SDE Universes·新思想前沿›计算机科学的其余主干
新思想前沿 · 计算机科学的其余主干

语音处理与音频智能

近二十年 · 两幕 · 20 个新思想 · 约 30,895 字 · 王德生 亲撰 · 2026 年 8 月

语音处理与音频智能近二十年的变化不应写成工具清单。真正被换掉的是评价标准：系统不再只凭单点分数、平均速度或“能运行”证明自己，而要说明在多语言语音、开放声学场景、端到端生成与身份敏感应用中，对齐、域偏移、说话人属性和伪造生成器变化怎样进入结果。上一个十年主要把旧默认拆成可测约束；这十年则经历真实部署与方法清算，要求同时报告词错率、可懂度、开放集检测和属性泄露。下面二十条均按主证据年份归幕，每条给出源行、六段证据链和可抽取的碰撞行。

【第一幕】上一个十年 · 约 2006—2016

第一幕移除帧级对齐、每人模型和手工声学管线，把时序、说话人、分离与副语言变成可学习表示。 本幕八条共同把旧默认第一次放到可测上界、误差、资源或行为证据上，并试写出可与别的领域换算的分母。

甲、连接时序分类：对齐可以被边缘化而非人工标注

提出Graves、Fernández、Gomez 与 Schmidhuber，2006年《ICML会议录》，ACM　争议或最新Hinton 等，2012年《IEEE Signal Processing Magazine》29(6):82–97　关键CTC对所有单调对齐路径求和，使模型只用输入序列与转写训练

语音识别的传统训练要求逐帧对齐：先用一套模型把音频切开、标明哪一帧对应哪个音素，模型才能学。这个前提让每一次系统改动都要重新做一遍对齐，而对齐本身的错误会被当作监督信号传下去。这条转向把对齐从待标注的东西改成待边缘化的东西——对所有单调对齐路径求和，模型只需要音频与转写文本，中间怎么对上由训练自己决定。

这条理论的可反驳命题是：CTC对所有单调对齐路径求和，使模型只用输入序列与转写训练。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“无帧对齐正确转写数／转写总数”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Graves、Fernández、Gomez 与 Schmidhuber，2006年《ICML会议录》，ACM。具体设计与读数是：CTC引入空白符并对所有与标签序列一致的帧级路径求和；训练不再需要逐帧音素边界。Graves等于2006年提出CTC，随后用于手写与语音；其条件独立假设简化解码，却限制语言依赖建模。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“平均词错率是否掩盖群体差异”。对照证据见Hinton 等，2012年《IEEE Signal Processing Magazine》29(6):82–97：典型系统使用五层、每层约2048单元的深网预测上下文相关状态，在大型词汇识别上显著压低错误率；手工高斯混合不再是默认声学模型。它显示大规模弱标签会放大采集偏差；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告在无帧对齐条件下得到的正确转写比例，并说明解码时是否引入了外部语言模型。不注明语言模型的词错率不可比，因为这条路线的收益一部分来自声学，一部分来自解码时的语言先验。同时应说明训练数据的转写质量，因为该方法把转写的错误直接吸收进模型。

与本块第五条《端到端识别》是同一方向上的两步：本条免掉了帧对齐，第五条进一步免掉了发音词典与独立语言模型。两者的共同代价是可解释性——旧系统出错时可以定位到声学、发音还是语言模块，联合模型出错时只能整体重训。**免掉的每一层人工结构，同时也免掉了一处诊断入口。**

位置S——把『连接时序分类：对齐可以被边缘化而非人工标注』形成的对象结构作为首要显露　单因决定『连接时序分类：对齐可以被边缘化而非人工标注』当前结论的最小充分项只有：CTC对所有单调对齐路径求和，使模型只用输入序列与转写训练　预设〔01 谁进入分母〕在固定语言、说话人、噪声、设备与训练数据来源后，连接时序分类对应的差异可与其他机制分离　量纲无帧对齐正确转写数／转写总数　失效失效边界是『独立数据或真实负载下效应消失，且平均词错率是否掩盖群体差异使方向反转时不成立』；越彻底的对齐边缘化使标注成本越低，但当训练转写本身带有系统性错误时，对齐自由反而使模型把错误当作可接受的对应关系学下来。自曝『连接时序分类：对齐可以被边缘化而非人工标注』的原始材料只直接支持“主证据来自Graves、Fernández、Gomez与Schmidhuber，2006年《ICML会议录》，ACM”，没有自动覆盖边界外对象　空栏『连接时序分类：对齐可以被边缘化而非人工标注』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名统计学称「对讨厌参数积分而非估计」，会计称「合并报表抵消内部往来」；另见第256号第十四条『信息抽取与结构化输出』

乙、i-vector：说话人与通道变化可以压缩为低维因子

提出Dehak 等，2011年《IEEE Transactions on Audio, Speech, and Language Processing》19(4):788–798　争议或最新Variani、Lei、McDermott、Moreno与Gonzalez-Dominguez，2014年《ICASSP会议录》:4080–4084，IEEE，页4080–4084　关键把整段语音映射到总变异空间的低维向量，再用后端区分说话人与会话

