鲁棒性

URGENT-MOS 针对跨数据集标注不一致与绝对质量和偏好割裂的问题，用共享特征加绝对多指标预测与自然度条件偏好模块统一建模，在多域偏好和相关性评价上更稳健，但全量 15 指标联合监督并不总是带来增益。

论文把语音后期识别定义为效果存在、预设类别、数量与强度回归的多粒度任务，用固定六效果链加 2520 种组合的可复现渲染器构造数据，并以 AudioMAE 多任务基线证明鲁棒增强能缓解采集与平台退化的跨语料下降，但细粒度预设分类仍困难且存在效果间差异。

针对大语言模型时代文本转语音与声音转换带来的分布漂移，VoxENES 2026 用英西双语 53628 个样本与 10 种后处理复现部署条件，不微调评测 8 个预训练检测器，最好的等错误率也只有 28.98%，多数接近随机猜测，代价是现有检测器依赖的细粒度伪影不再可靠。

针对耳语因缺基频和谐波结构而在漏识与幻觉间摇摆的问题，该文用基频预测与掩码谱重建自监督训练不确定性感知模块，再以全局指令加帧级注意力偏置控制解码，在 AISHELL6 耳语集上报告耳语字错率 1.31% 与噪声幻觉率 4.5%，代价是三阶段训练与引入附加接口参数。

问题是单库训练的语音筛查在新语种、新任务和新录音流程下出现方向反转与局部崩溃，方法是用留一库评估审计 70 个可解释指标并把源库选出的 4 个证据锚与冻结 XLM-R 文本分数加权融合，最强证据是平衡融合平均说话人 AUC 为 0.769 到 0.785 区间、最重锚融合最差域 AUC 为 0.615，代价是在接近饱和的 Chou 域上融合轻微拉低分数且最难 …

针对多域混合训练时单高斯风格假设不足的问题，该文用风格空间在线高斯混合模型估计簇内偶然不确定性并与批量级扰动叠加增强，在 ASVspoof5 第一轨评估集上报告等错误率为 3.96% 和最小检测代价为 0.108，代价是引入分量数 K 与强度 λ 等超参数及批量统计稳定性依赖。

针对固定对比解码在干净与强噪声间顾此失彼的问题，该工作用同一模型的全音视作专家、纯音频作弱者做减法，并以音频能量、音频熵和分布分歧三路门控逐词调节干预强度，在 LRS3 与 LRS2 多信噪比下同时改善干净与噪声词错误率，代价是每次解码需跑两次前向并增加约 136.4 ms 延迟。

针对单路残差通道间无交换与无约束多流易失稳的问题，该文用静态可学习混合矩阵加 Sinkhorn 双随机投影构造 mHC，在 VoxCeleb1-O/E/H 与 VoxSRC21-val 上一致降低等错误率，而参数量与计算量几乎不变。

论文用同一段医患对话配对干净与加噪音频并冻结下游大模型，报告平稳环境噪声仅让词错误率上升 0.71 个百分点却使不安全输出翻倍，并验证轻量证据审计能在 5 dB 重噪声下降低高风险幻觉但保留良性表述差异。

针对复杂噪声下声音事件检测性能骤降问题，论文提出用预测边界构造段内注意力掩码并做边界门控增强的 BG-CRNN，在 WildDESED 上从 10 dB 到 -5 dB 持续优于基线，代价是增加边界分支与多任务损失的训练复杂度。

BiEAR 针对多说话人方位与距离联合估计，用左右耳各自的神经控制器逐帧调节 Gabor 滤波器组 Q 值，在消声与真实房间中以双控制器相对控制取得方位误差下降，但距离估计仍有被 AuralNet 超越的配置，代价是控制器与自适应滤波带来的额外参数和推理逐帧计算。

针对电话退化下说话人无法自知不清的问题，Coco-VC 在听者端用电话增强加双教师蒸馏做流式转换，在 FLEURS-8k 模拟电话上把词错误率从 0.451 降到 0.338，代价是在该严重噪声下主观质量略低且依赖大规模域内数据与解码器条件。

针对静态 RawBoost 在环境声上破坏高频纹理且采样与决策边界无关的问题，DAR-Boost 用可微噪声层加形状与强度解耦加自适应路由做对抗增强，在 EnvSDD 上把 ATA 降到 0.90% 而代价是引入梯度反转与多样性权重的联合调参。

论文用统一纯 Python 工具 DeepFense 复现已有系统并做 96 系统交叉评测，报告显示自监督前端主导性能方差而 CodecFake 训练泛化最好，但高平均性能伴随质量性别语言上的公平性代价。

针对跨语言语音情感识别中编码器过拟合语料特异线索的问题，该文用类原型锚定的条件扩散学习样本-原型双向变换，在英日互测中欠拟合侧分别提升 6.42 和 4.00 个百分点，代价是需联合训练去噪器与分类器并调节成对与循环约束权重。

针对无参考语音质量预测在未见失真下泛化弱的问题，DNSMOS-C 在 DNSMOS Pro 上把 SCOREQ 三元组对比损失直接加到 64 维编码器嵌入上做单阶段联合训练，域内相关系数和跨 NISQA 子集泛化多数提升，且 PCA 显示质量排序增强，代价是失真类型可分性略降且推理与 DNSMOS Pro 相同。

针对信号级水印易被神经编解码器和声码器重建抹除的问题，DuraMark 选择在音节时长这一信息级载体上嵌入奇偶水印，最强证据是在多种生成式攻击下保持 TPR 大于 95% 且平均达 0.993，代价是依赖文本转录与时长提取精度并需要时长可控的合成流水线。

针对端到端神经语音编码模型过大难以部署的问题，该工作用说话人分组训练组专用小模型，在主观听感上以 96% 参数量削减和从 2 kbps 到 1 kbps 的码率减半维持了大模型质量，代价是发送端需增加说话人分组与组索引传输且错分会带来损失。

针对单声部音频基频估计要在噪声下保持准确同时可实时运行的问题，FCPE 用对数梅尔谱输入加深度可分离卷积主干做 360 类音高分类，在 MIR-1K 上报告 96.79% 粗音高准确率并以 0.0062 实时因子运行，代价是在极低信噪比白噪声等极端条件下仍明显掉点且依赖增强策略补泛化。

该研究把正确答案固定到 A、B、C、D 四个位置重测六个大音频语言模型，发现打乱顺序可带来最高近 24% 的准确率波动并改变模型排名，而全排列多数投票能在增加测试计算量的代价下缓解偏置。