SFT

该研究以 CosyVoice2 为骨干解决法语和德语零样本段落合成可懂度低的问题，选择只微调文本语音语言模型加流解码器并冻结声码器，最强证据是在 250 小时法语和 500 小时德语下相对词错误率下降 83 到 91%，代价是微调声码器会损害可懂度且超量加长数据会因复杂度多样性失配使词错误率回升。

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

针对唇读受视觉歧义和说话人差异影响且输出可靠性难判断的问题，论文引入贝叶斯不确定性和熵不确定性及其组合来估计词错误率并做主动学习选难样本微调，在 VoxLRS-SA 及合成池上显示不确定性与词错误率强相关且高不确定性微调在同等标注量下达到或超过随机采样，但估计需少量有标数据拟合映射且小数据微调本身不稳定。

针对车内发动机与路噪导致 Silero VAD 误检多、人工标注难的问题，SylVAD 用韩语音节级 MFA 自动构造标签并以噪声加权损失微调，在实车日志上把非语音段误检数从 3243 降到 1475，F1 从 0.9372 提升到 0.9556，代价是依赖文本与对齐分数过滤且推理结构不变。

该文以固定 Wav2Vec2-XLSR 基线检验语系分组对跨语言语音情感识别的影响，最强证据是同语系内留一语言泛化优于跨语系泛化，而代价是跨语系直接迁移大幅掉点且受数据量与标注不一致制约。

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

该研究把希腊音频数据集扩展为片段对齐的歌词转写基准，在同一协议下对比 Whisper 三种规模与转写翻译配比及先语音后歌声的两阶段适配，报告 Large-v3 两阶段词错误率 27.2%，代价是翻译辅助只在小容量模型上为正且增强与复调训练均未获益。

针对加泰罗尼亚语到英语方言语音翻译任务，论文比较了两种级联与一种端到端系统，最强证据是 Whisper-v3 加 NLLB 级联取得 44.7 BLEU 和 65.1 chrF，而代价是依赖大规模外部语音与文本预训练和两段式推理链路。

针对长时无切分英文到中文与德文离线语音翻译，论文采用 Silero VAD 加两遍转写与 150 词元语义合并的 Qwen3 级联路线，在 tst-2022 上报告 En-Zh COMET 0.8462 与 En-De 0.7854，最强证据来自两遍转写把 WER 压到 3.01%，代价是多模型串行推理与重分段计算开销。

共收录 38 篇 iwslt-2026 会议论文的 Reader 深度解读

针对无文字低资源语言难以从原始音频发现音素单元的问题，该工作在 HuBERT 基础上用 55 语言的发音特征与音素监督做多语言续训，再以 ABX 可辨别性检验上下文不变性，最强有监督自适应在开发集与测试集取得 3.07% 与 3.39% 的平均误差，但自监督与有监督之间仍有差距且评估集中于 ABX。

Muse 针对长歌曲不可复现问题，用 116489 首授权合成歌曲与全局加分段风格标注训练单阶段自回归模型，在小参数下取得可比的歌词对齐与风格相似度，并以多轮分段生成实现细粒度风格控制。

论文把同传从读写时机控制改成包含切句、删除、压缩与代词化的动作选择，用统计感知的逐步提示在英中、英德、英日上同时改善语义与单调性延迟，但文本实验与启发式充分性检查仍留下语音端到端的待验证缺口。

针对流式语音大模型边听边推理容易出错且不能回滚重说的问题，RetroThinker 用三阶段事后反思微调让 Moshi 在文本内心独白中自验自改，在 TTS 版 GSM8K 上以相近延迟取得 11 个百分点的绝对准确率提升，代价是反思会先拉长推理链，需再用 Early Reasoning 和 LengthDPO 压回延迟。

SHANKS 针对等说完再思考导致无法中途打断和工具延迟的问题，采用固定时长语音分块交替生成未说出思考，在数学打断与旅行工具对话中提前完成推理和调用，但提前行动伴随成功率下降需与听完再调用组合使用。

针对同时有内部听觉与外部转写建议时朴素融合反而变差的问题，论文用可学习的内部、外部、重写三种动作先裁决再生成，在七个语音识别集与多域音频问答上报告了可运行策略的改进，但重写类样本稀少仍是主要代价。

针对克丘亚语到西班牙语低资源语音翻译，QUESPA 比较了级联与端到端路线，最强证据是端到端微调 SpeechT5 结合 SIDON 增强、数据增广与 Collao 语料在官方集上取得 27.2 的 BLEU，代价是 CHRF 未同步提升且大模型提示翻译仍远低于微调基线。

针对功能磁共振时间分辨率不足以区分言语与语言加工阶段的问题，该工作用词 onset 对齐的皮层脑电高频信号做时空预测微调，在三个语音模型上提升脑对齐且保持下游任务，同时以时间平均与打乱对照证明毫秒结构带来额外增益，但数据仅为 9 人单播客因而覆盖与多样性受限。

针对端到端语音对话中统一偏好优化易引起声学漂移的问题，WavAlign 用全 token 有监督微调做声学锚、用仅文本的组相对策略优化改语义并以 rollout 统计动态加权，在两种架构上同时提升语义与表达但仍受限于序列级奖励与音频评价可靠性。

针对跨文化理解所需的野外视频多语转写问题，论文用易复用的 Whisper 与 WhisperX 流水线加字幕挖掘与重切分，报告七语平均约 30% 错误经数十至二百小时微调降至约 21.7%，代价是幻觉插入与字幕参考不完美及发布受限。