说话人识别早期依赖高维统计量：把一段语音表示成大量高斯分量的均值差，维度极高、难以比较，且录音设备与信道的变化会与说话人特征混在一起。这条转向把整段语音映射到一个低维的总变异空间——说话人差异与信道差异被压进同一组因子，再交由后端把两者分开，识别问题第一次变成了低维向量之间的比较。

这条理论的可反驳命题是：把整段语音映射到总变异空间的低维向量，再用后端区分说话人与会话。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“说话人内方差／说话人间方差”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Dehak 等，2011年《IEEE Transactions on Audio, Speech, and Language Processing》19(4):788–798。具体设计与读数是：整段语音的高维GMM超向量被压成约400维i-vector，再用后端区分说话人与通道；固定长度表示取代逐帧比对。Dehak等于2009—2011年推广i-vector；NIST说话人评测中迅速成为标准管线，但短语音与域外噪声表现受限。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“训练生成器与未知伪造是否同分布”。对照证据见Variani、Lei、McDermott、Moreno与Gonzalez-Dominguez，2014年《ICASSP会议录》:4080–4084，IEEE，页4080–4084：网络把多帧隐藏表示平均为d-vector，再以余弦相似度验证说话人；身份模型由“每人一个生成模型”转成共享判别表示和统一后端。它显示匿名化会同时损失可懂度和说话方式；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告说话人内方差与说话人间方差之比，而不是只报识别正确率。这个比值直接说明表征是否把该分开的分开了。同时应说明后端补偿方式与训练数据的信道分布，因为这条路线的性能高度依赖后端，脱离后端谈嵌入质量会得出误导性的结论。

与本块第七条《说话人嵌入》和第九条《x-vector》构成同一目标的三代方法：从生成式的因子分析，到判别式训练的隐藏层向量，再到帧级提取加统计池化。三代之间的共同点比差别更重要——**表征的好坏始终由后端与校准共同决定**，而论文习惯只报表征侧的改进。

位置D——把『i-vector：说话人与通道变化可以压缩为低维因子』中的操作次序与变化路径作为首要显露　单因决定『i-vector：说话人与通道变化可以压缩为低维因子』当前结论的最小充分项只有：把整段语音映射到总变异空间的低维向量，再用后端区分说话人与会话　预设〔01 谁进入分母〕把整段语音映射到总变异空间的低维向量，再用后端区分能够在同一预算与同一输入下被独立检验　量纲说话人内方差／说话人间方差　失效失效边界是『更换强基线、平台或人群后排序不再保持，并且尾部代价超过收益时失效』；越低的总变异维度使说话人比较越高效，但当信道变化与说话人差异被压进同一组因子时，压缩的高效反而使两者在后端难以分离。自曝『i-vector：说话人与通道变化可以压缩为低维因子』的原始材料只直接支持“主证据来自Dehak等，2011年《IEEETransactionsonAudio,Speech,andLanguageProcessing》19(”，没有自动覆盖边界外对象　空栏『i-vector：说话人与通道变化可以压缩为低维因子』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名心理测量称「共同因子与特异因子」，摄影称「白平衡与被摄物固有色」；另见第248号第十三条『流算法与草图』

丙、深网声学模型：特征工程让位于分层表示

提出Hinton 等，2012年《IEEE Signal Processing Magazine》29(6):82–97　争议或最新Graves 与 Jaitly，2014年《ICML会议录》，PMLR　关键深层网络可从上下文帧学习更具判别力的声学状态后验，并与HMM解码结合

声学建模长期建立在人工特征之上：倒谱系数、差分、归一化，一层层由研究者设计，模型只负责在给定特征上做统计。这个前提把"什么信息重要"这件事交给了人的先验。深层网络改写了这个分工——从上下文帧直接学出更有判别力的表示，特征工程整体让位于分层表示，人的角色从设计特征改成设计结构与训练方式。

这条理论的可反驳命题是：深层网络可从上下文帧学习更具判别力的声学状态后验，并与HMM解码结合。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“深网声学模型词错率／GMM-HMM词错率”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Hinton 等，2012年《IEEE Signal Processing Magazine》29(6):82–97。具体设计与读数是：典型系统使用五层、每层约2048单元的深网预测上下文相关状态，在大型词汇识别上显著压低错误率；手工高斯混合不再是默认声学模型。Hinton等2012年总结多团队结果，DNN-HMM在多套大词汇任务上超过GMM-HMM；训练数据与算力需求显著上升。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“语音嵌入是否携带不必要身份属性”。对照证据见Graves 与 Jaitly，2014年《ICML会议录》，PMLR：循环网络直接从声学帧输出字符并用CTC训练，发音词典和隐马尔可夫状态不再是必经接口；错误率成为整链联合优化读数。它显示端到端模型仍可能依赖隐含文本与语言资源；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告与传统系统在同一测试集、同一语言模型条件下的词错率之比。跨条件的比较会把解码器的差异记在声学模型账上。同时应说明训练数据量，因为这条路线的收益与数据规模强相关，小数据条件下的结论不能外推到大数据，反之亦然。

与本块第十三条《自监督对比语音》是同一逻辑向前推的两步：先是特征交给模型学，再是连标注也不必——表示可以从未转写的波形本身学出来。两步共同的方向是**人给的结构不断减少、数据与算力承担的部分不断增加**，而每退一步，可诊断性与数据依赖都会再变化一次。

