韵律

该文把五种粗化或缺失的韵律输入统一为线性退化求逆，用有监督扩散与无监督逆问题采样两条路线恢复帧级韵律，主观上无监督方法在严重退化下接近真值韵律，但盲估计与推理代价仍是限制。

该研究用可控神经语音合成正交操纵语速、音高变化与响度并保持词句不变，发现人类讽刺评分主要被响度驱动而基础模型主要被语速驱动，且夸张韵律同时降低自然度。

针对句重音依赖跨词上下文而单层表征不完备的问题，WhiSSDapt 在冻结 Whisper-small 上学习编码器与解码器层权重并经额外解码器块分类，在自然与合成数据上报告最高 4.48% 和 6.09% 的相对 F1 增益，代价是只更新融合权重与分类头且未报告延迟与成本。

该研究以 LibriVox 8854 本单人英文有声书为对象，用 129 维声学向量建模浏览率四分位与同书组内排序，发现声学信息在控制书名后仍有稳健关联，但全局伪 R 方仅 0.09 且效应量小，组合类型信息后分类准确率最高 0.35。

针对普通话书面歧义仅看文字难以判定意图的问题，DEBATE 用 1001 条歧义文本配 10 人按意图朗读的 10010 条语音构造发音、停顿、重音三类二选一任务，零样本评测显示三个大语音语言模型最好准确率约 58-68% 且明显低于人类，重音任务最弱并接近随机水平。

针对无对齐句子重音检测中深层语义表示压制细粒度韵律的问题，ProWhistress 用冻结 Whisper 隐式流加可训练声学显式流做门控融合，在英汉五套基准上以 SinoStress 合成到真人录音几乎不掉点的证据支撑跨域鲁棒性，代价是新增声学编码器与融合头的训练与调参负担。

该文把情感计算从单人状态推断转向多人声音互动场，用 WavLM 连续表征加双变量与四人条件 Granger 检验在 AMI 会议上验证亚秒级方向性耦合集中于重叠共现，而独白对照与循环位移校准显示短窗检验存在明显尺寸膨胀。

论文用 10 名卢森堡政治人物各 20 句卢森堡语加 20 句法语共 400 句自发话语提取 41 个魅力相关声学韵律特征并以混合效应模型做方差分解，报告说话人中位 ICC 为 0.56 而语言仅占约 0.5%，语言差异集中在法语更高的 shimmer 与句末 F0 和卢森堡语更强的中频谱能量，但合成魅力指数无语言主效应。

该研究用 10 名政客各 20 句卢森堡语加 20 句法语共 400 句自发话语的辅元音标注与成对检验，显示元音时长与语速随语言系统性重组而辅音保留说话人指纹，且语言与性别无稳健交互，但样本限于精英政客与聚合分析。

针对富有表现力语音中音高与能量突变难以建模的问题，该工作在 StyleTTS2 解码器中把固定周期激活换成 x+tanh(αsin2(x)) 的可自适应振荡激活，在 LJSpeech 上主观质量达 86.67、MCD 降至 6.59，并在 ESD 三种情感上保持韵律相似度和可懂度提升，代价是仅验证单说话人与有限情感且未报告延迟与算力开销。

针对日语高低重音与汉语声调等音高敏感语言的口语练习问题，Amadea 选择用语音识别推定意图短语再合成母语参考音并比较归一化基频轮廓的方法，其可核对的证据是 16 kHz 解码与 80-400 Hz 区间 pYIN 估计等具体流水线参数，代价是单参考轨迹对照与识别及对齐失败等未验证环节。

针对俄语重音移动与韵律标注缺失问题，Balalaika 用语义切分加多识别器投票加质量过滤构建约 5078 小时多源语料，并在 25 小时等量预算下验证去噪与语音合成的自然度收益，但严格过滤与单说话人优势等边界仍需注意。

针对两阶段扩散语音合成中固定对齐导致平均化韵律与单阶段对齐不稳的矛盾，该文用离散插入跳变管时长结构、用连续扩散修频谱内容，最强证据是单发变体在相同总时长下以 3.37% 词错率优于 Grad-TTS 的 4.38%，代价是需要冻结的编码器与扩散主干并增加位置与内容两个预测器及变长迭代开销。

论文用 8 个时长节奏指标加线性混合模型、分层聚类与线性支持向量机检验 5 种东北印度英语和 2 种印地语，再用 2048 维语种识别嵌入经主成分分析降至 42 维后做线性判别分析投影，发现英语内部高度重叠而印地语可分，且第一主成分与元音占比强相关 r=0.77，代价是英语变体分类准确率仅在 chance 附近且材料语言不同带来混淆。

该研究用先启动后内隐联想测验的方法检验音高与体型的象似联想是否可被暂时加强或抑制，最强证据是趋同启动显著增强一致性效应而发散启动削弱它，代价是无法分离音高与情感内容各自的启动贡献且效应受听者与发声者性别调节。

该研究用冻结的自监督语音表示加音节级预分类器与词级时延后分类器做阿英重音检测，多语言联合训练保持接近单语的 97% 英文与 90% 阿语准确率，而跨语言迁移呈方向不对称且后分类器与多语言预训练表示能缩小差距，但仍低于单语基准。

论文用相位声码器时间尺度变换做前端匿名，研究其对语速停顿等交际特征和高层评分的影响，最强证据是微调后匿名与原始词错误率差距缩小到 0.17 个百分点，代价是停顿计数等切分细节仍有波动且说服力构念相关偏低。

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。

以塞浦路斯希腊语延续升调为案例比较勒让德多项式与广义加性混合模型，两种方法共同报告 CYG-nh 与 ATG 及 CYG-nl 分离，前者刻画整体斜率降低与曲率增加，后者定位核高目标附近相对时间差异，代价是都需要先验分类且对边界与阶数选择敏感。

该研究用 8 名南方越南语母语者朗读 8 个四音节叠词的 576 个词例检验节奏模式，发现第二、四音节在时长上显著长于第一、三音节的弱强交替支持词层重音与双音节音步，但形态中心位置与载体句未改变总体模式且强度与基频未呈现同型弱强。