鲁棒性

论文以语种识别为可控分类任务，研究仅由声学损坏引起的域偏移，构建 CWWS 小库并用 DomainBed 比较 ERM、MMD、DANN，发现域内性能不能预测跨域鲁棒性且显式域不变约束未稳定超越 ERM，并在 MMS-LID-126 大系统上验证了多样声学暴露主导鲁棒性但转移不对称、未知严重失真仍困难。

论文研究音频大模型能否预判自身转写是否可靠，发现解码器自评严重高估而冻结音频编码器表示可支撑四分类预测，在域内宏 F1 达 81.10% 且跨域保持 78.09%，代价是需按模型实测构建标签库并做边界对齐。

在 SEP-28k 上用冻结 WavLM 加逻辑回归研究去噪响度归一 Opus 与 VAD 链，发现固定阈值下阻塞 F1 损失最大而阈值重调可恢复大部分 F1，但 ROC-AUC 损失留存且匹配重训仅小幅回升。

FA-Bench 用固定转录归一化、固定划分与全边界容差 F1 把 21 个开源模型与 9 个商用接口放在干净与四种退化语音上重跑，报告了 MAE 只算命中词带来 9% 到 14% 的虚低与 Whisper 约 150 ms 系统性偏早等偏差，代价是音素评测仍受词典与实现差异限制。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对文本、音频、视觉共存缺失与噪声的多模态情感分析，RCE 用 vMF 不确定性做质量感知压缩与跨样本增强加多级融合，在 CMU-MOSI/MOSEI 完整与缺失噪声设置下取得最优或接近最优，代价是记忆库与超模态带来更多参数与调参量。

针对带噪耳语转正常语音内容丢失问题，论文在冻结 WhisperVC 转换主干的前提下增加音视内容修复模块，在 MUSAN 六档信噪比和三套识别系统下均降低字错率，0 分贝下 Qwen3 识别字错率从 36.29% 降到 28.88%，代价是推理需要同步唇部视频和同说话人正常语音注册。

针对脉冲噪声下函数链接型非线性有源降噪被盲目展开拖累的问题，该工作在最小输出方差约束的滤波-s 最小 p 幂框架上加入重加权零吸引稀疏项，在 α=1.6 仿真中把稳态误差压低 1–2 dB 并把稳定步长上界从约 0.022 推到约 0.034，代价是每步乘法量从约 2L 升到约 5L 但仍保持 O(L)。

针对双麦克风手机上换姿势就失效的贴近麦克风语音检测问题，Ada-Mic 用广义互相关向量隐式携带到达方向信息辅助距离判决，在保持主干不变的可插拔双分支结构下过渡距离与噪声条件下取得最高约 24% 的准确率提升，而额外计算量仅为 ProxiMic 的 7.6% 与 HuBERT 的可忽略水平。

该工作在 Whisper 加自注意力音视融合基线上对比前缀拼接、交叉注意力和门控加权三种注入方式，用噪声嵌入管融合、用说话人嵌入管解码，在 LRS3 多噪声条件下相对基线取得噪声与说话人适配增益并相对 AV-HuBERT 取得优势，代价是额外参数与推理耗时且两类嵌入信息冗余而无法叠加。

针对相似音色混合尾部误差大的问题，论文用在线说话人对难度矩阵加温度 Softmax 课程采样多练难对，在 Libri2Mix 上以初始温度 20 保住或小幅提升平均 SI-SDRi 并改善底部 30% 表现，代价是温度过低会损害平均分且首尾两段必须切回均匀采样。

针对音频伪造检测标注少、跨域差的问题，ADD-DINO 先在 100 万无标注音频上做全局-局部非对比自蒸馏预训练、再用 20% 标注微调教师骨干，在 19LA 上接近全量监督并在跨域上把平均等错误率从 15.31% 降到 12.25%，代价是仍需大规模预训练与微调增强且未公开代码权重。

针对已很强的德英多语识别基座，论文用两步合成数据加贝叶斯低秩适配证明瓶颈在知识整合而非数据复杂度，以保持单语为代价换来语码切换词错误相对下降 32.87% 而标准微调则大幅退化。

该研究用 3 名女性的自主提调与 16 名女性的 5 档合成提调检验谱 x-vector 系统，发现默认-抬高比较把 EER 从 0.0 推高到 14.4、极端合成把 EER 推高到 15.2，但降级集中在抬高幅度最大且音高起伏受限的个人身上，单纯平移 f0 不能代替真实伪装。

针对混合语音中重叠与噪声变化导致目标转写恶化的问题，该研究让同一 Whisper 分别学习目标转写与双说话人串行转写并在解码时以单一引导尺度调节声纹偏好，在冻结主干下用目标域开发集选全局尺度并以轻量预测器做逐句微调，取得可部署的全局加逐句增益而代价是需要标注开发集且预测器仍远低于逐句事后上限。

该文在视觉条件扩散语音先验的去噪分数匹配损失上并联对称 InfoNCE 对齐损失，在匹配与跨数据集失配测试中提升干扰抑制与重建，代价是对视觉输入依赖更强且对比权重需仔细平衡。

针对背景噪声与帧损坏会让融合偏向坏模态的问题，该研究用 Mamba2 加交叉注意力做带噪输入重建干净特征的预训练，在 RAVDESS 上显示噪声音频获益而视频基本保持，仅以视频小幅下降为代价。

论文把流匹配与扩散语音合成中初始高斯噪声与生成梅尔频谱图的空间相关变成水印信号，用固定特殊噪声生成加余弦相似度验算或外挂检测器判别，在强裁剪与变速下比 AudioSeal 更稳，但回声与极端滤波仍是代价与边界。

针对非平行语音转换中训练与测试的内容音色组合不一致问题，CFLOW-VC 在 VITS 与 FreeVC 骨干上用归一化流的可逆变换加 StarGAN 式循环一致性训练，并引入梅尔风格编码器与波形增广，在干净、噪声与口音三组测试上提升音色相似度与自然度，代价是干净条件下词错误率略高于个别基线且需两阶段训练。

该研究用 ResNet34-MHA 嵌入加 LDA-PLDA 与校准似然比，在 102 名香港粤语青年男性数据上并行比较 G.711、AMR-NB 高低码率与 Opus 失配及 5s 到 90s 检材时长，报告系统级 Cllr 在 30s 后饱和且低码率 AMR-NB 损伤最大，但个体级 Cspkllr 显示少数说话人持续偏高且整体越差者对编解码更敏感。