零样本

针对资源受限下音频推理难部署的问题，论文用 3 流声学前端加指令感知的查询投影与语义门控做特征过滤，在 MMAR 上以 1.5 B 取得 46.40 准确率，但推理链丰富度仍明显弱于 30 B 以上模型且在过密与空间场景有回退。

针对音频视觉问答中朴素音频描述与视觉不一致且缺问题相关细节的问题，VividAC 用视觉智能体先写问题相关视频描述再约束听觉智能体生成音频描述，在 MUSIC-AVQA 上以 59.91% 超过最强端到端基线 7.0 个百分点，代价是级联依赖视觉描述质量并需关键词过滤来缓解误差传递。

针对呼吸音自监督编码器缺乏临床语义锚点而无法零样本推理的问题，REACH 用医学大模型由元数据合成结构化报告并以 Sigmoid 对比对齐加掩码重构正则和远距离负采样做桥接，在 9 任务 6 数据集上以 43% 公开数据取得 61.3% 平均零样本 AUC 和 71.6% 线性探测 AUC，但细粒度咳嗽变体与五级严重度分级仍接近随机。

针对分钟级零样本对话合成在稠密梅尔谱上做条件流匹配时显存和耗时随长度暴涨的问题，ZipL-Dialog 把生成搬到 4 倍时间压缩的 25 Hz 确定性隐空间并重设 ZipFormer 下采样，用 CoVoMix2 上最大峰值显存 3.23 GB 对 36.21 GB、推理 1.075 秒对 2.396 秒的实测换取可听自然度基本保持，代价是词错误率和说话人 …

论文以 CosyVoice 2 与 MaskGCT 为案例研究口音-情感纠缠问题，用口音 SMOS 听辨、GenAID 嵌入的 UMAP 与质心余弦距离证明前者随情感指令大幅漂移而后者稳定，代价是单一声纹相似度指标无法反映口音错误。

针对只用英语训练、直接在七个未见语言上做零样本音素识别时替换错误占主导的问题，论文把识别改写为向通用发音特征空间的预测并用信息瓶颈过滤语言特异变化，报告平均音素错误率相对降低 20.56%、发音特征错误率相对降低 7.01%，代价是仍需目标语言音素清单做向量对齐且推理依赖 CTC 分段质量。

针对无成对编辑数据时难以同时改对语义又保住原声音色与环境的问题，Bagpiper-Edit 把编辑改写为丰富描述的文本变换再以原音频为声学锚点生成，并在相邻片段自监督下实现零样本编辑，转写编辑准确率达 79.76% 而说话人相似度保持 0.83，代价是整句替换仍有极端失败与复杂场景稳定性不足。

该研究把痴呆检测做成二分类语音任务，用冻结的基础语音编码器加轻量下游头比较单语与多语训练，最强证据是英语合并集 0.854 F1 与多语合并集 0.761 F1，而代价是小语种与跨语言零样本性能明显下降且依赖切分与时长等实验条件。

针对离散采样与网格重采样丢失耳廓细节的问题，GISNO 把三维头型到边界声压学成连续算子再用可微亥姆霍兹积分渲染到任意场点，在 HUTUBS 上把对数谱失真降到 2.92 dB，代价是验证仍局限于较小数据集与仿真零样本条件。

针对无声唇视频生成可懂、自然且口型同步语音的问题，LipAdapter 冻结视觉语音识别与多语 TTS、只训练文本到视频对齐以预测唇形引导的音素时长，在 LRS3 上用 30 小时训练达到 21.2% 词错率，但短于 1 秒的片段同步置信度明显下降且依赖上游识别文本质量。

该研究以性别延展与非性别延展两组嗓音对比六个零样本语音合成模型，发现人耳相似度上两模型对性别延展组显著更差而三模型反向更好，且说话人相似度和自动平均意见分预测与人耳判断多处不一致，代价是现有自动评测难以替代人工听辨。

针对无对齐句子重音检测中深层语义表示压制细粒度韵律的问题，ProWhistress 用冻结 Whisper 隐式流加可训练声学显式流做门控融合，在英汉五套基准上以 SinoStress 合成到真人录音几乎不掉点的证据支撑跨域鲁棒性，代价是新增声学编码器与融合头的训练与调参负担。

针对歌声转换中内容与音色解耦和生成质量的权衡，该文用 K 近邻映射到共享说话人空间去除源音色，再用两处最小池化对抗分别修补内容特征与谐波，最强证据是零样本下自然度和音色相似主观分同时超过基线，代价是需要分两阶段训练与额外判别器。

针对零样本跨语言语音阿尔茨海默检测，ORBIT 用双向交叉注意融合多语言语音与文本预训练表示并以多抽头对抗与球面-双曲共识聚类抑制语言信息，在 mHuBERT+Qwen3 组合上取得 LOLO 平均 86.98% 准确率与 85.29% 宏 F1，但希腊语转写依赖 Whisper-large-v3 生成且 LTLO 仍明显低于混合训练。

针对参考音频需要转写文本导致的脆弱性，RTFree-F5 用冻结 WavLM 特征经轻量投影器替代参考文本条件并复用 F5-TTS，在构音障碍集上把 WER 从 24.62% 降到 10.39%，代价是说话人相似度从 0.60 降到 0.50。

针对音频语言模型中提示学习提升基类却损伤新类的问题，ZEBRA 把零样本对数与提示学习对数加权融合再做自熵正则，在 11 个数据集平均上把新类准确率从低于零样本拉回到零样本之上，同时基类保持在 80% 左右，代价仅是训练测试时间增加数秒且不增加可学习参数。

跨语言零样本合成中参考音频的源语言口音会泄漏到目标语音，本文用同一合成代理声音在两种语言下预测之差估计口音方向并在采样时减去，在 OmniVoice 等四个公开模型上实现等口音下更高的说话人相似度，代价是每步增加代理计算与每模型需小幅扫描去口音强度。

开放词汇声音事件检测要求对任意文本查询输出精确时间边界，COSED 以双编码器加高分辨率时序精修与语料作用域掩码加闭合开放联合监督为选择，在六任务统一零样本基准上五项最优一项持平，代价是多语料联合训练与精细时序建模的复杂度。

针对老年语音说话人差异大且测试时无目标说话人数据的难题，该文用历史语音加已解码文本经双向跨模态融合与 Q-Former 压缩生成在线说话人提示，在两套老年语料上相对说话人无关基线取得 0.61% 和 1.22% 绝对错误率下降，并以最高 9.83 倍实时率加速替代离线批量适配。

EditVoice 针对非自回归零样本合成须先定长才能并行生成的问题，用编辑流在采样中联合做插入、删除、替换以同时改内容和长度，并以语音填充训练统一合成与编辑，再用互补提示采样与生成后修正提稳内容一致性，代价是每步需评估两种提示摆放且启发式一致性规则依赖阈值。