Conformer

共分析 898 篇 ICASSP 2026 论文

论文用 VAD、去重和 ASR 置信度把 210 万小时广播音频筛到 47.1 万小时做 wav2vec 2.0 预训练，并在相同参数量下比较四种编码器，Base 规模卷积增强结构域外优势最大，X-Large 规模差距缩小。

共分析 146 篇语音/AI 论文

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

该研究用 123M 参数的缓存感知流式混合 RNNT/CTC 模型解决日语流式与完全开放不能兼得的问题，在五个测试集上以 12.4% 平均 CER 超越大 5-8 倍的开放基线，代价是预训练筛选与多域微调加解码器容量三者组合时会在讲座域明显退化。

论文以同一肌电编码器比较语音合成、识别、音素分类与自监督预训练四类任务，用线性探测显示音素信息可在无音素监督时涌现，而可懂合成必须保留声学回归损失，自监督对比预训练的隐空间与音素不对齐且未改善合成与分类，代价是单说话人小数据与线性度量的局限。

针对 Genhancer 中 FAVOR+ 近似导致聚焦不足与特征多样性下降，论文以保持线性复杂度的 Hydra 替换全局注意力并保留扩张卷积负责局部建模，在 DAPS 真实重录上以 106M 参数在多项指标超越 FAVOR+ 并接近 Softmax 上界，代价是长输入外推与生成幻觉仍需单独验证。

论文以同一对开源流式 ASR 与流式说话人日志模型为起点，比较级联、掩码输入、词级 SOT 与日志条件四种架构，报告显示日志条件的 SSA 在多说话人 cpWER 平均最低而词级 SOT 在单说话人上退化明显，代价是需要微调与多实例内存。

针对单通道语音增强中轻量化导致相位建模退化的问题，QC-GAN 用四元数 Conformer 生成器加 MetricGAN 判别器，在 VoiceBank+DEMAND 上以 0.89M 参数达到 PESQ 3.48，以 35K 参数达到 3.23，代价是四元数运算带来更高的实数乘加量与 CPU 负担。

针对双耳混合中目标说话人提取后空间线索易失真的问题，该工作选择直达路径头相关传输函数作为空间先验并在窄带分离骨干上做潜空间调制，在仿真上报告了更高的信失真比改善和更小的耳间线索误差，在头颈模拟器实录上报告了更高的非侵入式质量分，代价是依赖目标方位已知与头相关函数库的角度采样密度。

该文在 1839 条短语音上用 Conformer 做帧级八分类，以按类高斯软标签处理标注抖动，最强证据是冻结 HuBERT 在 20 毫秒容差下宏观 F1 为 0.77 且软标签比硬标签高 7.0 个百分点，代价是元音与鼻音释放仍难且跨库迁移有限。

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。

共分析 75 篇语音/AI 论文

针对稀疏测量到稠密 HRTF 的上采样受固定测量布局限制的问题，GeoAtt 用逐频点查询条件空间聚合加 Conformer 频率建模实现单个模型适配多种布局，在 SONICOM 四个 LAP 布局上报告了最低对数谱失真，但受限测量覆盖下误差仍明显上升且代码权重本次未能确认可达。

共分析 62 篇语音/AI 论文

该文用 16 层 Conformer 编码器加 CTC 解决英文短语音转写，在仅公开数据与三阶段训练下以 470M 参数进入 OpenASR 速度精度前沿，代价是依赖大幅降采样与 16K 子词建模。

共分析 36 篇语音/AI 论文

针对 Conformer 在噪声下注意力分散导致上下文建模退化的问题，论文提出混合式修正差分门控注意力 Conformer，在保持参数量基本一致时于 Librispeech 干净与加噪测试上取得相对词错误率下降，但小模型增益有限且早期全量替换会损害表征。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

该研究用会话对齐加 Conformer 加 CTC 直接从皮层神经活动解码字符序列，在验证集上报告字符错误率为 23.80%，代价是跨会话信号漂移仍大且词边界错误集中。