零样本

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。

CMTD 针对纯文本与浅层推理在对话情绪识别中误判复杂思维模式的问题，用多智能体分别提取大五人格特质、四步认知扭曲、表情与语音描述再融合预测，在 MELD 与 IEMOCAP 零样本条件下报告优于同条件基线的准确率，同时以多轮大模型调用带来明显更高的时间与费用开销。

针对延续式语言模型把提示音色和韵律一起复制而无法独立控制的问题，DisCo-Speech 用三因子解耦编码器加内容韵律融合重建实现韵律延续与音色注入，消融显示软约束兼顾自然度与音色一致，代价是单阶段自回归的克隆相似度仍弱于多阶段流匹配系统。

FC-TTS 要解决用两段不同参考语音分别控制音色与风格的问题，它用音色先定模糊谱、风格再细化的方法组织生成，并在 RAVDESS 音色控制上报告保持可用质量，而代价是放弃部分内容与细节信息并引入中间瓶颈。

共收录 38 篇 iwslt-2026 会议论文的 Reader 深度解读

针对多文种语音识别中同一语言输出文字不确定的问题，论文用解码器激活均值差提取文字向量并在推理时相加，在塞尔维亚语和中文混淆缓解与跨语言罗马化、西里尔化上验证效果，但西里尔化弱语言与编码器干预仍有限。

针对并行三元组稀缺与合成目标封顶质量的问题，MimicLM 把 TTS 合成语音做源、真录音做目标并配合交错文本建模与偏好对齐，在保持音色口音情感相似度可比的同时提升自然度，代价是仍需大规模合成过滤与两阶段训练且真实输入词错率高于纯音色转换。

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

针对 10 分钟到 540 分钟音频中说话内容、说话人、情感与声音事件交织推理难的问题，PlanRAG-Audio 先把音频离线转成时间对齐的结构化库，再按问题规划检索并只取相关片段生成答案，以检索把推理代价与原始长度解耦，代价是受上游感知精度约束并需承担离线预处理开销。

针对同一句内分段情绪与时长难以用自然语言独立控制的问题，该文用分阶段监督微调加分组相对策略优化改造 CosyVoice2 的语音语言模型，最强证据是联合优化后在标准集上 MER 语句准确率 54.12% 与时长 A15 54.64%，代价是严格联合满足率仅 5.29% 且换说法时仍需蒸馏修复。

针对呼吸音频编码与临床文本编码语义不兼容的问题，RespiraMFM 采用先对比训练投影器再冻结做指令微调的两阶段结构，在九个呼吸疾病任务上报告了监督平均 AUROC 0.823 与零样本平均 AUROC 0.738，代价是依赖症状元数据质量且小病种评测样本较少。

针对零样本合成过度继承参考风格的问题，ReStyle-TTS 用解耦引导降低参考依赖、用正交融合的风格 LoRA 做连续相对调节，并用音色一致性优化补回音色，代价是新风格仍需收集数据再训 LoRA。

SLAP 针对语音中人口学、嗓音质量与健康属性难以零样本推断的问题，选择用大语言模型把异构元数据转写为自然语言描述再与语音做对比学习，最强证据是 38 个二分类任务上零样本平均 F1 达到 62.9%，代价是预训练数据仍不均衡且小测试集任务波动大。

针对端到端转写丢失时间信息的问题，该研究用谱重力初始化加截止时间限制的期望最大化估计每帧共振峰并做语音切分，在爱尔兰语、特威语和沃提克语上以零样本方式取得高同质性和可比的归一化互信息，但对鼻音和滑音等过渡音仍存在过切分代价。

针对前向加噪加反向去噪带来的旋律失真问题，论文用增量去噪分数直接在数据空间优化音频，并用个性化增量分数加分布偏移正则与时序对比损失引入用户自定义风格，报告显示在内容保持与偏好率上占优，但强风格迁移与原曲保持之间仍需权衡。

TART 把吉他音频转谱拆成音频转 MIDI、九类技巧分类、音频条件弦品指派和 MusicXML 生成四步，用 81.35% 的平均音频转 MIDI F50 与 71.8% 的弦品 Tab F1 实现零样本领先，代价是第一步误差会向后传播约 17.75 个百分点。

针对一句内多情绪与多语速控制问题，TED-TTS 选择冻结预训练自回归语音合成模型、只在推理时重组条件可见性与终止控制，消融表显示完整方案在过渡平滑与说话人一致性上优于去掉对齐或局部调速的变体，但局部加速仍带来实时因子上升的代价。

针对粗粒度标注刻画不了语速情感韵律时变的问题，论文用直接听音频写细粒度描述的 FCaps 数据与分两阶段做全局加细粒度对比学习的 CLSP 模型，在检索与人评一致性上报告更强证据，代价是仅英文与大规模算力依赖。

该研究在 13 种语言上比较 6 个系统的零样本意图分类，报告混合架构与强级联相当并更能缓解转写错误，而纯端到端明显落后，且多语言效果同时受大语言模型能力与语音编码器识别质量制约。

针对零样本语音克隆中对齐脆弱、时长不可控和长于训练则崩溃的问题，VoiceStar 用进度监控旋转位置编码与延续加提示混合训练实现时长控制与外推，最强证据是 40s-50s 外推下词错率 11.91 对 F5-TTS 的 52.44，代价是长上下文下说话人相似度略低与自回归推理慢。