RNN

该研究在真实语音人工标注上对比文本特征、大语言模型与 Whisper 解码器内部探测三条路线，最强可部署证据是内部序列 BLSTM 在无参考下达到 F1 65.5%，而文本与内部融合进一步达到 F1 68.3%，代价是失去零样本可用性并需要直接访问模型内部。

针对脉冲神经网络做语音增强时相位难恢复、时频建模割裂的问题，GSU-DBNet 用双路门控脉冲单元同时估计幅度掩蔽与复数滤波系数，在 VoiceBank+DEMAND 上以 394K 参数达到 PESQ 3.04，代价是幅度分支的参数增加与频率双向建模带来的非因果约束。

针对部分伪造音频中短篡改片段难定位的问题，该研究用多尺度 GRU 建模时序连续性并以帧真伪、方向转移、融合精修三头联合监督，在 20 ms 分辨率下于 PartialSpoof 取得 6.45% 帧级等错误率并在 PartialEdit-E1/E2 取得 4.50% 与 3.85%，代价是需要精细帧标注与多损失调参。

该研究用 CMU LEGO 电话对话比较系统相关与系统无关两套交换级交互质量分类路线，最强证据是端到端微调后系统无关模型与系统相关模型差异不再显著，但代价是可训练参数从 2.29M 增至 135.73M、延迟从 0.16 ms 增至 17.98 ms。

该研究用同一说话人相同句子的去噪磁共振语音与干净语音对比声学到发音反演，固定以磁共振轮廓为目标比较 M2M、M2C、C2C 三种可运行组合，最强证据是 C2C 平均误差为 1.56 mm 接近 M2M 的 1.51 mm，代价是未经适配的 M2C 退化到 1.64 mm 且全程依赖逐音素分层对齐。

针对固定帧率自编码器对不同信息密度分配相同时间预算的问题，该文用轻量潜在预测器度量可预测即冗余并做分段保留与回滚重建，在部署时按保留比例调节平均帧率，代价是边界决策离散且重度压缩下仍需权衡重建质量。

针对量化后多层信息被求和压扁的问题，RVQ-Grid 把每层量化向量堆成三维网格并用双轴循环块分离，在 WSJ0-2Mix 上比 Codecformer 提升 3.6 dB 并以约 6 倍更少的乘加操作达到 8.6% 词错误率，但样本级指标仍低于波形 SepFormer。

该研究把双人协作对话的认知负荷当作回归问题，用 30 秒窗口声学特征加互动时序特征和双头门控循环单元预测 NASA-TLX 分数，最强证据是加入互动特征后时间需求的二元组一致性相关系数从 0.42 升到 0.51，而代价是不同二元组间差异极大且时序差分普遍无增益。

RT-Tango 针对双耳助听的分布式低功耗实时降噪问题，用 ERB 压缩加分组循环掩码估计加固定跳帧稀疏化和非对称短时傅里叶变换加在线空间统计，在 33.41 MMACs/s 与 8 ms 算法延迟下保持可比的增强质量，而在线流式版本以 SI-SDR 下降为代价实现严格因果运行。

针对病理性语音可懂度评估需要准确且可解释的问题，ART-NAD 用说话人无关声学到发音反演得到的九通道准声道收缩变量替代 NAD 的 wav2vec2 特征做多变量 DTW，在 20 个参考音频协议上平均说话人级 Pearson 相关与 NAD-FA 持平而可定位到具体收缩通道，代价是反演模型只在英语 EMA 上训练导致非英语连贯语音出现差距。

共分析 42 篇语音/AI 论文

该文复刻频带切分循环网络用于人声贝斯鼓与其他四轨分离，在公开数据集上补齐预处理与训练细节并对比多种设计，结果显示大模型与替代增强可缩小与原报告的差距，但耐心延长与全项目试错带来数十倍于单次训练的能量开销。

共分析 29 篇语音/AI 论文

论文把电话诈骗检测写成弱监督增量打分问题，用冻结语音编码器加有界窗口循环建模与聚合器实现每 2 秒更新，在受控英文合成基准上报告终局 ROC-AUC 约 0.9953，而消融显示循环上下文是主要贡献且全局模型终局数值更强。

共分析 36 篇语音/AI 论文

论文用隐式求解的有限差分弓弦模型复现亥姆霍兹运动并修正最小弓压定律为一次方依赖，再以等容量的门控循环控制器在扰动下领先前馈控制器，但证明其稳态调节不超过查表教师，只在教师失效处反超。

共分析 59 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

针对助听设备的多通道目标说话人提取问题，MBSRNN 用 33 子带切分分别处理混合语音与注册语音并以 FiLM 交错 LSTM 注入说话人信息，在 CHiME-9 开发集流式条件下把 fwSNRseg 从基线约 2.2 提升到约 4.4 至 4.6，代价是约 53.1M 参数与处理一秒片段约 224.3 GMACs 运算量以及 STOI 未稳定提升。