CNN

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。

共分析 75 篇语音/AI 论文

针对人声与合成声部混合后全局检测失效的问题，该工作用分频段局部检测构成合成概率图再与目标声部能量掩码联合判断单个声部真伪，在人声鼓组吉他上表现较强而在贝斯上受限于分离质量。

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。

针对日本长期照护高龄有症状人群的六通道前胸数字听诊任务，论文用 X 线监督训练共享权重 ARP-N 卷积网络并在病人级重复交叉验证下比较临床诊断监督，最强证据是听诊单模态 XRAY 模型 F1 为.729、准确率为.783 而融合模型 AUC 为.791，代价是单中心 185 例与域漂移限制外推。

共分析 62 篇语音/AI 论文

该研究把二语节奏评估做成流利度和韵律分数回归，用一维卷积直接从语音幅度包络及其一阶导数学生节奏特征，最强证据是包络导数模型在低流利度组误差显著低于时长模型，代价是韵律维度仍受语调混杂与低分样本稀少限制。

针对工业噪声下纯音频识别崩溃的问题，NAVIR 用逐帧空间编码加时序卷积的分解结构适配 BrainChip AKD1000，在 GRID 噪声测试下量化融合模型取得未见说话人 14.0% 与重叠说话人 3.3% 词错率，代价是未见说话人纯唇读仍高达 35.3% 且音视模型在片上吞吐下降。

共分析 42 篇语音/AI 论文

该研究把双耳声波形直接映射为连续高采样率脑电，用约 250 小时异构数据训练一个因果编码器解码器，并在并行脑干响应、语音时间响应函数与双耳交互成分三类范式上复现了已知的形态与刺激依赖效应，但串行呈现幅值与部分响应幅度仍存在系统性偏差。

针对约 265K 参数的紧凑声学模型，论文用感受野对照证明超过 15 个音素的编码器上下文无一致收益，再用梅尔适配的梯度方差损失恢复细节，在同等预算下把 UTMOS 从 3.591 提升到 4.086，代价是大模型在可懂度和频谱失真上仍占优且结论限于 LJSpeech 自动指标。