高效推理

论文用 1.6 到 100 Hz 的 DAC 受控消融追问低帧率劣化原因，用固定序列长度训练把 6.25 Hz 的词错误率从 107.40% 拉回到 15.37%，代价是更低帧率下随音素负载平滑上升的可预期信息损失。

针对自监督前端加图池化后端这一语音防伪路线，SpAArSIST 把可学习图池化与堆栈节点注意力换成可控稀疏与轻量聚合，在后端计算量下降 20.7% 条件下把 In-the-Wild 等错误率从 4.64% 降到 2.82%，代价是 ASVspoof5 域内等错误率从 4.49% 微升到 5.05%。

针对自监督音频伪造检测模型过大难以端侧部署的问题，论文用跨域知识蒸馏补监督、用移动分数引导结构化剪枝保关键结构，在 90% 稀疏下做到 31.9M 参数与 6.3× FLOPs 下降而多数据集平均性能只降 1.30%，代价是蒸馏仍受教师在无标注域外数据上误差的上限约束。

针对边缘端算力受限下语音分离需要低计算量而非小参数的问题，论文提出在 mel 带切分的 Conformer 双路径上对前馈层做时间维与频率维稀疏专家路由，在 Libri2Mix 上以 4.1 GMACs/s 达到 17.7 dB SDR，代价是专家参数量成倍增加与专家数过大时路由难学。

该工作用分层向量量化变分自编码器把 Greenwood 频谱映射为每个时频格的 Gamma 分布参数并随机采样出平均发放率神经图，在低中频与静默段复现了原电刺激听神经模型的分布与结构，但高频与跨通道精细时间相关仍有明显误差，而计算时间从近 70 秒降到毫秒级。

该文解决流式语音识别词流需要即时转写为书面形式的问题，用预训练文本到文本模型加读标写策略把生成限制到完备跨度，在越南语 5M 句数据上流式达到 4.18% 与 0.64% 而接近离线 3.63% 与 0.52%，代价是仍缺未来上下文且长跨度需等待完备。

针对大音频语言模型音频序列过长导致逐词元解码延迟高的问题，论文用只改监督微调数据的半自回归块并行加模态感知的动态截断，在保持质量的同时报告最高 3.42 倍的每步词元加速，但语音合成任务加速更保守且资源当前不可用。

针对机械与水下录音中弱而宽带的循环调制检测问题，论文用 CARFAC 内毛细胞通道包络谱代替 FAM 加 ICMC 的谱相关面，在合成音、CWRU 轴承与 ShipsEar 工作船录音上恢复了主要的低频循环线，并把同任务墙钟耗时降到约 2 至 37 分之一，代价是真实水下宽带噪声下归一化后噪声基更高。

针对语音语言模型偏向语言先验而忽视声学证据的问题，CAAD 用元数据锚定的伪真值同步生成教师双路径对比分布并蒸馏给单路径学生，在 Dynamic-SUPERB 上相对标准蒸馏提升约 8% 并在 MCR-BENCH 上把 Shift 降到 79.03，代价是仍需调对比权重 α 并受限于小模型自身能力。

针对固定采样率建模与频点数增加带来计算膨胀的问题，TF-Refiner 把深层分析限定在可配置截止频率以下并用浅层解码加局部复数滤波保持全频带输出，同一套在两种采样率训练的参数可用于未见采样率，代价是推理时仍需按预算选择截止频率的工作点。

在每次网络求值都执行 18 次块调用的共同条件下，论文比较七种权重重用布局，显示 SEQUENCE 以 83.6M 参数对 158.0M 基线在 32 步保持可比可懂度，而共享段位置主要影响 4 步可懂度且只有 Middle 在两数据集两种步数下词错率均排前二。

该文在因果语音增强梯子上用深监督加逐帧单调修复得到可比静态族，证明路由相对专用静态可高出约 0.11 感知质量但与修复后静态前沿差距小于 0.01，且在 STM32N6 实测时延上动态执行只提供同一梯子内的中间工作点。

针对固定帧率自编码器对不同信息密度分配相同时间预算的问题，该文用轻量潜在预测器度量可预测即冗余并做分段保留与回滚重建，在部署时按保留比例调节平均帧率，代价是边界决策离散且重度压缩下仍需权衡重建质量。

针对可逆恒 Q 变换各频带时域系数不等长导致的多次核启动与搬运开销，论文用打包实信号傅里叶加固定路由表把选频加窗重排折进带内短逆变换，在同算子同长度基线下把分析合成往返加速两到八倍，代价是实现固定在 65536 点切片并依赖重叠切片处理长信号。

针对普通话多音字消歧依赖大模型且无法预测训练未见读音的问题，G2PO 用 RoBERTa-tiny 加词典融合与词性辅助，在仅 3.99M 参数下在 CPP 上报告 99.15% 准确率并在未见读音上报告 70.79% 零样本准确率，代价是仍依赖外部词典覆盖与 Jieba 生成的词性标签。

针对 Whisper 在静音与非语音上产生虚假转写且 30 秒窗口被短语音浪费的问题，论文用前置锚音频做输入级接地与分隔符，在不改模型不微调下把总体词错误率从 32.18% 降到 13.23% 并把非语音幻觉压到 0.14% 左右，代价是锚短语需按领域挑选且批量失败时要回退重算。

该研究在统一多模态架构下比较标准自注意力与 RetNet、LightNet、GSA、FoX、KDA 在 MSP-Podcast 上的情感识别效果，报告显示标准自注意力在 Test1 均值 36.42% 和 Test2 均值 27.19% 上最稳，而高效变体在 400 秒序列上把延迟降到 5.96 ms 量级、显存降到 0.328 GB 量级，代价是识别分数下 …

针对量化后多层信息被求和压扁的问题，RVQ-Grid 把每层量化向量堆成三维网格并用双轴循环块分离，在 WSJ0-2Mix 上比 Codecformer 提升 3.6 dB 并以约 6 倍更少的乘加操作达到 8.6% 词错误率，但样本级指标仍低于波形 SepFormer。

该研究以推理时因果干预解剖 SAM Audio 的文本条件与自注意力收敛，发现加性注入定语义、交叉注意力修声学、稳定层早收敛，并据此提出免训练的层选择注意力缓存，以约 25% 自注意力计算节省实现最高 6.7 倍的质量保持优势。

针对非自回归语音识别无法用历史词消解多路径不确定性的问题，该研究用掩码预测模型的单次前向并行采样估计负词错率期望效用并取最大，在四类语料上显著优于原非自回归解码且保持数十倍于波束搜索的速度，但增加采样数与解码器调用会带来显存与计算代价。