RubatoCodec：带精确事件预算与流式解码的自适应语音 Tokenization
研究者提出 RubatoCodec，一种基于 X-Codec-2 的变速率语音 codec，通过精确的话语级事件预算与流式解码，用 Adaptive Firing 机制按 codec 特征和波形频谱变化切分语音为变长事件。
#语音
Hugging Face Daily PapersAI 评分3535
arXiv cs.AIAI 评分1919 ELARSpeech：30K 小时、675 种低资源语言的长尾多语言语音数据集（论文已撤回）
作者 Sangmin Lee 撤回了 ELARSpeech 论文，原因为正在处理数据使用与授权要求。该数据集原计划包含来自 Endangered Languages Archive 的 30,202 小时语音，覆盖 675 种代表性不足的语言，支持 ASR 与 TTS 扩展，并公开数据集、模型和数据构建流程。arXiv 上已无 PDF。
arXiv cs.AIAI 评分4545 当合成语音是唯一资源时，GRPO 比 SFT 更适合银行领域 ASR 适配
一项研究提出在仅有合成语音可用时，用强化学习方法 GRPO 适配基于大语言模型的 ASR，效果优于监督微调（SFT）：仅用合成语音的 GRPO 适配将 WER 相对降低 40%（36.71% 降至 22.09%），先 SFT 再 GRPO 可进一步提升至 45%。
arXiv cs.AIAI 评分3838 Abstract Compression：面向 LLM 语音识别的对话音频上下文压缩方法
一项被 IEEE SLT 2026 接收的研究提出 Abstract Compression 方法，为基于 LLM 的语音识别（ASR）压缩历史对话音频上下文。研究发现多轮监督训练后，对话上下文主要提升上下文实体的识别，但原始音频嵌入随对话长度快速增长。该方法用固定数量的潜在 token 替代先前每轮音频、同时显式保留转写文本，在域内和域外测试集上以更小的音频开销恢复了部分原始上下文条件的收益。
arXiv cs.AIAI 评分3636 WoW-Bench：用海洋哺乳动物叫声评测音频-语言模型的细粒度听觉感知
研究者提出 WoW-Bench（World-of-Whale）基准，以海洋哺乳动物叫声作为分布外声音事件，评测大型音频-语言模型（LALM）的低层听觉感知与认知，避免模型依赖对声音事件的先验知识。
arXiv cs.AIAI 评分3131 深度学习基于鼾声定位阻塞性睡眠呼吸暂停患者多 level 上气道塌陷部位
一项研究用 ResNet-50 和 Audio Spectrogram Transformer（AST）模型，基于鼾声识别阻塞性睡眠呼吸暂停（OSA）患者的多 level 上气道塌陷部位。
arXiv cs.AIAI 评分3434 ER-EDF：基于心理学的情绪调节框架，用于大音频语言模型的语音共情对话生成
ER-EDF 是一个基于心理学 Gross 扩展过程模型的共情对话框架，遵循三阶段流程：从语音识别用户情绪、匹配调节策略、再通过大音频语言模型（LALM）执行。该框架与具体模型无关，可无缝接入现有 LALM，并配套构建了口语共情对话数据集和超越词汇匹配的共情评测指标。在五个 LALM 和两个数据集上的自动与人工评估均显示其持续提升共情回复质量。
arXiv cs.AIAI 评分4646 Slots Are Not Speakers：免训练说话人链接方法突破流式说话人分离槽位上限
一项研究提出因果、免训练的链接器，让冻结的流式 diarizer（如 Streaming Sortformer）在说话人数超过 N 个输出槽位时仍能区分说话人。
arXiv cs.AIAI 评分3838 VISH-ASR：基于 Viterbi 引导的热词选择，用于 Speech-LLM 上下文 ASR
