CNN

针对超声舌成像的探头位移与散斑噪声及协同发音长时依赖，论文用聚类降采样加物理增强与三维卷积加双向循环建模，在儿童超声数据集的重叠与未见说话人两种划分上把词错误率降到 0.1595 与 0.0597，代价是增强幅度与掩蔽比例需小心约束且大模型在小数据上并未占优。

针对说话时颏舌骨肌手工量厚度慢且不一致的问题，论文用深度分割加骨架中线测厚组成 SMMA，在 11 名粤语人上做到高质量图 MAE 为 0.53 mm 且/a:/显著厚于/i:/，代价是对图像质量敏感且样本小而单一。

针对英语单词重音检测依赖音节边界标注的问题，该研究用分层卷积把帧级表示压缩为音节级表示并以 Post-net2.0 损失约束每词恰有一个重音，在 ISLE 德意口音数据上报告最高 94.86% 与 96.24% 的准确率，但仍需真实音节数与后处理配合。

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。

针对含谐波和噪声时基频滤波不准会拖累瞬时基频的问题，该研究用 Wave-U-Net 直接增强基频波形再求解析信号瞬时频率，在干净与加噪条件下取得更高的粗正确率，但干净强调制跟踪仍不及 NINJAL 且存在下采样混叠的待验证解释。

论文把卷积的时间填充在过去与未来之间重新分配，用双缓冲加选择性状态更新解决分块流式的状态污染，在固定 1.37M 参数下实现 12.5 ms 时 PESQ 3.35 到 75.0 ms 时 PESQ 3.43 的延迟可配族，代价是每个延迟点需独立训练且大块才能实时。

论文用去掉舌区输入和舌掩膜引导的双编码器检验舌区贡献，发现在单帧二维卷积映射下两种操作均未带来统计显著的质量变化，但引导模型把激活集中到了舌区，代价是结构更复杂而客观指标没有提升。

该文在 TIMIT 音素识别上用卷积加双向长短时记忆网络的原始波形模型把总音素错误率拆到三套宽音类并统计替换混淆，最强证据是仅用 TIMIT 达 13.9%/15.3% 而 WSJ 迁移后达 11.3%/12.3% 并超过滤波器组基线，代价是增益高度集中于过渡依赖的辅音类而元音类改善有限。

针对多通道增强依赖固定阵列几何的问题，该工作提出由麦克风坐标动态生成卷积核的 Geo-DConv 适配器，在 RealMAN 真机录制数据上让 SpatialNet 与 TF-GridNet 适配可变阵列并在多拓扑与跨数据集上保持提升，代价是增加少量坐标建模参数与计算。

针对参量阵扬声器非线性自解调难以建模的问题，论文把任务从音频到音频改为超声到音频并用多速率 WaveNet 实现，在同一 USBAM 样机上以总谐波失真与互调失真误差为指标优于同骨干音频输入网络与二阶 Volterra 滤波器，代价是需要 192 kHz 超声输入与同步采集条件。

针对远近场电平起伏与噪声下传统增益控制易放大噪声的问题，WaveNorm 选择全因果时域卷积加 GRU 瓶颈的端到端映射，在 -70 dB 宽动态与多种噪声下报告约 6 dB 降噪与符合 P.56/P.79 的响度稳定，代价是 49 M MACs 与 55 KB 的端侧预算约束。

针对多分支卷积只做简单相加而没有补偿各分支局限的问题，该工作把通道、时间、频率与联合时频权重按感受野特性交叉分发，在 TAU 2020 上报告 72.03% 准确率，代价是保留分支导致失去重参数化合并的推理简化。

针对语音帧等距整数序号与语义弹性不匹配的问题，论文用深度可分离卷积从输入预测有界时间偏移并加到 RoPE 序号上，在 Branchformer 上以更少参数在全部 LibriSpeech 测试集和时间扰动下取得词错误率下降，但评估限于单数据集单种子且未做部件消融。

该研究以帧级音素分类为人工耳蜗语音增强的代表性单元，比较一维时间、一维频率与二维时频因果卷积前端及层数与后端搭配，在 STM32F746G 上实测延迟与内存，显示加前端普遍提分而一维结构更易满足亚 10 毫秒约束，代价是加深并不单调增益且二维深层内存与延迟急剧上升。

针对微型扬声器非线性失真导致线性声区控制泄漏抑制失效的问题，论文用高保真建模网络离线刻画非线性再冻结监督轻量因果控制网络并配合主扬声器锚定策略，在真实手机防泄漏任务 200–2000 Hz 带内取得比线性 VAST 高 3.78 dB、比参数匹配因果 CNN 高 1.80 dB 的声对比度提升，代价是需要两阶段训练与高电平实测数据且暗区仍有残余能量。

该研究把板混响脉冲响应转成多分辨率幅度谱图加相位通道后用 ResNet-18 回归七个原始物理参数，在 200 条 5 秒对照上把平均 NMSE 从基线 0.0605 降到 0.0058，代价是依赖下采样到 1470 Hz 的低频段与仿真分布。

针对 STM32N6 上 Neural-ART 只支持静态整数量化卷积图的问题，该研究把 LiSenNet 双路 GRU 瓶颈改为卷积频率混合加因果空洞时间卷积并配套可折叠归一化与有界激活，最终以 46.2k 参数实现板载 int8 PESQ 3.01 与每 16 ms 跳 4.83 ms 处理，代价是 154 KiB 的 25 个 FIFO 流状态。

该研究用 70-170 Hz 高伽马时频包络作为输入、以 128 维对数梅尔谱为目标，用因果扩张 WaveNet 解码器做神经到频谱映射，在 10 名被试上报告 PCC 约 0.90-0.95 而 STGI 约 0.48-0.53，代价是被试间电极覆盖差异大且未做波形与听感验证。

该研究以水下舰船被动声学分类为任务，用多时频与耳蜗表示加时间统计池化和紧凑卷积做分类，最强证据是录音级隔离的 DeepShip 上 157K 参数四层卷积测试宏 F1 为 0.7226 而 11.17M 参数 ResNet18 验证更低，代价是 ShipsEar 近满分结果不能视为未见录音泛化。