论文解读

机器同传在什么话语下接近人类:英中同声传译的意义与译语质量比较

论文比较 5 套商用机器同传与 26 名人类译员在已备演讲和即兴访谈中的英中同传表现,发现最强机器只在计划话语的意义层面进入人类上游区间,在非计划话语和译语质量上人类优势更稳,且相同总分背后是省略与扭曲的不同错误构成。

 · 更新于 2026-11-18 · 约 18 分钟 · 8718 字 阅读 →
论文解读

JEV-VAD:用任务前置条件与浅层解码器做语义端点判定

JEV-VAD 把完成问题与判定标准放在音频 token 之前,用 1025 个参数的标量头直接输出停止概率,并在匹配头重拟合下研究浅层解码器前缀;它在 EOT-bench 上以英语监督取得中文 cut@300 ms 19.57% 和 14 语言平均 19.09%,主要代价是工作点依赖语言与预算,而且论文只报告参数和矩阵计算下降,没有测出端到端墙钟加速。

 · 更新于 2026-11-18 · 约 24 分钟 · 11925 字 阅读 →
论文解读

用配音加声音转换造出内容韵律兼顾的翻译训练数据

论文要解决表达力翻译中内容、韵律、时长和音色四方面难以同时对齐的问题,用专业配音加多语种声音转换构造训练对,并用直接预测目标语音的 DirectS2ST 验证,在英德、英西上提升了韵律和说话人相似性,但结论只在配音数据和所用评测条件下成立。

 · 更新于 2026-11-18 · 约 15 分钟 · 7377 字 阅读 →
论文解读

SAUCE:用对话蕴含做跨语言电话对话摘要的事实级评估

针对无明确目标的跨语言电话对话摘要难评估的问题,论文用大模型抽事实加专用蕴含模型判支持关系,分别算摘要事实被对话支持和对话要点被摘要覆盖的比例,并在含语音识别与翻译噪声的四语言数据上验证其能反映信息丢失与坏摘要。

 · 更新于 2026-11-18 · 约 18 分钟 · 9003 字 阅读 →
论文解读

冻结语音编码器做多语言轮次结束检测

论文用冻结的 Whisper 编码器加一个小的逻辑回归头做话轮结束检测,在 CALLHOME 五种语言上测零样本跨语言迁移、少量目标语言适配和阈值复用,发现跨语言差距很小且因果流式处理是主要代价。

 · 更新于 2026-11-18 · 约 7 分钟 · 3042 字 阅读 →
论文解读

固定视频不变,译文怎么说才能对上口型和节奏

X-Dubbing 把配音拆成管时间结构的翻译器和看视频说话的合成器,用合成后语音的反馈来挑选译文,在法语到英语演讲视频上同时改善了时长符合度与口唇同步,但结论只在单人独白和给定评测条件下成立。

 · 更新于 2026-11-18 · 约 16 分钟 · 7948 字 阅读 →
论文解读

双参考闭环引导如何控制跨语言克隆的口音

针对跨语言零样本克隆把源语言口音带入目标语的问题,该文用原始参考保音色、可复用的转换锚点供发音并以闭环反馈对齐历史,在 20 名未见法语说话人上以 0.042 的 ECAPA 代价把残留法语识别量降低 73%,同时取得最低词错误率和最高发音评分。

 · 更新于 2026-11-18 · 约 16 分钟 · 7787 字 阅读 →
论文解读

新词没有语音也能做好初始化:SEAM 如何拼出低资源 TTS 的词向量

SEAM 针对条件式 TTS 扩词时新词向量缺乏监督的问题,用子词序列的频谱低通滤波保留语序再以闭式岭回归对齐到预训练流形,在俄语、哈萨克语和法语上以更少微调数据达到接近基线的可懂度和主观偏好,但结论只在可分解、可转写且仍需微调的条件下成立。

 · 更新于 2026-11-18 · 约 22 分钟 · 10796 字 阅读 →
论文解读

只用中英训练,能给没见过的阿拉伯语挑发音错误吗

X-MDD 把学习者语音、合成的标准语音和标准音素序列一起送入大模型来预测真实发音,只在中文和英文上训练,再靠标准参考和示例迁移到阿拉伯语,代价是召回和诊断精度仍明显低于有监督基线。

 · 更新于 2026-11-18 · 约 18 分钟 · 8878 字 阅读 →
论文解读

跨语言时长不匹配:印度语言无对齐语音合成的评测基准与推理期时长估计

针对参考语音与待合成文本语言不同时无对齐模型按字节估计时长导致失配的问题,论文构建英语与九种印度语言双向评测基准,提出只在推理期引入语言平均每字符时长的修正策略,并在双语与多语 A-DMA 模型上用可懂度、相似度和自然度指标验证改进的范围与局限。

