音频分类

论文用可独立控制的 FormulaBank 把程序化规模拆成公式类覆盖 C 与类内渲染多样 I，在 FDSL 与 AudioMAE 对照中显示两者收益不同且依赖学习形式，匹配的 AudioMAE 实验显示程序化音频偏好 10–25% 低掩码而 AudioSet-28K 偏好 50–75% 掩码，代价是结论限于全量微调与特定模型流程。

针对前景与背景共现偏移导致的小样本音频分类失效，SampleSelect 在冻结编码器下为每个样本学习固定预算的特征掩码，在 SpurAudio 四个设置中取得相比方法的最高 OOD 准确率，并以 4.90-8.38 个百分点的提升超过匹配的 FullRep 对照，但选择预算与对比权重仍需按源域设定且诊断分析只建立关联而非因果。

该研究用同一冻结编码器流程与 1501 事件配额比较四种嗓音库，发现抹香鲸类型积累最快而孟加拉雀局部顺序依赖最强，且加长历史会把比较推向鲸，代价是结论只在原生事件尺度与档案录音条件下成立。

论文把传统编码再经神经音频编解码器转码后的来源识别定义为取证缺口，用分层因果与时序注意力建模 RVQ 序列，在固定码率下取得 97% 以上准确率，而 18 类联合任务为 89.34% 且高码率 MP3 与 Opus 仍易混淆。

针对音频频谱变换器被 SpecAugment 零值块拖慢训练的问题，该文把掩码对齐到切块网格并只合并全零块，在 Balanced AudioSet 上 r 从 0 增至 100 时吞吐从 43.3 提至 49.3 samples/sec 而 mAP 维持 34.07 到 34.08，代价是可合并比例受掩码块数量上限约束。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

针对随机切分让同一艘船同时出现在训练与测试导致虚高的问题，UniqueShip 按 MMSI 隔离船舶、按天隔离背景构建 2460 小时船舶音频与 4218 艘船的基准，最强 Swin 加 Mel 基线在无泄漏下准确率为 0.665，而引入泄漏可抬高 0.08-0.21，且船数翻倍增益 2.4-2.6 点约为时长翻倍 0.8-1.3 点的两到三倍。

该研究用 20 人会话语料手工标注 6961 个/b/和 10844 个/v/并做持阻段声学比较，发现元音间/b/约 21% 实现为近音、全位置/v/约 38% 为近音且词内位置弱化率最高，个体层面两音弱化率正相关 r=0.7，但词频效应仅在女性中显著，支持处于规约化减弱而非已完成音位重组阶段。

针对混合音乐中扩展长笛技法难以只靠音高对齐跟谱的问题，论文把 Antescofo 的对齐机与轻量识别器 ipt~做松耦合混合切换，在 11 类技法上报告宏 F1 为 93.4%±0.1，但混合跟谱以增加延迟为代价换取跨演奏的稳定性。

本研究用 7×7×2 重合成 hid-heed 连续体检验 f0 突显如何改变频谱与时长线索权重，结果显示突显使频谱斜率变平而时长稳定，支持产生镜像而非全局增强，但三阶交互与设计差异仍限制推广。

论文以粤语上升调 T2-T5 为对象，用发音与感知分离的样例模型证明最小对比例决定生产端平衡距离，而感知端随功能负荷下降更快塌缩，零负荷时走向完全合并，代价是一维基频目标与理想化词库的简化。

该研究用普通话一声到二声的 Ganong 任务追踪 1 到 6 年级儿童与成人，发现声学语音加工与词汇依赖各自从一年级起保持稳定，但二者关系在 12 岁左右才从独立转为成人式的此消彼长的权衡，且高语文水平是出现权衡的条件，代价是低水平儿童尚无此策略性补偿。

该研究以普通话与西安话双元音为对象，用广义加性混合模型分离声调贡献并比较基频与第一共振峰极值对齐，再用函数主成分加随机森林只看第一共振峰预测四声，最强证据是跨说话人分类达到普通话 49% 与西安话 43%，代价是只覆盖两个双元音且未直接观测发音运动。

论文用普通话 55 到 51 连续体上的辨认与区分任务检验粤语母语音系规则对跨语言声调感知的影响，最强证据是低普通话水平组边界左移变宽而高水平组接近北京对照组，代价是该结论依赖特定连续体与三组被试条件且未验证生产与泛化。

该研究用两次模仿之间插入元音归类任务是否拉大声学差异来检验二语模仿能否走自动选择性知觉模型的语音模式，预备结果显示组间无显著差异且出现与元音相关的变化模式，不支持语音模式解释并提示音系表征仍在起作用，但样本小、试次损失大导致统计力不足。

论文以普通话和约鲁巴语为对象，用探针分类证明自监督隐变量同时编码音素与声调而 K 均值等离散化更伤声调，并显示残差式多级量化能部分挽回声调但仍不及连续基线。

论文用长字符串检索条件化短串韵律以免除逐条标注，构建四个韵律最小对基准并微调 wav2vec2-base 做二选一分类，在各自验证集上报告均超 90% 但存在音频重复导致偏高估计的代价。

针对开封话低调变体靠专家看图分类、难以刻画动态的问题，论文用函数型主成分分析提取基频曲线动态再用狄利克雷过程高斯混合做不定类数聚类，在 456 个低调音节上得到下降、凹降、上升三类，并以广义加性混合模型回放验证，其中下降类占 284 例为多数而上升类是前人未报告的新发现。