CTC

针对发音评估既要认准音素又要定准边界的问题，该工作把每个音素展开为有序子音素状态并用最优时间传输做稠密单调训练，在朗读、自发与二语语音上改善切分并保持可比识别，主代价是更细帧率与更长拓扑会推高识别错误并需要权衡诊断增益。

共分析 19 篇语音/AI 论文

针对从零训练的解码器语音合成的内容幻觉问题，论文把只作用于优选样本的轻量 CTC 对齐项折进直接偏好优化，在 Seed-TTS 英文集上把严重幻觉率从 4.4% 降到约 0.6%，代价是需要切到 eager 注意力读图且过强加权会转入自信但错位的过锐区。

针对 CTC 对时间边界不敏感导致词结束时间常被拖到下一词起点的问题，该文在 CTC 之外只在词起点、词终点和静音等关键帧上加掩码交叉熵约束，用 Jamendo 上词起点平均绝对误差 0.213 秒、词终点 0.332 秒的对照显示全静音掩码改善终点、起点掩码决定起点，代价是起终点最优解来自两种掩码的组合而非单一模型。

共分析 27 篇语音/AI 论文

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

该文研究无帧级肌电-音频对齐时如何从口面肌电合成语音，选择把肌电协方差功率映射到冻结 HuBERT 离散单元再用现成声码器发声，最强证据是 H 线性预测肌电功率达 r=0.85 且 vec(E) 加音素引导解码显著降低单元错误率，代价是词错误率仍在 50% 以上且仅单例 ALS 验证。

针对口音导致词错率上升且推理时无可靠口音标签的问题，论文在 FastConformer 中插入序列级混合专家并为每个专家配独立 CTC 头、用两阶段路由从口音感知过渡到无标签推理，最强证据是在 MCV-ACCENT 上有预训练条件下大小模型同时降低已见和未见口音词错率，代价是训练早期仍需口音标签并增加混合专家参数与训练开销。

该文只用静默构音肌电与文本转写、用对称正定矩阵表示通道间相关再接门控循环网络与联结时序分类损失做音素级序列转换，在大词表单被试上报告音素错误率 48.47% 与词错误率 73.53%，代价是仍需双向整句解码且主要证据来自单名健康被试。

针对颅内语音神经假体跨会话漂移，ALIGN 用多源对抗会话不变学习加中间层对齐与时间拉伸增强，在 T12 与 T15 上相对基线降低音素错误率与词错误率，但远期大间隔与伪标签自训练仍是主要边界。

共收录 1 篇 uai-2026 会议论文的 Reader 深度解读

在 BEST-RQ、mel 与 chroma 重建和 CTC 构成的声学词汇基座上叠加音频描述对比对齐，并以配对内打乱对照与双读出冻结评测分离对应关系贡献，正确配对在三粒种子上使域均衡分类线性探针提升 4.66 点、序列感知 LLM 提升 2.59 点且每域均为正，其中线性增益的 87% 来自正确对应而非额外对比目标。

共分析 44 篇语音/AI 论文

语音识别 | 7.2/10

共分析 34 篇语音/AI 论文

语音识别 | 8.0/10

语音识别 | 7.5/10