零样本

针对大音频语言模型中思维链变长后注意力偏离音频的推理差距问题，SPARE 在推理起点插入对齐最终结论语义的寄存器标记做训练期正则，在 MMAU 上达到 58.03%、MMAR 上达到 40.32%，代价是需要带结论标签的微调和对齐权重选择，且推理时丢弃辅助头以保持零额外开销。

针对普通话多音字消歧依赖大模型且无法预测训练未见读音的问题，G2PO 用 RoBERTa-tiny 加词典融合与词性辅助，在仅 3.99M 参数下在 CPP 上报告 99.15% 准确率并在未见读音上报告 70.79% 零样本准确率，代价是仍依赖外部词典覆盖与 Jieba 生成的词性标签。

针对零-shot 流匹配语音合成训练目标与听感评价脱节的问题，该工作用两个模型分别学偏好与非偏好分布并配合改进的无分类器引导采样，在 Seed-TTS 中英文集上同时降低词错误率、提升说话人相似度，代价是推理需运行双模型并依赖小规模代理偏好数据。

针对实时零样本声音转换中说话人相似度低的问题，该研究用基频激励信号补回离散内容单元丢失的韵律，并用全局嵌入加轻量互补编码器的因果融合提升表达能力，在 LibriTTS 训练、VCTK 未见说话人评测上将说话人余弦相似度做到 80.83%，代价是可懂度略低于最优基线且主观相似度提升未达显著水平。

针对带口音英语识别中音素实现系统性偏移的问题，该工作把适配轴从口音身份换成发音方式，用六个低秩语音专家加帧级混合路由做 Conformer 适配，在 L2-ARCTIC 上多口音达到 10.43% 词错率、未见口音相对单一低秩适配平均改进 12.3%，代价是依赖一个跨域只有 36.04% 首选准确率的冻结音素模型和层选择分析。

针对声音转换要换音色但留住原文内容与韵律的问题，ProsoCodec 以文本与说话人嵌入为条件让离散瓶颈只编码残差韵律，并用双话语训练与低频输入减轻提示风格泄露，在合并评测上报告了更低的词错误率与基频误差，但高码率仍会带来源音色泄露的代价。

针对声学编解码缺语义约束易读错、语义表征丢音色的问题，SARA 用冻结语义锚加残差声学编码器做直接融合，在 50 Hz、64 维紧凑隐空间下把 F5-TTS-Small 零样本合成词错率做到 1.79，把基座版做到 1.74，代价是编码器多一路推理开销与大规模语音训练成本。

论文把每次停顿后的说与不说做成二分类预测，用三域 12 万标注点证明八个大模型零样本都不行，再用带推理蒸馏的有监督微调把平衡准确率提高至多 23 个百分点，代价是仍需文本上下文与标注监督且未验证实时多模态部署。

针对级联大语言模型语音交互中需等整句才能合成的问题，S5-TTS 用编码器解码器语言建模加单调对齐做逐词增量合成，以前视因果掩码和交错多源蒸馏在两词前视下接近全上下文质量，代价是自然度仍需蒸馏恢复且过大前视反而损害可懂度。

针对音频文本情绪证据被说话风格与词汇内容纠缠且两模态可能冲突的问题，BiCFlow-MER 用解耦后的冲突感知条件把样本输运到 64 维情绪端点再做前后向几何打分，在 IEMOCAP 与 MELD 及零样本 CASE 上报告最好值，代价是三阶段流程与多模块超参数。

针对零样本语音合成中退出说话人仍可被画廊检索重新识别的问题，GUARD 在冻结主干上用门控加逐层激活 steering 并以生成后奖励把遗忘相似度推向人群冒名者水平，在 CosyVoice2 上把遗忘相似度从 0.541 降到 0.103、150 人画廊重识别从 73.5% 降到 0.5%，代价是保留集与可懂度基本不变但新增门控与奖励调参依赖。

针对缅甸语和老挝语缺少人工标注配对数据的问题，该研究先用固定音色合成语音建立文本到语音的对应，再用真人录音加双识别器一致性加权恢复目标音色控制，证据显示内容准确率得到保持而相似度被拉回，但逆序训练仍在发音准确率上占优且一致性只是不可靠程度的代理指标。

针对野外遮挡噪声下说话人易误判问题，ROAM-ASD 联合音频、全脸与嘴部三流并用联合自注意力加模态丢弃融合，在五个基准上取得 98.8%、87.9% 等 mAP，代价是需要人脸跟踪与嘴部关键点定位。

论文研究角间隔 ECAPA-TDNN 分类器原型在单位超球面上的集中与有效维度坍缩问题，用铰链式 Riesz 对数能量与参与率最大化两项直接作用于原型的正则改善覆盖，并在 Fast-VGAN 零样本换声上以 WER 从 6.54% 到 5.97%、相似度从 0.65 到 0.69、UTMOSv2 从 2.47 到 2.70 为证据显示鲁棒性提升，而说话人识别 …

针对显式思维链导致注意力偏离音频的推理落差，SPARE 在推理起点插入寄存器令牌并用结论语义做余弦对齐，在 SALMONN 13B 上把 MMAU 提升到 58.03%、MMAR 提升到 40.32%，代价是微调阶段增加一个训练期对齐分支而推理零新增开销。

针对文本查询的音视事件时间定位，论文提出按边界可靠性分配教师监督位置的 OV-OrthKD，在 OV-AVEBench 上达到 0.816 片段 AP 且未见类 F1@0.5 提升 3.4 个百分点，代价是角色固定且仅做局部权重验证。

该文把合成语音归属从闭集分类改写为音频对自然语言描述的跨模态检索，用冻结双编码器加小投影头在 MLAAD v9 上实现未见模型 58.4% 模型级 MRR，代价是闭集精度低于专用分类器且通用架构易混淆。

EMODY Flow 复用冻结 Qwen-3 Omni Talker 的 Mimi 音频嵌入驱动两个并行 DiT 流匹配模型分别生成身体与面部动作，在 BEAT2 上以 FGD 0.302 报告手势质量最优，并以 FGD 升至 0.362 的小幅代价换取身体动作的情绪可分性。

针对推理时拿不到参考音频文本的跨语言克隆问题，该文用预训练 F5-TTS 合成同说话人提示做监督微调并配合静音鲁棒语速预测器，在 LibriSpeech-PC 上 WER 为 2.014% 且相似度提升，代价是自然度小幅下降。

针对训练中完全没有目标语言的跨语言伪造检测，该文用源语言真话拟合从连续语种表征到语音表征的岭映射并取残差，在六语六骨干上报告平均 9–17% 相对收益，远距离迁移收益更大，但近距离个别组合出现反例。