CNN

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

针对换人换佩戴后声学通道变化需重设计滤波器的问题，PRIME-ANC 用正则化通道比值做幅度基座加共享卷积网络学有界对数幅度修正并经最小相位重建截断为可执行抽头，在留出通道上报告 50 Hz–5 kHz 平均 18.81 and 17.76 dB 降噪，三次高斯牛顿更新后达 21.43 dB reduction，代价是仍需校准通道估计与额外细化时间。

共分析 43 篇语音/AI 论文

针对现代标准阿拉伯语学习者语音少、合成错音与真实错音分布不一致的问题，该研究用预训练编码器加因果空洞时序卷积做音素识别，先在大规模母语加合成数据上学通用映射再在约 2 小时真实学习者数据上适应，并用 6 个检查点混淆网络融合加 N 元重打分稳定输出，在 QuranMB.v2 盲测上音素级 F1 达到 0.7201，相对基线 0.4414 提升 63.1%，代 …

该研究用超声舌图和唇图复现基频预测并检验信息来源、时序、过拟合与重音耦合四种假设，最强证据是朗读全局相关约 0.70 掉到自发约 0.39 而重音词预测更好，代价是只用不到 5 分钟微调与朗读训练难以推广到对话。

针对分块流式 Conformer 中因果卷积丢弃块内未来帧的问题，BACON 把深度卷积通道分成因果组与边界感知双向组，在参数量不变下扩大感受野，并在 LibriSpeech test-other 上 CHAT 相对降低 9.3% 词错误率且平均发射块序号不增加。

针对神经音频编解码器量化导致水印提取跌到随机水平的问题，该文不改嵌入器而在解码前加频谱修复，并用分类器为每种编解码器选专用修复模型，在多码本残差量化编解码器上把比特准确率恢复到 98% 以上，代价是每种新编解码器都要单独训练一个专用模型且单码本极低码率下基本无效。

论文把估计两组麦克风之间相对传递矩阵的问题转成监督学习映射，用 SCoNet、FuSNet 和 LAeNet 三套网络分别建模频域与时域关系，在仿真房间中以协方差法为基线比较五项估计误差与语音去噪效果，代价是长窗、固定声源布局与较大的时序推理开销。

该研究把儿童咝音切成 64×64 语谱图，用经典、稀疏、多任务三种卷积自编码器压成低维向量再交支持向量机判读齿音还是卷舌音，最好的多任务配置灵敏度达到 84.31%，代价是约三分之二超参数组合退化且数据高度不平衡。

论文要解决普通麦克风语音缺少声门下共振测量的问题，选择先用多尺度谱学习从语音生成颈部加速度计波形再用自适应线性预测同时估计跟踪三个共振，最强证据是未见说话人上生成信号与真值估计误差约 25 赫兹、连续跟踪误差约 25 到 83 赫兹，代价是依赖浊音元音段和线性预测参数自适应校正。

针对 50% 及以上重叠 STFT 相邻帧高度相关造成的轻量模型冗余计算，HALO 在不改 STFT/ISTFT 流程下用两个自适应动态卷积做降帧与复帧，使主干处理半帧率序列，在 DNS3 上以相近 MAC/s 加宽通道后 GTCRN 的 PESQ 提升 0.1、SI-SNR 提升 0.5 dB，代价是同一步内要一次生成两帧而峰值计算并未降低。

针对重型自监督模型难以部署到实时边缘端的问题，MSMC 用无泄漏遮罩卷积编码器加均值教师多尺度蒸馏，在 IEMOCAP 即兴子集十折留一说话人验证下达到 76.0% 加权准确率，代价是仍只在该数据集与该协议下验证且依赖 60% 时域遮罩等特定训练条件。

针对固定下采样在不同采样率下帧移错位的问题，MSR-HuBERT 用按采样率分流的自适应下采样卷积把多率波形对齐到统一 20 毫秒时间网格并保留掩码预测与 Transformer，在 16 至 48 kHz 的识别与全带重建对照中给出可核对的收益与代价。

针对带切分前端中循环时间与跨频带模块的串行依赖问题，论文用并行时间—频带混合器替代循环展开并用可学习的观察信号加回抑制伪影，在冻结 Whisper 下降低词错误率，代价是仍需两阶段训练且为话语级非流式混合。

QuadVAD 用 4 ms 细粒度判决、可学习谱分解加卷积与 LSTM 的紧凑结构、MFA 对齐加 TIMIT 微调的数据管线，在公开集和加噪 TIMIT 上取得更高的 AUC-ROC 与更准的起始边界，代价是依赖精确对齐标签和特定增益与噪声条件下的评估口径。

针对说话人确认中保持全时间分辨率导致一维通路算力随通道线性上涨的问题，ReDimNet2 在保持维度重排残差逻辑的前提下引入时间池化并用上采样恢复聚合长度，以 B0 到 B6 七档配置在 VoxCeleb1 上系统性压低等错误率，最大代价是放宽恒体积约束并在大模型上引入训练波动。

针对语音情感识别中时序建模重而跨库易失效的问题，SETEAB 以深度可分离下采样压缩、SE-Res2Block 通道校准、TEAB 双向门控建模与加权融合组织轻量多尺度流程，在五库平均 UA 达 47.69% 与跨库平均 WA 达 37.53% 的同时把计算控制在 0.06-0.12GFLOPs 量级，代价是跨库方差仍较大且部分基线细节依赖原文表头口径。

该文用实时磁共振影像直接估计梅尔谱并合成波形，问题是未见说话人能否不依赖参考语音保留语言内容，方法是用跨模态说话人嵌入引导影像分支学习说话人特征，最强证据是朗读语音的差分词错误率在部分测试说话人上降到约 8% 附近，代价是绝对基频和同性别说话人区分仍受限。

针对流式关键词检测中逐帧输出带来的池化状态冗余，论文把卷积主干切成以池化结尾的子模型并按静态调度稀疏执行，在保持识别精度的同时把嵌入计算和缓存都压下来，但分类间隔拉大也带来了可测的延迟代价。

针对仅用舌部超声视频合成可懂语音的问题，论文用 4 层三维卷积加 6 层 Transformer 预测梅尔谱并经 HiFi-GAN 发声，在 TaL 单人集上词错误率做到 15.93%、多人混合训练做到 31.64%，代价是跨说话人零样本泛化仍弱、需对新用户微调。