音频分类

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。

该研究以 35 对英语异形同音词共 14000 个自然语料 token 为对象，用 50 帧时间归一化梅尔频谱与音素对数值比较同对词的音段实现，并用广义加性模型检验语境语义可分性对语音可分性的调节，代价是结论依赖强制对齐、线性判别与观察性建模而非因果操纵。

针对分散在医院且无专家标注的临床音频诊断问题，论文提出联邦自上下文化 FSC，用聚类产生的语义空洞伪标签训练音频语言模型的上下文推理技能，2-way 2-shot 达到 71.6% 准确率并超出最强基线 9 个百分点以上，代价是更长上下文会稀释注意力且三分类明显下降。

论文把语音后期识别定义为效果存在、预设类别、数量与强度回归的多粒度任务，用固定六效果链加 2520 种组合的可复现渲染器构造数据，并以 AudioMAE 多任务基线证明鲁棒增强能缓解采集与平台退化的跨语料下降，但细粒度预设分类仍困难且存在效果间差异。

该研究以 78 名南京普通话人的 236 个音节单字朗读比较年轻与年老组的声调发音，用归一化基频多参数与分布距离加支持向量机分类证明年老组声调区分度系统下降且代价集中为 T2 与 T3 双向混淆。

论文在韩语情景剧训练、真实诈骗电话测试的跨域条件下比较 4 维域不变韵律特征与冻结的 HuBERT、wav2vec2.0，报告零样本下 4 特征达到 69.5% F1 而 HuBERT 在 5 样本下达到 94.2% F1，代价是后者需要真实样本与约 94M 参数的计算量。

论文用线性残差化减去音素、二音子与三音子信息后，再用帧级线性探针测词身份，发现中后层仍能远超偶然基线识别词，同时以词发现任务验证去音素表示的增益与去上下文信息的代价。

针对增量会话中类别既增加又减少的少样本音频分类问题，该研究用可变类原型自适应网络逐会话修正全部原型并用伪类可变训练模拟增减过程，在 LS-100、NSynth-100 和 FSC-89 上的平均准确率报告显示优于所比基线，但类删除会话无新样本且旧嵌入靠高斯重构带来分布假设代价。

论文只改变输入归一化来训练识别墨西哥西班牙语元音的多层感知机，再用美国英语元音测试其归类与不懂英语的西班牙听者数据的吻合度，最强证据是 Lobanov 在平均绝对误差、均方根误差、相关和首选类别一致数上全面最优，代价是它以抹平说话人与语言间差异为前提，只适用于初始态建模。

针对中日两个零样本语音分类任务，论文显示仅靠多语言离散国际音标词元训练的模型会失效，而用连续发音特征向量做分类能显著提升稀有音的召回，但送气用单帧最优、鼻音部位用段平均最优，时间聚合方式必须按线索的持续性选择。

针对跨医院设备与人群的域偏移与隐私限制，Lung-CL 用类别特定高斯混合的隐空间生成回放加多层次谱感知蒸馏做无缓冲域增量学习，在三数据集序列上报告 S1 准确率 61.81% 与后向迁移 -4.0%，代价是强能量门控正则下准确率略低于常规蒸馏分支。

针对低码率低信噪比下神经语音编码器重建失真问题，FocalSE 在 DAC 连续嵌入空间中用聚焦掩码去噪、分离噪声嵌入并做噪声分类，在 LibriTTS 加 ESC-50 混合数据上重建指标优于 SECE 与 FD-CBR，代价是推理参数增至 159M、含识别分支时达 222M。

该研究以 57 名普通话母语者的被试内设计同步测量声调与辅音的识别斜率和 Ganong 效应，报告跨水平的 2 组相关均未达显著而水平内的 2 组负相关均显著，支持可靠性加权的共同策略与水平特异的加工资源并存。

针对音乐分类中注意力易被伴奏与录音偏置带偏的问题，该文提出在每轮反事实监督后重投影注意力特征的渐进式可学习反事实注意力，用三阶段精炼在歌手、流派与情绪任务上取得一致提升，代价是增加共享投影模块与多阶段联合优化的训练负担。

针对呼吸音分类中录音质量不一与重度类别不平衡问题，QLung 用无参考音频质量间隔与对数缩放类别间隔组成双因子角度间隔并配合角度分类器，在 ICBHI 上将 AST 基线分数从 59.55% 提升到 62.01%，在 SPRSound 分布外测试上达到 59.80% 的最好分数，代价是裂音单类准确率下降且对超参数与预处理依赖较强。

针对初学者看不懂语谱图时间细结构的问题，该演示用 CARFAC 耳蜗滤波加 SAI 稳定成像生成基频图，以 16 kHz 输入和 450 样点分帧做实时双屏对照练习四个普通话声调，默认词表限定 22 词且未报告学习增益的定量实验。

SEAM 针对朗读与自发语音易被语料身份和通道条件污染的问题，用统一预处理加接缝感知采样加非语音增强配合 DistilHuBERT 做 8 秒窗口实时检测，以全量训练下外部面试集 0.971 左右 ROC-AUC 为证据，代价是去掉防捷径组件反而会抬高内部指标。

针对鼾声四分类的类别不平衡与黑盒问题，该工作用半难三元组加类别平衡交叉熵学习单位超球嵌入，以类质心做主推理并用支撑样本加时频激活做解释，在干净条件下宏召回从 0.401 提升到 0.638，代价是强噪声下优势消失且固定窗与 E 类分散仍存局限。