VISH 是一个无需训练、即插即用的热词预选框架，通过帧级 CTC 后验搜索直接验证候选热词的声学支持。其变体 M-VISH 在五个基准上将 Best-F1 较强学习检索基线最高提升 11.7%，并在 2,000 个候选时将候选搜索延迟降低 75.2%。Bi-MVISH 则利用反向证据增强验证的稳健性。
arXiv cs.AIAI 评分3030 SMART：基于上下文评分标准的语音识别语义分段评估框架
arXiv 论文提出 SMART，一个用于 ASR 语义可追溯评估与定向纠错的框架：它将参考与假设的差异映射为语义分段，并用上下文评分标准赋予后果标签，支持在语句、分块和词级量化 Semantic Impact Error Rate（SIER）。
arXiv cs.AIAI 评分3636 SLM-SS：基于语音语言模型的 token 化语音分离方法
研究者提出 SLM-SS，一种用语音语言模型做基于 token 的生成式语音分离框架：先用神经编解码器将语音离散化为多码本 token 序列，并通过 Serialized Output Training（SOT）序列化多说话人目标，再由编码器-解码器自回归模型预测零阶序列、非自回归模块细化高阶码本。
arXiv cs.AIAI 评分3131 AudiPsy：基于口语咨询对话的证据驱动多模态推理抑郁评估模型
研究者提出 AudiPsy，一个面向口语咨询对话抑郁评估的证据驱动 omni-LLM。其采用 Observation-Assessment-Summary（OAS）范式，整合对话转录、文本与声学情绪及情绪不一致性进行结构化推理，并构建了带多模态上下文增强的合成语料库 AudiPsy-Counsel 与三阶段课程训练。
arXiv cs.AIAI 评分3636 PW-Pruning：面向语音中心全模态模型的相位感知专家剪枝方法
arXiv 论文提出 PW-Pruning，一种在 DO-ACP 基础上扩展的相位感知专家剪枝方法，为声学输入预填充和文本答案生成阶段分别构建重要性加权核，选出单一静态专家库。
arXiv cs.AIAI 评分3939 韩国老年语音研究：用同步临床评估从认知衰退中分离抑郁语音特征
一项发表于 Interspeech 2026 的研究提出含 89 名 MCI 老年说话者、历时三年采集的韩语语音语料库，同步收集 SGDS 抑郁与 MMSE 认知评估。控制认知功能后，七个特征组中仅共振峰特征与抑郁相关，常用 F0 特征无信号。仅用 12 个特征的 F1+F2 子集达到 UAR 0.760，超过完整 eGeMAPS 基线和自监督表征。
arXiv cs.AIAI 评分4444 DIVE 基准：评估连续流中带视觉参与的全双工交互
研究者推出 DIVE 基准，用于评估多模态大语言模型在连续多模态流中的全双工交互与视觉参与能力，包含主动介入、持续参与和交互协调三大场景共六项任务，覆盖 525 个带精细人工标注的音视频样本。实验显示，主流实时模型平均响应延迟已低于 1 秒，但平均窗口响应率最高仅 53.77%，且根据新到达信息调整进行中回复仍然困难。
arXiv cs.AIAI 评分3535 DuplexLedger：全双工语音智能体事务记忆基准
研究者提出双语基准 DuplexLedger，包含 1,094 个持久会话、事件级 Write/Update/Ignore/Retain 监督和 6,564 个同会话问题，用于评测全双工语音智能体的事务记忆。
arXiv cs.AIAI 评分3636 MedPAO-Assist：可边缘部署、面向放射报告结构化的模态感知智能体 AI
研究者提出 MedPAO-Assist，一个可边缘部署的智能体框架，从放射科医生口述和语音指令直接生成结构化放射报告，仅需约 3.3 GB 峰值内存，在普通笔记本 CPU 上端到端平均延迟约 31 秒。
Hugging Face Daily PapersAI 评分4444 Qwen-Audio-3.1-ASR 技术报告
阿里千问发布 Qwen-Audio-3.1-ASR 技术报告，这是在 Qwen-Audio-3.0-ASR 基础上改进语音识别并扩展说话人分离转录与通用音频理解能力的音频语言模型系列。