位置E——把『深网声学模型：特征工程让位于分层表示』成立所需的边界环境作为首要显露　单因决定『深网声学模型：特征工程让位于分层表示』当前结论的最小充分项只有：深层网络可从上下文帧学习更具判别力的声学状态后验，并与HMM解码结合　预设〔01 谁进入分母〕比较双方对“什么算一次有效结果”使用相同分母，深网声学模型才可排序　量纲深网声学模型词错率／GMM-HMM词错率　失效失效边界是『分母改为端到端结果后优势低于测量误差，或失败样本集中于关键场景时失效』；越深的网络使声学状态的判别力越强，但当训练数据的声学条件单一时，表示能力的提高反而使模型对未见信道更加脆弱。自曝『深网声学模型：特征工程让位于分层表示』的原始材料只直接支持“主证据来自Hinton等，2012年《IEEESignalProcessingMagazine》29(6):82–97”，没有自动覆盖边界外对象　空栏『深网声学模型：特征工程让位于分层表示』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名机器视觉称「手工特征让位于学习特征」，医学称「经验诊断规则与数据驱动模型」；另见第256号第八条『分词与文本表示的底层』

丁、多语迁移：低资源语言可借共享声学结构学习

提出Veselý、Karafiát 与 Grezl，2012年《IEEE Spoken Language Technology Workshop》　争议或最新Baevski 等，2020年《Advances in Neural Information Processing Systems》33　关键共享隐藏表示、音素映射或多任务训练可把高资源语言知识迁移给低资源语言

语音技术长期按语言逐个建设：每种语言各自收集数据、各自训练，资源少的语言就只能等。这个前提假定语言之间没有可共享的结构。多语迁移否定了它——人类语音的产生机制相同，声学层面的许多结构跨语言通用，共享隐藏表示或多任务训练可以把高资源语言的知识带给低资源语言。语言之间的边界从此不再是训练的天然分界。

这条理论的可反驳命题是：共享隐藏表示、音素映射或多任务训练可把高资源语言知识迁移给低资源语言。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“低资源语言词错率降幅／迁移训练小时数”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Veselý、Karafiát 与 Grezl，2012年《IEEE Spoken Language Technology Workshop》。具体设计与读数是：多语模型共享隐藏层，只在输出层区分语言；高资源语音学到的声学结构可迁移到标注较少语言。IARPA Babel自2011年推动多语低资源评测；2010年代前半期多语DNN在少量转写条件下优于单语训练。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“自监督规模是否覆盖低资源方言”。对照证据见Baevski 等，2020年《Advances in Neural Information Processing Systems》33：模型利用约5.3万小时未转写语音预训练，在只给十分钟标注时仍能完成识别微调；标签量与原始波形量被分开计价。它显示检测器容易学习数据集伪迹而非伪造机制；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告低资源语言的词错率降幅与迁移所用的训练小时数之比，而不是只报绝对词错率。降幅相对于投入才说明迁移是否划算。同时应说明源语言的选择依据与音系距离，因为迁移收益随语系亲缘关系变化很大，笼统的"多语预训练有效"无法指导实际部署。

与本块第十六条《弱监督规模律》是同一策略的两个尺度：一个靠跨语言共享结构，一个靠超大规模弱标注覆盖多语与多口音。与第十八条《群体词错率》则形成对照——多语能力的整体提升，并不保证每一种方言与口音上的错误都下降，平均值可能掩盖特定群体的恶化。

位置D——把『多语迁移：低资源语言可借共享声学结构学习』中的操作次序与变化路径作为首要显露　单因决定『多语迁移：低资源语言可借共享声学结构学习』当前结论的最小充分项只有：共享隐藏表示、音素映射或多任务训练可把高资源语言知识迁移给低资源语言　预设〔02 单一读数代表复杂对象〕多语迁移造成的变化大于版本、样本选择和测量噪声造成的变化　量纲低资源语言词错率降幅／迁移训练小时数　失效失效边界是『控制额外信息与调参预算后读数不优于基线，且跨站点复现率低于一半时失效』；越多的源语言纳入共享训练使低资源语言收益越大，但当目标语言的音系与源语言差异过大时，共享表示反而会挤压目标语言特有的对立。自曝『多语迁移：低资源语言可借共享声学结构学习』的原始材料只直接支持“主证据来自Veselý、Karafiát与Grezl，2012年《IEEESpokenLanguageTechnologyWorkshop》”，没有自动覆盖边界外对象　空栏『多语迁移：低资源语言可借共享声学结构学习』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名教育学称「母语迁移的正负两面」，生物学称「同源结构与趋同演化」；另见第256号第七条『多语言与低资源』

戊、端到端识别：声学、发音与语言模块可以联合优化

提出Graves 与 Jaitly，2014年《ICML会议录》，PMLR　争议或最新van den Oord 等，2016年《WaveNet: A Generative Model for Raw Audio》　关键单一神经网络可从声学序列直接预测字符或子词，把整体识别损失作为训练目标

