只有 1.5 小时录音时先冻住耳朵再改手写:Amchi Konkani 的迁移加词典修正
针对无正式书写系统的 Amchi Konkani 口语转写问题,论文用冻结编码器的 Marathi IndicConformer 只微调 CTC 解码层并叠加约 5000 词众包词典与约 80 条正则后处理,把词错误率从 35.1% 降到 21.3%,代价是仅在小规模故事集上验证且依赖人工维护的词典与规则。
针对无正式书写系统的 Amchi Konkani 口语转写问题,论文用冻结编码器的 Marathi IndicConformer 只微调 CTC 解码层并叠加约 5000 词众包词典与约 80 条正则后处理,把词错误率从 35.1% 降到 21.3%,代价是仅在小规模故事集上验证且依赖人工维护的词典与规则。
该研究用可解释的韵律声学特征加树模型做说话人级自闭症与典型发育分类,芬兰语内准确率 0.84 而跨语迁移差异大,说明基频分布部分通用但谱特征依赖语言且录音条件不齐。
该研究用朗读任务和六个节奏指标检验中英法三语者法语节奏,发现三语者法语元音指标与母语者无差异而辅音间隔指标受英语顺向干扰,同时母语汉语节奏出现系统性逆向重组,但样本小且仅限朗读短句。
该研究用西班牙语三音节词的基频、时长和强度重合成对照做 AX 辨别,检验庆尚与首尔韩语听者对音高线索的权重差异,最强证据是 PP>P 条件下含 F0 与不含 F0 操作诱发不同判断的差值在庆尚组更大,而 P>O 条件下无组间差异,代价是样本小且结论只限特定重音移动与任务。
该研究让 19 名高熟练牙买加英语、卡斯蒂利亚西班牙语和南部标准英国英语说话人在中性、积极、消极条件下用英语做自发与半自发表达,测量语调短语时长、停顿时长、语速、发音速率和音高范围,发现只有消极高强度情绪带来可重复的组间交互且以音高范围变窄最突出,而发音速率不受情绪影响。
该研究用 383 名法英双语人的朗读句和 VOCALISE 系统比较单语与双语条件下的似然比分数,发现双语比较显著压低相似度并削弱同一说话人优势,使同人跨语言分数向异人分数靠拢。
论文用普通话 55 到 51 连续体上的辨认与区分任务检验粤语母语音系规则对跨语言声调感知的影响,最强证据是低普通话水平组边界左移变宽而高水平组接近北京对照组,代价是该结论依赖特定连续体与三组被试条件且未验证生产与泛化。
本研究以五十名无法语外声调经验的法国人辨别四个北方越南语声调对为问题,用泰语、普通话、粤语相似对和法语对照做短时低变异训练,发现总体正确率和速度提升但组间无差异且难度顺序不变,代价是未能实现针对发声态线索的再加权。
该研究把长语音切成片段并编码为与法语句向量对齐的语音片段向量,直接送入改造后的法语编码器解码器生成法语摘要,在呼叫中心对话和小规模跨语言合成语音上报告了与级联和音频大模型对照的可核对结果,但大模型对照为零样本且跨语言语音为合成。
研究以双音节英语重音辨别与粤语声调同化任务检验知觉同化解释,粤语组辨别灵敏度显著高于英语组并把首末音节分别同化为 T1/T3 与 T4/T1 的两类对立,但证据限于无元音弱化的双音节词与行为选择数据。
针对新伪造语音出现时微调整个检测器会遗忘旧数据的矛盾,该工作冻结定制 ResNet18 主干、只训练 128 维嵌入后的轻量回溯翻译器做类条件分布对齐,在 FoR、ITW 和中文 ADD22 上保持源域 95.0% AUC 与 9.74% EER 的同时把目标域做到约 95-98% AUC,代价是目标域 EER 比全量重训高约数个百分点。
共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读
该文以固定 Wav2Vec2-XLSR 基线检验语系分组对跨语言语音情感识别的影响,最强证据是同语系内留一语言泛化优于跨语系泛化,而代价是跨语系直接迁移大幅掉点且受数据量与标注不一致制约。
该研究用四种自监督前端搭配四种后端、在三种多语料组合与六个评测集上对照,报告显示 XLSR 搭配 ResNet 平均等错误率最低,加入外部语料让 ASVspoof 5 编解码子集等错误率走高而野外子集走低,约 8 小时西班牙语伪造音频让西班牙语评测大幅改善而中文评测维持原量级。
共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读
共收录 199 篇 acl-2026 会议论文的 Reader 深度解读
该研究以英语参考音频为输入对比四种零样本跨语种克隆系统,报告了以 VoxCPM2 在阿拉伯语上同时取得 0.25 词错误率和 0.72 说话人相似度为代表的权衡证据,而代价是多数系统仍在可懂度与身份保留之间此消彼长且仅两套系统支持阿拉伯语。
针对可控语音合成中指令理解与语音生成耦合导致标注昂贵的问题,该文把外部大语言模型定为指挥家生成逐段音高能量音色数值计划、把 BatonTTS 定为乐团按计划合成,最强证据是 1.7B 模型在英文情感准确率 57.6% 并零样本迁移到中文 56.2%,代价是依赖外部大模型生成计划并引入约 20 秒级计划延迟与两阶段推理链条。
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。
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。