随机基线 9、平均差约 2.8 且 PS 约 0.64，代价是只分析替换错误并依赖 soundvectors 特征与自举区间判断。

论文把讽刺、情感、是否疑问作为离散目标，用文本模型与语音模型分类器的交叉熵估计互信息，在单句无长上下文条件下报告讽刺和情感的音频信息比文本高出一个量级以上、疑问句仅约 2.4 倍，并以音频增量近似韵律独有信息，代价是韵律无独立模型且结论受标注与模型上界约束。

针对跨文化理解所需的野外视频多语转写问题，论文用易复用的 Whisper 与 WhisperX 流水线加字幕挖掘与重切分，报告七语平均约 30% 错误经数十至二百小时微调降至约 21.7%，代价是幻觉插入与字幕参考不完美及发布受限。