经典识别系统由三块独立部件拼成：声学模型、发音词典、语言模型，各自训练、各自调优，再在解码时组合。这个前提让每一块都可以被单独理解，也让整体最优被拆成三个局部最优。这条转向把三块合成一个网络，从声学序列直接预测字符或子词，训练目标就是最终要的那个识别损失，接口不再由人规定而由训练学出。

这条理论的可反驳命题是：单一神经网络可从声学序列直接预测字符或子词，把整体识别损失作为训练目标。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“端到端词错率／模块化系统词错率”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Graves 与 Jaitly，2014年《ICML会议录》，PMLR。具体设计与读数是：循环网络直接从声学帧输出字符并用CTC训练，发音词典和隐马尔可夫状态不再是必经接口；错误率成为整链联合优化读数。Deep Speech与Listen, Attend and Spell在2014—2015年展示端到端系统；简化管线的同时，需要大数据且早期流式与可控性较弱。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“低延迟因果模型是否牺牲远程上下文”。对照证据见van den Oord 等，2016年《WaveNet: A Generative Model for Raw Audio》：扩张因果卷积逐样本生成16千赫甚至更高采样率波形；每秒需顺序产生上万采样点，质量提升同时暴露推理成本。它显示神经编解码在极端网络条件下可能失效；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告端到端系统与模块化系统在同等数据与同等解码条件下的词错率之比。端到端的收益随数据规模变化极大，缺了数据条件的对比没有意义。同时应说明罕见词与专有名词的表现，因为发音词典的取消恰恰在这一类词上代价最明显。

与本块第一条《连接时序分类》是同一方向的两步，与第十一条《流式转导》则是一处约束：端到端模型天然倾向于看完整句再输出，而实时应用要求不看未来帧。三条一起说明，这条路线上真正的设计变量不是"端到端与否"，而是**允许模型看到多少未来、以及为此付出多少延迟**。

位置E——把『端到端识别：声学、发音与语言模块可以联合优化』成立所需的边界环境作为首要显露　单因决定『端到端识别：声学、发音与语言模块可以联合优化』当前结论的最小充分项只有：单一神经网络可从声学序列直接预测字符或子词，把整体识别损失作为训练目标　预设〔02 单一读数代表复杂对象〕在固定语言、说话人、噪声、设备与训练数据来源后，端到端识别对应的差异可与其他机制分离　量纲端到端词错率／模块化系统词错率　失效失效边界是『独立数据或真实负载下效应消失，且低延迟因果模型是否牺牲远程上下文使方向反转时不成立』；越彻底的联合优化使整体识别损失越低，但当训练数据不足以覆盖罕见词与专名时，模块取消反而使这类词的错误率显著上升。自曝『端到端识别：声学、发音与语言模块可以联合优化』的原始材料只直接支持“DeepSpeech与Listen,AttendandSpell在2014—2015年展示端到端系统”，没有自动覆盖边界外对象　空栏『端到端识别：声学、发音与语言模块可以联合优化』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名制造业称「一体成型与分件装配」，医学称「综合诊疗与专科分治」；另见第249号第三条『验证编译器』

己、时频掩蔽：语音分离可以转成监督分类

提出Wang与Wang，2013年《IEEE/ACM Transactions on Audio, Speech, and Language Processing》21(7):1381–1390　争议或最新Schuller 等，2009年起《INTERSPEECH Computational Paralinguistics Challenge》，页2009–2016　关键模型可以在时频单元上预测目标归属或理想掩蔽，把连续波形分离转成可监督的局部判别问题

语音分离长期被当作信号处理问题：用统计独立性或空间信息把混合波形拆开，方法优雅但对说话人数与麦克风配置有严格要求。这条转向把它改写成监督学习问题——在时频单元上预测每个单元属于哪个声源或该乘上多少掩蔽值，连续的波形分离由此变成可以逐单元监督的局部判别问题，训练数据可以人工混合大量生成。

这条理论的可反驳命题是：模型可以在时频单元上预测目标归属或理想掩蔽，把连续波形分离转成可监督的局部判别问题。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“正确掩蔽时频单元数／时频单元总数”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。

主证据来自Wang与Wang，2013年《IEEE/ACM Transactions on Audio, Speech, and Language Processing》21(7):1381–1390。具体设计与读数是：方法在时频单元上估计理想二值掩蔽并重建目标语音；分离质量由掩蔽分类误差直接解释，而不再只靠无监督独立性假设。Wang与Wang于2013年用监督分类估计理想二值掩蔽，证明语音可懂度可由时频归属学习显著改善，同时也暴露训练说话人与真实混合不匹。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“平均词错率是否掩盖群体差异”。对照证据见Schuller 等，2009年起《INTERSPEECH Computational Paralinguistics Challenge》，页2009–2016：挑战把情绪、年龄、认知负荷、病理等任务分开给出统一训练集和未见测试集；副语言信息第一次有可重复的年度基准。它显示大规模弱标签会放大采集偏差；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告正确掩蔽的时频单元比例与感知质量指标，并说明测试混合是否与训练混合同源。人工混合的训练集与真实录音之间存在明显差距，只在同源数据上评测会大幅高估性能。同时应说明说话人数是否已知——这个条件的强弱决定了方法的实用范围。

