集成学习

论文把 Freesound 上的下载量和平均评分转成下载三分类与评分四分类，用元数据、平台声学描述子、eGeMAPS 和 MERT 四类特征比较随机森林、XGBoost 和 MLP，发现下载量靠元数据预测最好而音乐评分靠平台声学描述子最好，但 eGeMAPS 和 MERT 在短音效上基本失效。

针对客观音质只给单点平均分而听音试验给出分数分布的问题，用 11 个 PEAQ 特征加 50 个自举 MARS 回归器加全局均值宽度校准来模拟听众分数，校准后在所有数据集上提高了区间覆盖和分布一致性但仍低于名义水平，且成对显著性判断还不可靠。

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

针对大参数检测器逐条调用成本过高的问题，该文用转置卷积与逆短时傅里叶变换推导的可预测谱峰加线性频率倒谱时变特征训练 151 KiB 梯度提升树，在同源测试报告等错误率 0.021%，并在 0.050% 漏检约束下估计节能 84.4%，但留一生成器误差分布不均显示跨生成器迁移仍是主要限制。

该研究把二语可懂度操作化为音素错读特征上的回归问题，用 600 条人工评分录音训练 AdaBoost 决策树，以可懂度相关 0.74 超过语音识别词错率基线 0.67，并用特征重要性给出分音素的误差排序，但代价是只用切分特征且样本偏向中高水平。

针对单中心单类学习把真语音压成单峰分布的问题，QAMO 按语音质量建立两个真语音中心并用质量分类与单类损失联合训练，在 XLSR-Conformer-TCM 上于 In-the-Wild 取得 5.21% 等错误率，代价是依赖 Scoreq 预测与增强样本的质量代理假设。

该研究把德语桌游解释中表面肯定但自评未完全理解的反馈定义为不一致回声，用声学、头部运动与话语结构特征训练可解释分类器，在交叉验证与保留集上达到约 0.71 的 ROC-AUC 和 0.73 的准确率，代价是依赖回放自评标签与较小的德语特定样本。

该研究用 50 人 TSST 与友好控制的组间语音区分压力情境并预测皮质醇反应与消极情绪变化，最强证据是 XGBoost 分类准确率 0.82 显著高于多数类基线，代价是样本小、协议线索未完全排除且唾液淀粉酶与积极情绪未能预测。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

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。

该研究在 48 名 3 至 6 岁儿童的 Eigsti 自由游戏转录上用随机森林做自闭症、典型发育与发育迟缓三分类，通过语义嵌入加转录标注的韵律交互特征加认知年龄特征达到交叉验证 99.5% 正确率，但样本小且依赖人工转录标注与认知测验是主要代价与限制。

该研究用 11 个声学参数加随机森林区分女性双侧声带小结与健康嗓音，最强证据是声调 3 模型准确率 0.836 与 AUC 0.902，代价是仅覆盖女性北方官话单字朗读且未验证连续语流与男性泛化。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

该研究以科西嘉塔拉瓦语自发语音中三个基元音的声学测量为输入，用随机森林加留一说话人验证做年龄组分类，最强的分元音证据是/i/的 55,6% 精度，而全局 43,3% 精度与显著的说话人差异说明仅靠元音尚不能实现可靠分类。

针对板混响脉冲响应中弱模态与重叠模态难以直接检出的问题，该研究先用回归器预测四个频带的模态数量以确定稠密网格基数，再固定频率对衰减与增益做有界可微校准，在两个仿真验证集上把本地挑战式误差相对官方默认峰值拾取降低约 66%，主要收益来自计数误差下降而衰减与增益仍是最大残差。

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

该研究把加州艺术学院机器实验室改造成以天花板 8×8 共 64 个 Modulets 为核心的分布式声场，用指挥—客户端—中央服务器的开放声音控制网络组织合奏，并以多层感知机加最近邻的加权集成自动校准打击乐器，在 4 种和弦密度下多数配置优于单模型，但 9 音符均方根误差仍以单多层感知机最好，且校准后落入正负 1 点 5 可觉差容限。

音频分类 | 5.7/10

音乐推荐 | 5.8/10