Transformer

针对改歌词必须保留原旋律、节奏与总时长的问题，论文用旋律感知的时长占比预测加音频补全式流匹配解码做歌声编辑，并在六种编辑场景下以可核对的客观与主观评测显示总时长严格保留，但复杂混合编辑的可懂度仍明显下降。

针对混合音乐中乐器种类与数量未知的问题，论文用 stem 嵌入生成器逐个发现音频查询再驱动查询分离器，在正确检出的干声上达到人工查询相当的分离质量，主要代价是检出召回不完整与自编码器引入的听感瓶颈。

针对仅用舌部超声视频合成可懂语音的问题，论文用 4 层三维卷积加 6 层 Transformer 预测梅尔谱并经 HiFi-GAN 发声，在 TaL 单人集上词错误率做到 15.93%、多人混合训练做到 31.64%，代价是跨说话人零样本泛化仍弱、需对新用户微调。

针对自回归语音语言模型在 50-75 Hz 下序列过长导致推理慢的问题，U-Codec 把编解码帧率压到 5 Hz 并用帧间 Transformer 与 8-100 层因子化残差量化补偿细节损失，在 LibriSpeech 重建与 LibriHeavy 零样本 TTS 上保持可比质量，代价是局部多层自回归解码仍占开销且 DAC 最高保真仍未被超越。

针对啮齿类超声发声在声谱图上窄带、短时、稀疏难检的问题，USV-DETR 在 RT-DETR 上加入 P2 高分辨率层与 DEIM 稠密监督，在 SqueakOut 上达到 78.7 的 AP，代价是引入 P2 后解码器注意力计算量上升且参数增至 34.5 M。

共分析 34 篇语音/AI 论文

该文研究 16/24 比特全保真音频能否用自回归语言模型加算术编码做无损压缩，提出把每个样本拆成字节的 Trilobyte 使词表恒为 256，最强证据是 8 比特大幅超过 FLAC 而 16 比特平均只超 18%、24 比特落后 9%，代价是序列变长且推理远慢于 FLAC。

针对跨被试听觉注意解码中被试差异导致泛化下降的问题，DisenEEG-Net 用并行时空 Transformer 编码加正交分解、充分信息瓶颈、对抗对齐与重构约束做特征解耦，在 KUL、DTU、AVED 三个数据集留一被试交叉验证下取得报告的最优精度，但长窗增益有限且 DTU 与 AVED 绝对精度仍偏低。

针对单麦克风无人机自噪声语音增强，DroFiT 用全带与子带并行压缩加频率维 Transformer 建模，在 VoiceBank-DEMAND 混合无人机噪声上达到与 DCU-net 和 SMoLnet-T 可比的 SI-SDR 与 PESQ，代价是仍需验证更广泛机型与实时延迟。

针对自条件端到端日志中逐层独立选排列导致的层次排列不一致，论文提出硬约束的组式与软约束的连续影响两种训练目标，在 CALLHOME 上连续影响在 2 说话人与 3 说话人均降低日志错误率，而组式在 3 说话人上反而变差。

该研究只用超音段基频与时长变化做普通话五类声调识别，用核心轮廓编码器加可拆卸辅助分支训练，报告在自建语料上核心分支推理精度达 97.5%，代价是需要强制对齐的音节词块边界与基频跟踪质量。

针对低码率低信噪比下神经语音编码器重建失真问题，FocalSE 在 DAC 连续嵌入空间中用聚焦掩码去噪、分离噪声嵌入并做噪声分类，在 LibriTTS 加 ESC-50 混合数据上重建指标优于 SECE 与 FD-CBR，代价是推理参数增至 159M、含识别分支时达 222M。

TTBA 针对文本到双耳音频中方向不可控与声道间线索不稳的问题，采用交叉排列离散表征加空间提示编码器与 Transformer 自回归生成，并在 BEWO-1M 上以内容蒸馏稳定语义，多声源条件下语义与空间指标多优于 SpatialSonic，但单静态与单动态子集的部分指标仍有反复。

针对重叠语音中部分说话人不在画面内的问题，该研究在序列化输出中增加[None] 视频标记以避免强制关联，并在 LRS3 仿真混合数据上用 WER、VWER、VTER 对照验证，其代价是多说话人加离屏时声画关联误差仍明显增大。

该文把轮替预测从声音边界后移改为骨骼运动前移，用 InterAct 三维骨骼检验不同身体部位和不同意图的提前量，最强证据是上半身在提前 1.5 秒仍保持可预测性，而代价是过长窗口会混入上一段共发手势噪声且守话状态需等到碰撞时刻才能确认。

论文研究传统编码再经神经音频编码器转码后来源是否可辨，选择分层建模 RVQ 层间与时间依赖的 Transformer 框架，在固定码率下以 97% 以上准确率证明旧痕迹仍可辨，但高码率下 MP3 与 Opus 仍易混淆。

针对助听器难辨非语音环境声的问题，RALCT 把随机音频增强、MFCC 与 log-mel 拼接、CNN 降维与 Transformer 建模串成一条流水线，在 UrbanSound8K 上以约 310000 参数达到最高 94.56% 验证准确率，代价是增强强度受内存限制且部分易混类别仍偏弱。

在每次网络求值都执行 18 次块调用的共同条件下，论文比较七种权重重用布局，显示 SEQUENCE 以 83.6M 参数对 158.0M 基线在 32 步保持可比可懂度，而共享段位置主要影响 4 步可懂度且只有 Middle 在两数据集两种步数下词错率均排前二。

针对噪声和混响导致语音情感特征退化的问题，该研究用音频逆滤波前端加频率注入视觉流的双条件 Transformer U-Net 做音视频融合，在 CREMA-D 等数据上报告了优于单模态与多模态基线的识别率，但强混响与未见噪声下的泛化仍受限。

针对跨被试想象语音脑电解码中通道拓扑被打散与被试特异谱空特征混入任务表示的问题，该文用预训练时序编码加电极对齐池化、滑动窗多视角动态连接先验注入图偏置注意力与梯度反转对抗去被试化，在两个 15 被试五词任务上以严格留一被试交叉验证达到 31.20% 与 30.36% 左右的平均准确率，代价是短窗连接估计仍 noisy 且绝对精度仍只约三成。