与本块第十七条《神经音频编解码》共享同一个空间的两种用法：一个在时频域做归属判别，一个把音频压成离散符号供生成与理解共用。两条一起看得出本领域一个安静的变化——**音频的中间表示正在从人定义的时频格点，转向由模型学出的离散单位**，而后者的可解释性和可编辑性都还是开放问题。

位置S——把『时频掩蔽：语音分离可以转成监督分类』形成的对象结构作为首要显露　单因决定『时频掩蔽：语音分离可以转成监督分类』当前结论的最小充分项只有：模型可以在时频单元上预测目标归属或理想掩蔽，把连续波形分离转成可监督的局部判别问题　预设〔02 单一读数代表复杂对象〕模型可以在时频单元上预测目标归属或理想掩蔽，把连续能够在同一预算与同一输入下被独立检验　量纲正确掩蔽时频单元数／时频单元总数　失效失效边界是『更换强基线、平台或人群后排序不再保持，并且尾部代价超过收益时失效』；越精细的时频掩蔽使分离后的信号越干净，但当掩蔽在重叠严重的单元上强行归属时，精细度的提高反而引入可听的伪影。自曝『时频掩蔽：语音分离可以转成监督分类』的原始材料只直接支持“主证据来自Wang与Wang，2013年《IEEE/ACMTransactionsonAudio,Speech,andLanguageProcess”，没有自动覆盖边界外对象　空栏『时频掩蔽：语音分离可以转成监督分类』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名图像处理称「逐像素分割而非整体轮廓」，会计称「共同费用的分摊规则」；另见第254号第三条『学习式降噪与超分』

庚、说话人嵌入：验证可以由判别网络给向量

提出Variani、Lei、McDermott、Moreno与Gonzalez-Dominguez，2014年《ICASSP会议录》:4080–4084，IEEE，页4080–4084　争议或最新Snyder 等，2018年《ICASSP会议录》，IEEE　关键判别网络的隐藏层可以产生固定维向量，使未见说话人的验证转成向量距离与后端校准问题

说话人验证的经典做法是为每个说话人建一个模型，再拿测试语音去算似然。这个前提要求为未见说话人现场建模，注册成本高且难以规模化。这条转向把判别网络的隐藏层直接当作说话人表征——网络在训练集上学会区分说话人，其内部向量对未见说话人同样有效，验证于是变成向量距离加后端校准的问题。

这条理论的可反驳命题是：判别网络的隐藏层可以产生固定维向量，使未见说话人的验证转成向量距离与后端校准问题。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“目标说话人验证正确数／验证试次总数”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。

主证据来自Variani、Lei、McDermott、Moreno与Gonzalez-Dominguez，2014年《ICASSP会议录》:4080–4084，IEEE，页4080–4084。具体设计与读数是：网络把多帧隐藏表示平均为d-vector，再以余弦相似度验证说话人；身份模型由“每人一个生成模型”转成共享判别表示和统一后端。Variani等于2014年提出d-vector并在文本相关验证中比较余弦后端；它为后来的x-vector铺路，也显示短语、通道和训练说话人覆盖会改变阈值。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“训练生成器与未知伪造是否同分布”。对照证据见Snyder 等，2018年《ICASSP会议录》，IEEE：TDNN经统计池化把任意时长语音压成固定512维嵌入，并用说话人分类目标训练；表示不再依赖无监督因子分析。它显示匿名化会同时损失可懂度和说话方式；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告验证正确数与试次总数，并给出等错误率与工作点。只报准确率而不给工作点，在验证任务里几乎没有信息量，因为不同应用对误接受与误拒绝的容忍度差别极大。同时应说明注册语音的时长，这一项对性能的影响常常大于模型结构。

与本块第二条《i-vector》和第九条《x-vector》是同一条演进线，与第二十条《表征隐私》则是能力与其副作用：一个能对未见说话人稳定生成身份向量的表征，同时也意味着任何使用该表征的系统都在无意中携带身份信息。**这条线的能力越强，隐私侧的问题就越尖锐**，两者不可分开评估。

位置E——把『说话人嵌入：验证可以由判别网络给向量』成立所需的边界环境作为首要显露　单因决定『说话人嵌入：验证可以由判别网络给向量』当前结论的最小充分项只有：判别网络的隐藏层可以产生固定维向量，使未见说话人的验证转成向量距离与后端校准问题　预设〔03 相关方向等同因果方向〕比较双方对“什么算一次有效结果”使用相同分母，说话人嵌入才可排序　量纲目标说话人验证正确数／验证试次总数　失效失效边界是『分母改为端到端结果后优势低于测量误差，或失败样本集中于关键场景时失效』；越强的判别训练使未见说话人的验证越准确，但当训练集的人口分布偏窄时，判别能力的提高反而使分布外群体的错误率上升。自曝『说话人嵌入：验证可以由判别网络给向量』的原始材料只直接支持“主证据来自Variani、Lei、McDermott、Moreno与Gonzalez-Dominguez，2014年《ICASSP会议录》:4080”，没有自动覆盖边界外对象　空栏『说话人嵌入：验证可以由判别网络给向量』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名安防称「一人一档与通用比对模型」，金融称「统一风控模型与逐户授信」；另见第538号第戊条『GenderShades：总体准确率被交叉群体误差击穿』

