领域适应

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

论文把低资源多语言情绪识别重写为有标签非言语发声到无标签言语的无监督迁移，用 NOVA-ARC 在庞加莱球中做韵律离散化、强度校准和原型最优传输，最强证据是 APD 非言语到言语适配下多目标持续领先，而代价是依赖双曲码本与传输超参数的联合稳定。

针对无目标域标注时伪标签存在系统性口音偏置的问题，论文在源域用同起点真标签模型减伪标签模型得到修正向量并加到目标域伪标签模型上，在 AFRISPEECH-200 十个口音上把 Whisper TINY 平均 WER 从 89.3 降到 57.7，代价是需要有标注源域和调缩放系数 λ。

针对实时通信中未知增强与编解码耦合失真问题，论文用真机穿越七个主流平台构建约 600 小时配对数据并提出音素引导一致性学习，在离线与在线混合评估上把平均等错率降到 5.81%，代价是对极端噪声与激进非线性失真仍有差距。

针对医疗语音数据稀缺与问诊能力缺失问题，论文用 405k 文本注入知识再用 198k 合成语音做模态重对齐，在多轮问诊与单轮问答上报告最优分数，代价是仍以普通话合成为主且只验证文本语音两种模态。

针对颅内语音神经假体跨会话漂移，ALIGN 用多源对抗会话不变学习加中间层对齐与时间拉伸增强，在 T12 与 T15 上相对基线降低音素错误率与词错误率，但远期大间隔与伪标签自训练仍是主要边界。

论文把 V-JEPA 2 延续到约 62 小时无标注声道实时核磁上，用冻结编码器加轻探针测跨域音素、口吃二分类与舌切除前后迁移，最强证据是跨域音素 κ 升至 0.352 而口吃仅小幅提升，代价是单卡小批量、短窗与三例临床样本的局限。

针对普通话四声在脑电中细微难分且跨人易失效的问题，CAT-Net 用脑电与肌电双分支时空编码加双向交叉注意力融合与域对抗训练，在 20 个脑电通道加 5 个肌电通道上报告了默读 88.08% 与出声 87.83% 的五折精度以及留一被试 85.10% 与 83.27% 的跨被试精度，但消融显示去掉融合与单模态后精度大幅下降且重度异常被试仍明显偏低。

针对目标语言只有健康人语音时分类器把目标语言当成健康信号的问题，论文用健康人拟合的岭回归残差去除语言可预测成分，在 5 个骨干、3 个任务、3 个目标语言上把平均 F1 从 0.52 提升到 0.87，但语言信息并未完全消除且评估仍限于印欧语系。

共收录 1 篇 uai-2026 会议论文的 Reader 深度解读

在从场景化演员录音训练、真实诈骗电话测试的跨域条件下，论文对比域不变的 4 维韵律特征与冻结的 HuBERT/wav2vec2.0 表示，显示 4 维韵律在零样本达 69.5% F1 可直接部署，而 HuBERT 在 5 样本时达 94.2% F1 但需真实样本与 GPU。

针对唇腭裂语音随严重程度差异大的识别难题，论文用不同严重程度组合微调 Whisper-small 并在 Jetson 上实测，NOMIMOSE 把合并词错误率从 62.46% 降到 22.72%，NOMIMO 把合并音素错误率降到 18.44%，CLP-only 拿到最接近零的公平性得分 -22.85，而微调模型保持 0.167-0.171 实时系数和约 …

音频分类 | 6.7/10

语音编码 | 5.5/10

语音识别 | 7.9/10

音频分类 | 8.8/10

语音识别 | 7.2/10

音频事件检测 | 6.7/10

语音识别 | 6.4/10

语音识别 | 7.0/10