音频分类

该研究在同一乡村社区内比较青年和老年听者对/a(:)/的感知，用时长五步与 F1、F2 各三步正交合成的 90 个目标刺激做二选一辨别，报告组水平以时长为主、F1 其次、F2 最小，老年组中有 6 人以 F1 为主，不一致刺激反应时更长且无年龄交互，支持线索权重正在转移但仍待生产数据验证。

针对文本提示主导导致音频编码器适配不足的问题，论文提出同时优化音频专用、文本专用与共享提示的 MALP，在 11 个数据集 16 样本设置下报告平均准确率 78.35%，代价是需要为每个新任务单独优化三组轻量提示参数。

BACH 把八种约 1 kbps 的神经音频编解码器放在五种生物声健康任务上，用原始域、压缩表示域和重构音频域三条路径对比，发现重构保真度高的编解码器不一定保留诊断语义，而解耦语义的编解码器下游更好但重构受限。

BEST-RQ-2 保留冻结随机投影离散目标，用只看未掩码块的 ViT 上下文编码器加轻量预测器做两步掩码预测，在同一 AudioSet 划分和 20 万步预算下 X-ARES 与 XARES-LLM 总体迁移优于单阶段基线，而推理只用编码器故推理代价不变，代价是补块式切分仍使语音略低于条带式 BEST-RQ。

该文用装配演算的稀疏竞争与局部可塑性处理连续语音，在无权训练下以边界变化信号得到音素 F1 为 0.69 与词 F1 为 0.61，以每类循环区的轨迹共振得到音素 47.5% 与命令词 45.1% 准确率，代价是阈值需每句调优且细类区分仍弱。

该研究把评价从分类分数转向可解释探针，用 88 个 eGeMAPS 特征和线性与非线性回归探针测量六个预训练嵌入的可恢复性，最强证据是响度最好恢复而基频最难恢复，代价是拼接嵌入虽互补但高维时反而可能降低任务相关特征的可恢复性。

该研究用 12 条合成声调连续统和辨认加区分双任务比较 27 名景颇母语者和 23 名普通话母语者，报告显示除二声与三声之间未形成范畴知觉外其余声调对均有边界，但景颇组在多对声调上的边界宽度更大而分辨峰更矮，且全程未训练神经网络模型。

针对持续广义类别发现中声音频谱重叠与基类偏置问题，论文用实例自适应正则加高斯混合自适应阈值与指数滑动平均动态教师做伪标签稳定，在 ShipsEar 上累计平均精度报告 74.14%，代价是新类精度仍低于 Happy。

针对基会话与增量会话存在域偏移的跨域小样本类增量音频分类问题，论文用对抗训练模拟伪目标域加监督对比学习塑形嵌入空间，在六组跨域配对上报告了更高的平均准确率，代价是基会话需两步交替训练且增量阶段冻结编码器。

针对音频编码器在分类与理解任务上各有所长的问题，论文以 Whisper 保语音语义、Dasheng 补声学信息，用逐帧 softmax 门控残差融合加 STFT 支路做稳定骨干，对比隐式 LoRA 适配与显式残差解耦两种注入方式，最强证据是隐式在 Track-A 总体达 0.712 而显式在更多子任务登顶，代价是部分语音任务仍不如单编码器或基线。

论文研究分散在不同类群和地区、不能共享数据的生物声学分类器能否通过任务向量平均直接拼合，证据是 661 种上达到 59.2% 准确率且任务向量近正交，代价是相对联合训练仍有约 9.4% 的组成差距且大类群掉点。

针对音频谱图变换器被掩蔽块仍占自注意力计算的问题，该文把频谱增强改为按块对齐的掩蔽并在位置编码后对全零块做逐维取大合并，在平衡音频集上以合并对数 100 保持平均精度 34.07 到 34.08 而吞吐从 43.3 提升到 49.3 样本每秒，代价是可合并比例受掩蔽块数量上限约束。

该文把长音频活动识别做成从事件序列出发的层次解析，用训练脚本归纳的概率上下文无关文法加噪声节点约束子活动顺序与组成，在 MultiAct 上以事件监督恢复子活动切分与活动标签，最强证据是 Eval 子活动 Edit 从 24.6 到 35.3 的顺序一致性提升，代价是边界精度在严格 IoU 下未同步改善。

论文用冻结 Whisper 编码器加逐层线性探测研究孟加拉语电话样单元在第几层最线性可分，最强证据是中到后层峰值加 large-v3 晚层平台与 XLSR 陡降的对照，代价是标签为 uroman 粗代理且片段极短因而只宜做可分性解读。

针对音频序列冗长稀释双模态融合的问题，论文用码本感知的 PoolingVQ 按局部变化强度做自适应池化，在 EMOPIA 上宏 F1 达到 0.8955、在 VGMIDI 上达到 0.6018，代价是引入码本大小与池化规则等需调参的压缩环节。

针对批量内音频文本配对稀疏且跨模态一对一独热目标过硬的问题，该文用冻结编码器算出的文本间与音频间余弦相似度经混合作为跨模态软目标，并把交叉熵换成均方误差做回归，最强证据是小批量小数据条件下多任务检索与零样本分类累积排名超过基线，主要代价是不确定性估计与模态分类分支带来额外编码与调参负担。

针对呼吸音中短时局部的爆裂音与哮鸣音易被全局自注意平滑掉的问题，论文用蒸馏音频状态空间模型保留中高空间频率，再以高斯平滑约束中间层与双轴切块混合对比学习提升鲁棒性，在 ICBHI 上报告 4 分类 64.48% 与 2 分类 72.57%，代价是引入温度、核尺寸与施加阶段等超参数选择。

该研究用 teat/tit 的静音中段与 peace/piss 的清化替换构造可复述的感知实验，报告日本大学生主要靠元音时长和切断感做判断，保留高频与送气并未提高正确率，代价是短时长条件系统性偏向/ɪ/。

针对纯音频讽刺识别任务，ProSarc 用全局情感基线与帧级韵律动态之间的可测不一致做分类，在 MUStARD++ 上报告 F1 为 75.3%，代价是依赖短句韵律对比与单一起点假设且跨语言证据有限。

SAM 用 Mamba-2 替代 Transformer 做音频语言模型主干，以 2.7B 参数在 AudioSet 上报告 21.1 mAP、在 AudioCaps 上报告 17.6 SPICE，并以联合微调音频编码器、保持 64 个紧凑音频 token、加入结构化推理监督为代价换取推理能力从 22.8 到 56.8 的提升。