辛、副语言基准化：声音中的身份、情绪和状态应单独测量

提出Schuller 等，2009年起《INTERSPEECH Computational Paralinguistics Challenge》，页2009–2016　争议或最新Gemmeke 等，2017年《ICASSP会议录》，IEEE　关键情绪、年龄、健康与互动状态可从声音中预测，但需跨语料和说话人验证

从声音里读出说话人的情绪、年龄或健康状态，长期停在个案演示：某个语料上准确率很高，被当作能力已经具备。这个前提忽略了这类标签本身的构念问题——情绪由谁标注、在什么情境下、跨语言是否可比，都会改变结论。这条转向把副语言能力放进公开的、逐年更新的基准中单独测量，要求跨语料与跨说话人验证。

这条理论的可反驳命题是：情绪、年龄、健康与互动状态可从声音中预测，但需跨语料和说话人验证。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“正确副语言标签数／语音片段总数”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Schuller 等，2009年起《INTERSPEECH Computational Paralinguistics Challenge》，页2009–2016。具体设计与读数是：挑战把情绪、年龄、认知负荷、病理等任务分开给出统一训练集和未见测试集；副语言信息第一次有可重复的年度基准。INTERSPEECH Computational Paralinguistics Challenge自2009年起建立年度任务；跨数据库性能显著下降，提醒标签与文化依赖。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“语音嵌入是否携带不必要身份属性”。对照证据见Gemmeke 等，2017年《ICASSP会议录》，IEEE：AudioSet含2,084,320个十秒YouTube片段和527类声音事件；音频智能的对象从语音、音乐扩大到开放声景。它显示端到端模型仍可能依赖隐含文本与语言资源；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告跨语料条件下的正确标签比例，而不是同语料交叉验证的结果。后者极易因为说话人重叠而虚高。同时应说明标签的获取方式与标注者一致性，因为在情绪与健康这类任务上，标注一致性往往才是性能的实际上限。

与本块第十八条《群体词错率》和第二十条《表征隐私》构成一组连带的伦理问题：能从声音推断状态的能力，一旦嵌入通用表征，就会在使用者毫不知情的情况下被携带与使用。三条合起来的判断是——**语音技术的每一项新能力，都同时是一项新的推断风险**，而后者从不会自动出现在主任务的评测表里。

位置S——把『副语言基准化：声音中的身份、情绪和状态应单独测量』形成的对象结构作为首要显露　单因决定『副语言基准化：声音中的身份、情绪和状态应单独测量』当前结论的最小充分项只有：情绪、年龄、健康与互动状态可从声音中预测，但需跨语料和说话人验证　预设〔03 相关方向等同因果方向〕副语言基准化造成的变化大于版本、样本选择和测量噪声造成的变化　量纲正确副语言标签数／语音片段总数　失效失效边界是『控制额外信息与调参预算后读数不优于基线，且跨站点复现率低于一半时失效』；越标准化的副语言基准使不同方法越可比，但当标签构念本身在跨文化条件下不稳定时，比较的严格反而掩盖了被测对象并不相同的事实。自曝『副语言基准化：声音中的身份、情绪和状态应单独测量』的原始材料只直接支持“主证据来自Schuller等，2009年起《INTERSPEECHComputationalParalinguisticsChallenge》，页2”，没有自动覆盖边界外对象　空栏『副语言基准化：声音中的身份、情绪和状态应单独测量』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名心理学称「情绪测量的文化效度」，医学称「自评量表的跨人群可比性」；另见第253号第十三条『自我追踪与健康数据』
【第二幕】这十年 · 约 2016—2026

第二幕以自监督、流式端到端和大规模音频扩展能力，同时遭遇群体差距、深伪开放集与表征隐私清算。 本幕十二条更关注部署、公开清算与方法自审，尤其要求把平均分数换成分布、边界、长期读数和责任链。

一、x-vector：说话人表征应由判别训练生成

提出Snyder 等，2018年《ICASSP会议录》，IEEE　争议或最新Koenecke 等，2020年《Proceedings of the National Academy of Sciences》117(14):7684–7689　关键用深层网络在帧级提取、统计池化并以说话人分类训练，可得到可迁移嵌入

说话人表征的上一代方法建立在生成式的因子分析上：先假定一套统计结构，再估计参数。这个前提让表征的质量受限于假设是否成立。这条转向把生成式换成判别式——网络在帧级提取特征、做统计池化、以说话人分类为目标训练，得到的中间向量对未见说话人同样可迁移。表征不再由假设推出，而是由任务逼出来。

