标签
该论文提出了 MOSAIC，一种采用模态间交叉注意力和按模态划分的梯度路由的模态分离架构。与基于融合的基线模型相比，该架构在 CEJC 语料库的四项任务上将平均宏观 F1 分数提高了 7.4 个百分点，同时将骨干网络参数量减少了 72%。
ETC-Bench 是首个面向评估端转录文本规范化的综合性多语言基准，涵盖 12 种语言中的 181 种现象类型，并提出了一项新的 SENA 指标和一种由分类体系引导的智能体方法（TACS），该方法的表现优于基线系统。
该论文比较了基于 WavLM 的音频分类器与基于 GPT-4o 的零样本转录文本分类器在母语识别任务中的表现，发现音频分类器在低水平（A1）阶段表现更优，而在 A2 至 C1 阶段，使用完整转录文本的文本分类器表现更好。
该论文提出一种噪声鲁棒的强制对齐方法，用上采样WLM特征替代MFCC的GMM-HMM对齐器，并显式建模填充词和非词汇语音事件，在Buckeye和FluencyBank上将词边界误差降低19%和17%，大幅减少灾难性错配。
该论文提出了一种接触式多模态筛查框架，利用与 Amazon Alexa 交互过程中采集的视频、音频和文本信号来检测轻度认知障碍（MCI），实验表明多模态融合模型在 Command-Reading 和 Question-Answering 任务上均达到 0.76 的准确率，优于单一模态模型。
AegisVox 提出一种因子化的临床语音隐私框架，为每位说话者分配一致的代理声音并编辑含标识符的语音轮次，在 63.6 小时模拟对话上比较了 TTS 与编解码语音编辑器在替换实现、说话者关联与临床信息保留之间的权衡。
该论文提出了 CircuitTree，一种树形组合数据结构，以及一种按密度缩放的贪心算法，用于将从 HuBERT 中剪枝得到的多个电路组合成音节转录器，在电路共享率达到 99.5% 的情况下，实现了 64.8% 的开音节准确率，而不共享电路时的准确率上限为 66.0%。
该论文提出「先澄清、再聚焦」的声明归一化方法，将对话转化为带来源引用和语义标签的简短陈述，使仅由小模型构成的推理管线能以约100倍更低的成本处理数百万条企业客服对话的分析任务。
Shinji Watanabe 宣布他的 Google Scholar h-index 已达 100，并将数十年在语音处理研究与开源工具开发方面的成就归功于他的学生和合作者。该帖子特别提到了 ESPnet、Deep Clustering 和 SUPERB 等奠定现代语音识别基础的里程碑式成果。
FD-VAD 提出一种无需 ASR、流式运行的语义端点检测方法，将因果音频窗口直接映射为 Continue/Stop 决策，适用于全双工语音智能体。该方法结合冻结的语音编码器与参数高效适配的语言模型，在 TurnBench 上取得了最先进（state-of-the-art）的 EOT 召回率。
本文提出一种无需训练的发音转录流程，通过集成词法资源和声学模型，实现低错误率和高效率，性能优于包括商用多模态LLMs在内的基线方法。
本文挑战了EER是语音生成中人类语音相似性可靠代理的假设，证明感知对齐更依赖于训练目标而非模型性能。它提出了基于有效维度的嵌入几何作为评估语音相似性的原则性指标。
该推文宣布 Interspeech 2026 在悉尼开幕，重点介绍了将展示2场关于语音语言模型与对话语音识别的教程和19篇论文。
论文介绍了 BanglaTurn，这是一个用于 Bangla 语音回合结束检测的基准语料库和基于 Whisper 的模型，实现了 84.33% 的准确率，而基线为 69.28%。
本文介绍了一种用于虚拟助手的智能唤醒系统，该系统采用上下文触发检测和合成对话数据以改善自然交互。作者公开了代码、数据集和训练好的模型，以促进研究可重复性。
本文介绍了StreamFraudNet，一种弱监督增量模型，用于从原始语音中检测电话诈骗，达到ROC-AUC 0.9953，并能实时运行，在通话过程中提供早期警告。
本文提出一种音系全面、仅限ASCII的罗马化方案，针对泰语和老挝语，旨在实现跨语言对应和机器处理，以辅助语言学习和语音处理。
论文介绍了Duplex Cue，一个评估全双工语音代理轮内适应的框架，通过比较人类和模型对重叠语音的反应。
论文介绍了StepAudio3Realtime，一个面向实时语音交互的音频语言基础模型，利用连续的听-说-想-行动循环结合Think-While-Speaking技术，以实现深度推理和低延迟，在MMSU和Full-Duplex Bench等基准测试中达到顶尖性能。
本文介绍了SEAR系统，用于多语言语音选择题，通过片段证据感知路由、监督微调和强化学习，在MLC-SLM挑战赛中实现了90.92%的准确率。