CNN

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。

共分析 36 篇语音/AI 论文

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该研究在 VoxCeleb2 上系统改变 ResNet 的深度、宽度和残差块分布并用机器级传感器实测训练能耗与碳排放，最强证据是 ResNet-419-D 相对 ResNet-200-D 仅把平均 EER 从 3.44% 降到 3.35% 却耗电约 4 倍达 895.67 kWh，而中等规模的 ResNet-50-D 及其向中间层集中块的变体以约 50 …

针对混合音乐中扩展长笛技法难以只靠音高对齐跟谱的问题，论文把 Antescofo 的对齐机与轻量识别器 ipt~做松耦合混合切换，在 11 类技法上报告宏 F1 为 93.4%±0.1，但混合跟谱以增加延迟为代价换取跨演奏的稳定性。

该文把钢琴指法当作带生物力学约束的序列标注问题，用卷积网络提局部键盘模式、双向长短期记忆网络建前后依赖并加注意力与前向规划，在钢琴指法数据集上报告通用匹配率约 82.6%、最高匹配率约 92.1%，代价是去掉物理约束后通用匹配率掉 11.4 个点且复调大跨度仍需人工把关。

该文把朗伯德检测做成由干净语音预测诱发噪声级的回归任务，比较卷积、卷积加长短期记忆、变换器编码器三类架构与三类高维表示加六类可解释声学线索的组合，在留出德语数据集上显示卷积加 WavLM 泛化最可靠，而增加音高与谱倾斜能显著降低损失，但中间噪声级与跨数据集泛化仍是主要代价。

该文在严格分块流式条件下检验 Conformer-Transducer 编码器中的自注意力，发现其退化为对角局部模式，进而用一维可变形卷积替换或直接删除自注意力，在 LibriSpeech 与 TEDLIUM-2 上保持词错误率基本不变并显著降低实时率与参数量。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读