这条理论的可反驳命题是：用深层网络在帧级提取、统计池化并以说话人分类训练，可得到可迁移嵌入。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“同说话人嵌入距离／异说话人嵌入距离”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Snyder 等，2018年《ICASSP会议录》，IEEE。具体设计与读数是：TDNN经统计池化把任意时长语音压成固定512维嵌入，并用说话人分类目标训练；表示不再依赖无监督因子分析。Snyder等于2017—2018年提出x-vector并在NIST评测中成为强基线；后端校准与域失配仍决定实际错误率。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“自监督规模是否覆盖低资源方言”。对照证据见Koenecke 等，2020年《Proceedings of the National Academy of Sciences》117(14):7684–7689：五家商业系统对黑人说话者的平均词错率为19.1%，对白人说话者为8.5%；总体WER掩盖了超过两倍的群体差距。它显示检测器容易学习数据集伪迹而非伪造机制；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告同说话人嵌入距离与异说话人嵌入距离之比，并给出短语音条件下的表现。真实应用里最难的是几秒钟的短语音，而论文常在长语音上报告结果。同时应说明训练集的说话人数量与每人时长，因为这条路线的能力上限主要由这两项决定。

与本块第十三条《自监督对比语音》在方法论上正面相接：判别训练需要说话人标签，自监督则不需要任何标签。当自监督表示在下游同样能分辨说话人时，就说明身份信息是波形里的一种自然结构——**这既是能力的来源，也正是第二十条要处理的隐私问题的根源**。

位置D——把『x-vector：说话人表征应由判别训练生成』中的操作次序与变化路径作为首要显露　单因决定『x-vector：说话人表征应由判别训练生成』当前结论的最小充分项只有：用深层网络在帧级提取、统计池化并以说话人分类训练，可得到可迁移嵌入　预设〔03 相关方向等同因果方向〕在固定语言、说话人、噪声、设备与训练数据来源后，x-vector对应的差异可与其他机制分离　量纲同说话人嵌入距离／异说话人嵌入距离　失效失效边界是『独立数据或真实负载下效应消失，且自监督规模是否覆盖低资源方言使方向反转时不成立』；越强的说话人判别目标使嵌入的身份区分度越高，但当嵌入被用于内容相关任务时，身份信息的富集反而成为需要额外剥离的干扰。自曝『x-vector：说话人表征应由判别训练生成』的原始材料只直接支持“Snyder等于2017—2018年提出x-vector并在NIST评测中成为强基线”，没有自动覆盖边界外对象　空栏『x-vector：说话人表征应由判别训练生成』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名生物识别称「特征模板的可迁移性」，档案学称「索引项与被索引内容的分离」；另见第248号第十二条『差分隐私算法的部署』

二、端到端语音合成：文本、声学与波形模块可以学习接口

提出Wang 等，2017年《Interspeech会议录》中的Tacotron工作　争议或最新Défossez 等，2022年《High Fidelity Neural Audio Compression》　关键序列到序列模型可从文本生成梅尔谱，再由神经声码器生成波形

语音合成的传统流水线由文本分析、时长模型、声学模型与声码器串成，每一段都要专门的语言学知识与人工规则。这个前提让高质量合成的门槛集中在少数团队手里。这条转向把接口交给模型学：序列到序列模型从文本直接生成声学表示，再由神经声码器还原波形，中间的语言学模块被整体吸收进网络。

这条理论的可反驳命题是：序列到序列模型可从文本生成梅尔谱，再由神经声码器生成波形。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“合成语音主观自然度／真实语音自然度”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Wang 等，2017年《Interspeech会议录》中的Tacotron工作。具体设计与读数是：Tacotron从字符直接预测约80维梅尔频谱，再交给声码器；文本分析、时长和声学模块的手工接口被联合注意力替代。Tacotron于2017年、Tacotron 2于2018年前后展示高自然度合成；注意力失稳会导致漏读、重复与长文本失败。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“低延迟因果模型是否牺牲远程上下文”。对照证据见Défossez 等，2022年《High Fidelity Neural Audio Compression》：EnCodec在24千赫音频上提供1.5、3、6、12与24 kbps等多档码率；离散压缩码随后可被生成模型和理解模型共同使用。它显示神经编解码在极端网络条件下可能失效；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告主观自然度与真实语音的对照，并说明评测的听音人数与母语背景。合成质量在客观指标上早已接近饱和，唯一有区分度的读数是受控的主观测评。同时应说明韵律控制能力——自然度接近真实并不意味着可控，而可控性正是产品化的关键。

与本块第十九条《合成语音开放集检测》构成同一技术的两面：合成越自然，检测越难，而检测器面对的又是不断更新的生成器。两条放在一起才看得清这个领域的处境——**生成侧的每一次进步，都自动成为检测侧的一次退步**，且这种不对称不会因为检测方法改进而消失。

位置S——把『端到端语音合成：文本、声学与波形模块可以学习接口』形成的对象结构作为首要显露　单因决定『端到端语音合成：文本、声学与波形模块可以学习接口』当前结论的最小充分项只有：序列到序列模型可从文本生成梅尔谱，再由神经声码器生成波形　预设〔04 尺度迁移不改变结论〕序列到序列模型可从文本生成梅尔谱，再由神经声码器生能够在同一预算与同一输入下被独立检验　量纲合成语音主观自然度／真实语音自然度　失效失效边界是『更换强基线、平台或人群后排序不再保持，并且尾部代价超过收益时失效』；越自然的端到端合成使听感越接近真人，但当韵律与情感缺乏显式控制接口时，自然度的提高反而使产出难以按需要调整。自曝『端到端语音合成：文本、声学与波形模块可以学习接口』的原始材料只直接支持“主证据来自Wang等，2017年《Interspeech会议录》中的Tacotron工作”，没有自动覆盖边界外对象　空栏『端到端语音合成：文本、声学与波形模块可以学习接口』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名印刷业称「排版规则让位于所见即所得」，绘画称「写实度与可控性并非一回事」；另见第254号第八条『生成式三维内容』

