鲁棒性

针对固定白噪声增益阈值在阵列失配下顾此失彼的问题，该工作用双分支网络同时预测噪声掩蔽与频率相关 WNG 约束并嵌入可微 QEP 鲁棒 MVDR 层，在 8 元线阵仿真与变间距失配条件下以 SNR 增益和 SDR 改善为证据，代价是依赖仿真训练与早期参考信号监督。

针对神经音频编解码压缩会洗掉波形级水印的问题，Latent-Mark 用测试时波形优化把潜在表示推向秘密流形方向并以跨编解码器联合优化求零样本迁移，最强证据是在 SNAC 压缩后仍保持 0.58 以上存活率并在 DAPS 上达 0.93，代价是多编解码器联合优化要牺牲部分单编解码器专精性能并依赖 150 步梯度优化。

论文冻结三种音频水印的编码器与检测器，只训练约 2M 参数的 Conformer 解码器来替代平均投票等固定时间聚合，在受控攻击与交替双负载下提升精确恢复并提高检测 AUROC 点估计，但 AudioSeal 双负载绝对恢复仍低且结论限于已知网格与分布内攻击。

针对合成器反演中合成配对训练与真实录音测试不匹配的问题，论文用参数与音频双时间轴的联合流匹配统一条件与边缘建模，并用部分加噪条件推理改善真实音频重建，代价是真实无标注音频带来的额外增益很小且评价仍依赖重建距离。

针对只用正常声音训练、测试需跨工况统一阈值判异常的问题，该文把整流流匹配搬到紧凑音频特征空间并用近邻正常样本的失配做局部校准，在 DCASE 2020-2025 六年平均分报告 71.01，代价是仍依赖微调特征与逐查询多路径前向计算。

针对年龄与性别编辑在大规模语音数据中受噪声标签干扰而出现映射漂移和身份丢失的问题，RIVET 在潜表示上增加幂等正则并与生成损失联合训练，在 GLOBE 与受控噪声 EARS 上提升了身份保持与性别编辑成功率，而自然度与可懂度基本持平、年龄分类仍有未胜出项。

针对噪声和混响导致语音情感特征退化的问题，该研究用音频逆滤波前端加频率注入视觉流的双条件 Transformer U-Net 做音视频融合，在 CREMA-D 等数据上报告了优于单模态与多模态基线的识别率，但强混响与未见噪声下的泛化仍受限。

针对模态内缺失导致证据碎片化问题，SemMSA 用冻结大语言模型隐空间迭代精炼情感语义并以核 Gram 矩阵主谱成分做无锚对齐，在缺失率 0.0 到 0.9 平均上保持领先，但极高缺失与可解释性仍受限。

针对标注构音障碍语音稀缺导致跨病因跨语言泛化难的问题，论文用教师伪标签加 LibriSpeech 粗二分弱监督对比预训练再微调，在五套未见数据集上平均 SRCC 达 0.761，而细粒度伪标签监督反而损害跨域表现。

针对大音频语言模型把不存在的声音判为存在的肯定偏置，论文提出免训练的静音对照加首步门控解码 TAD，在 AudioCaps-Hallucination 上相对固定强度 AAD 把 Qwen2 的 F1 提高 0.059 到 0.117，代价是更保守的是否边界和部分真阳性召回下降。

该文针对前景事件变化而场景类别不变时的声场景分类失效问题，用 CochlScene 背景加 FSD50K 前景的受控混合构造 ESAS 基准，并在六个可运行系统上报告背景到未知事件的系统性掉点，代价是合成混叠与真实采集之间仍有差距。

针对大语言模型语音识别在噪声下表示不稳的问题，VIB-AVSR 在 LLM 第 4 与第 8 层后只对音频隐状态做变分信息瓶颈压缩与插值，在 LRS2 上 babble 与 speech 噪声多信噪比下降低词错率，而干净语音性能基本保持，代价是需调压缩强度与插入位置且三瓶颈会过正则。

针对印度语言评测中干净音频带来的乐观偏差和单参考转写带来的悲观偏差，Vimarsha 用约百小时受控野采加难例野外音频与人工校验的变体格评价十个系统，最强系统仍在野外 split 上词错误率翻倍以上，而拼写变体格平均每词提供约一点五种可接受写法。

本文针对噪声、混响和竞争说话导致语音智能体做错动作的问题，提出 TRACE 配对比较工作流，用原文与声学压力拷贝的任务成功、违规、恢复和用户代价对照来定位失败，代价是需要为每个应用自建任务、录音与评分规则且文中示例计数均为假设说明而非实测性能。

论文以问答式任务检验榜单前列开放语音识别模型在口吃与构音障碍语音上的泛化能力，用统一预处理与贪婪解码比较五种架构，最强证据是平均词错误率相对榜单膨胀 2 至 5 倍且极端幻觉可达 24 倍，代价是逐字转写取向与长时读句任务上误差急剧放大。

针对 10 万小时野外伪标签数据与 10-100M 专才模型的失配问题，论文用说话人、语音、语义三种嵌入做最大边缘相关选择，仅用 5% 数据就超过全量训练，最高相对词错误率降低 36.8%，代价是贪心选择计算贵且多域统一选择效果不稳。

针对直接压平小波散射系数会丢失父子路径关系的问题，WST-Graph 用固定的小波散射变换重建稀疏调制-载波网格再接入图后端，在 ASVspoof2019 LA 上以约 120k 可训练参数达到 2.92% 等错误率，并在 DFADD 等跨域集上显示出局部优势，但并非所有跨域集都一致占优。

针对波形水印经神经编解码重合成后易失效的问题，论文用冻结 EnCodec 连续潜变量上的前馈加性扰动做 16 比特水印，在重复与低码率 EnCodec 重合成下退化更平缓，但端到端音质受限于编解码器载体本身。

针对神经编解码器重合成会抹掉波形域水印的问题，NeuMark 把 16 比特消息分布嵌入 SpeechTokenizer 的 8 路残差量化潜变量并用失真增强训练检测与解码，其代价是潜变量方法的透明度受限于编解码器自身重建质量并需区分原始参考与重建参考。

该研究冻结八个语音编码器并在整段、仅语音、仅暂停三种放置下加入非语音干扰，用余弦漂移与四项下游任务损失对比，显示整段干扰下漂移可按声音排序任务损失，而安静到中等强度下暂停干扰漂移更大但语音干扰任务损失更大，且低于估计背景的干扰已可达到重复录制级别的漂移。