迁移学习

针对标准马拉地语识别在聋人语音上接近失效的问题，论文用冻结编码器的迁移学习加日常任务词表约束，把词错误率从 97% 降到 64%，代价是仍高达 64% 且依赖单人小词汇后处理。

该工作以 XLS-R 高维表示为输入，对比单层全连接与单层 KAN 后端，在 21LA 上把聚合 EER 从 2.38% 降到 1.07%，代价是后端参数从 2.05k 增至 22.54k 但仍远小于主流系统，且在 FoR 等个别集上 KAN 并未取胜。

论文把多乐器音乐合成的注意力扩散模型改造为语音与歌声转换，用音素后验、基频与演唱者嵌入做条件，在自然度与演唱者相似度上追平专用转换模型，但音素保真下降且加入器乐数据会拉低人声质量。

针对未见过文本到音频与音频到音频生成器的环境音伪造检测，论文用高效音频 Transformer 做前端加图注意力后端，配合差分微调与编解码增广，在 EnvSDD 上报告测试等错误率 2.48%，代价是依赖大规模预训练与特定增广组合。

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

针对吉他缺乏力度标注的问题，该工作用虚拟乐器渲染带力度标签的合成数据先学力度曲线，再把冻结的力度子模块拼到在真实录音上训练的音高转录模型中，合成集上平均绝对误差从约 32 降到约 7 但跨音色误差增大，而在 GuitarSet 与 EGDB 上的音符转录 F 值只提升约 0.1 个百分点。

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

论文在 Archi 与 Kina Rutul 两种东高加索濒危语言上整理约 45 分钟与 75 分钟训练语音并统一为 IPA 转写，对比 CTC 专用模型与 Whisper 及音频大语言模型，发现音素 F1 随对数训练频次呈 S 形增长，而面向语音的专用结构加语言相关词表与平均初始化在可运行条件下取得更低错误率，但稀有复合音素仍近乎无法识别。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

针对五类想象词跨被试解码零样本跌至机会水平的问题，论文用共享三维卷积前端加留一被试预训练再做小样本校准，最强证据是 64 通道三维卷积加仅调分类头在每类 60 样本约 25 分钟校准下达到 53.71%，代价是源域训练准确率高达 92.3% 且被试间方差大。

针对同一说话人说多种语言时模型易依赖说话人特征走捷径的问题，该文采用在 VoxLingua107 上预训练的 ECAPA-TDNN 做编码器并比较 AAM-Softmax 与 RAM-Softmax，在 Tidy-X 上报告识别任务 85.95% 宏准确率与验证任务 16.39% 等错误率，最强证据来自与官方基线的同协议对照，代价是未充分优化未见语种验证与未 …

该研究在德语到巴伐利亚语意图分类和德语到瑞士德语话题分类上对照文本直用、语音直用与先转写后分类，报告标准语上文本最好而方言上语音最好且级联分化严重，代价是方言语音为单说话人朗读且结论限于亲缘变体。

论文用跨语言迁移矩阵比较四种说话人确认架构在 44 种语言上的迁移结构，发现 ECAPA-TDNN 最接近语言无关而 HuBERT-SID 语言依赖最重，代价是结论只在受控小数据区间和 AUC 度量下成立。

共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读

该文在 nêhiyawêwin 与 SENĆOTEN 上比较推理时改风格嵌入、现成 SeedVC 与英数据多语言训练三路线，报告带语言嵌入的多语言训练匿名化最稳，而无语言嵌入与 SeedVC 分别付出英语口音与质量下降代价。

针对说话人互斥的二语英语母语背景识别，论文提出把冻结编码器帧特征按强制对齐音素区间分组并拼接音素编号嵌入后分类，在 L2-ARCTIC 四折平均上报告 81.41% 准确率与 81.21% 宏 F1，代价是训练与评估都需要文本转录与音素对齐。

音频分类 | 5.9/10

音乐转录 | 7.4/10

音频理解 | 8.5/10