 · 更新于 2026-11-18 · 约 20 分钟 · 9768 字 阅读 →
论文解读

情绪维度有多语言无关?英语到汉语普通话的缩放与跨语言适应

论文用约 100 小时英语 MSP-Podcast 训练的 WavLM Large 模型,再用 1 到 20 小时汉语普通话 BIIC-Podcast 做适应,与只用汉语普通话从头训练对比,发现唤醒度只需 2 小时即可追平 100 小时单语模型,而效价需要 20 小时,代价是小数据下直接训练不稳定且效价与优势度整体更难预测。

 · 更新于 2026-11-18 · 约 16 分钟 · 7725 字 阅读 →
论文解读

僧伽罗语语音识别为什么难:从隐马尔可夫模型到自监督预训练的综述解读

本文综述 2006-2025 年僧伽罗语 ASR,问题是标注语料少、形态复杂导致词错误率高,对比显示同架构下修正 OpenSLR-52 标注可带来 18.1% 相对下降,而跨测试集的 WER 数字不可直接比较,且大模型微调仍需解决方言、噪声和代码混合问题。

 · 更新于 2026-11-18 · 约 19 分钟 · 9262 字 阅读 →
论文解读

跨语言说话人确认:用自监督预训练模型提取与语言无关的声纹

针对注册与测试语言不一致时声纹会混入语言线索的问题,该工作用 w2v-BERT 2.0 做前端提取多层特征并聚合为说话人嵌入,在 TidyVoice2026 上融合后达到评测 A 等误率 2.21% 与评测 U 等误率 2.99%,代价是 580M 以上参数与 58.43 GMACs 的计算量。

 · 更新于 2026-11-18 · 约 15 分钟 · 7489 字 阅读 →
论文解读

把英文声音理解模型搬到九种印度语言:只训练文本编码器

论文要解决英文 CLAP 无法理解印度语言描述的问题,只训练一个基于 XLM-RoBERTa 的多语言文本编码器去对齐冻结的 CLAP 空间,最强证据是混合目标在 AudioCaps 检索上超过教师而翻译质量和模态间隙决定了结论成立的边界。

 · 更新于 2026-11-18 · 约 19 分钟 · 9078 字 阅读 →
论文解读

把两种语言拼在一起训练,为什么能减轻跨语言合成的口音串味

针对跨语言零样本合成把参考音频的源语言口音带进目标英语的问题,该文用双语拼接加区域感知掩码让训练见到推理时的跨语言提示模式,母语人听辨显示口音明显下降,但掩码位置决定了口音抑制与音色保持的折中。

 · 更新于 2026-11-18 · 约 18 分钟 · 8827 字 阅读 →
论文解读

把归因判成“像哪个已见例子”:原型网络在合成语音溯源里的可核对做法

该工作把合成语音归因做成基于样例比较的可解释分类,在 MLAAD 英语训练下用架构族标签达到 99.65% 平衡准确率并支持跨语种与开放集拒绝,但原型冗余与说话人覆盖不足仍是主要代价。

 · 更新于 2026-11-18 · 约 17 分钟 · 8119 字 阅读 →
论文解读

只用三百组人评校准机器标注:SpeechCritic 的诊断语音评价与分工训练

针对参考条件下的跨语言语音二选一诊断任务,论文用约 300 组人类偏好筛选并校准声学度量为非约束性概率提示以扩展出万级监督,再比较监督微调、在策略蒸馏与强化学习的不同分工,报告显示维度一致性提升 6.3 个百分点但强化学习主要改善高共识样本且可能降低维度诊断分。

 · 更新于 2026-11-18 · 约 26 分钟 · 12887 字 阅读 →
论文解读

只有 14 小时标注也能做识别:Basaà语调迁移与字符级解码的第一条基线

针对标注稀缺且带声调和形态变化的 Basaà语,研究用多语言自监督表示 XLS-R 做微调,在 1671 条测试上报告词错误率 14.13% 和字错误率 3.51%,代价是方言覆盖窄且声调细节仍易错。

 · 更新于 2026-11-18 · 约 17 分钟 · 8184 字 阅读 →
会议总览

interspeech-2026 论文深度解读

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

 · 更新于 2026-11-18 · 约 2613 分钟 · 1309023 字 阅读 →
论文解读

源数据不可见时如何合并多个语音分类器:对齐加元加权的靶向合并

针对无源域数据、只有多个预训练源分类器和极少量有标签目标数据的语音情感分类问题,MOCHEE 用软置换对齐加元学习合并权重构造靶向分类器,在 CAFÉ和 Oréau 上报告最高准确率与 Macro-F1,但对齐与内外层划分等细节仍有未验证边界。

 · 更新于 2026-11-18 · 约 17 分钟 · 8169 字 阅读 →