三、流式转导：低延迟识别需要因果联合模型

提出van den Oord 等，2016年《WaveNet: A Generative Model for Raw Audio》　争议或最新Graves、Fernández、Gomez 与 Schmidhuber，2006年《ICML会议录》，ACM　关键RNN-T等模型联合编码声学历史与输出历史，在不看未来帧时增量解码

端到端识别的自然形态是看完整段再输出：模型可以自由使用未来帧，性能因此更好。这个前提对离线转写成立，对实时字幕、语音助手与会议系统不成立——用户等的是当下这一句。这条转向要求模型在因果条件下工作：联合编码声学历史与已输出的文本历史，在不看未来的前提下增量解码，延迟成为与准确率并列的一等指标。

这条理论的可反驳命题是：RNN-T等模型联合编码声学历史与输出历史，在不看未来帧时增量解码。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“流式处理延迟／音频时长”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自van den Oord 等，2016年《WaveNet: A Generative Model for Raw Audio》。具体设计与读数是：扩张因果卷积逐样本生成16千赫甚至更高采样率波形；每秒需顺序产生上万采样点，质量提升同时暴露推理成本。2018年后RNN-T进入大规模流式识别；低延迟与准确率、设备计算和端点检测之间仍需权衡。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“平均词错率是否掩盖群体差异”。对照证据见Graves、Fernández、Gomez 与 Schmidhuber，2006年《ICML会议录》，ACM：CTC引入空白符并对所有与标签序列一致的帧级路径求和；训练不再需要逐帧音素边界。它显示大规模弱标签会放大采集偏差；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告流式处理延迟与音频时长之比，并说明允许的右向上下文长度。不注明右上下文的流式结果不可比，因为多看几百毫秒就能显著改善准确率。同时应报告首字延迟与尾句确认延迟，两者的体验含义完全不同，平均延迟会把它们抹平。

与本块第五条《端到端识别》是同一模型族的两种约束条件，也构成本块一处最清晰的取舍：**准确率与延迟之间的交换率，是这条线上真正的设计参数**。任何只报词错率的流式系统对比都是不完整的，正如任何只报延迟而不报错误率的对比一样。

位置D——把『流式转导：低延迟识别需要因果联合模型』中的操作次序与变化路径作为首要显露　单因决定『流式转导：低延迟识别需要因果联合模型』当前结论的最小充分项只有：RNN-T等模型联合编码声学历史与输出历史，在不看未来帧时增量解码　预设〔04 尺度迁移不改变结论〕比较双方对“什么算一次有效结果”使用相同分母，流式转导才可排序　量纲流式处理延迟／音频时长　失效当分母改为端到端结果后优势低于测量误差，或失败样本集中于关键场景时失效；越长的右向上下文使流式识别越准确，但当等待未来帧的时间超过交互可接受范围时，准确率的提高反而使系统在实时场景中不可用。自曝『流式转导：低延迟识别需要因果联合模型』的原始材料只直接支持“主证据来自vandenOord等，2016年《WaveNet:AGenerativeModelforRawAudio》”，没有自动覆盖边界外对象　空栏『流式转导：低延迟识别需要因果联合模型』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名新闻业称「抢时效与等核实」，交通称「实时导航与事后最优路径」；另见第252号第一条『传输协议进入用户态』

四、AudioSet转向：音频智能不应只围绕语音和音乐

提出Gemmeke 等，2017年《ICASSP会议录》，IEEE　争议或最新Gulati 等，2020年《Interspeech会议录》:5036–5040，页5036–5040　关键大规模弱标注声音事件本体能训练跨场景表示，评价对象扩展到环境与事件

音频研究长期围绕两类信号展开：语音与音乐，二者有成熟的任务、语料与评价体系。这个前提把日常声学环境——门铃、警报、机械噪声、动物叫声——排除在研究对象之外。这条转向用大规模弱标注的声音事件本体把评价对象整体扩展开来，音频智能从"听懂人说什么"扩展到"知道周围在发生什么"。

这条理论的可反驳命题是：大规模弱标注声音事件本体能训练跨场景表示，评价对象扩展到环境与事件。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“正确声事件标签数／事件片段总数”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Gemmeke 等，2017年《ICASSP会议录》，IEEE。具体设计与读数是：AudioSet含2,084,320个十秒YouTube片段和527类声音事件；音频智能的对象从语音、音乐扩大到开放声景。Google于2017年发布AudioSet，含数百万段视频音频与数百类事件；标签噪声和视频来源偏差成为新问题。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“训练生成器与未知伪造是否同分布”。对照证据见Gulati 等，2020年《Interspeech会议录》:5036–5040，页5036–5040：每个块同时含自注意力与卷积模块，分别处理长程关系和局部声学模式；仅靠全局注意或仅靠卷积都成为可比较消融。它显示匿名化会同时损失可懂度和说话方式；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告正确声事件标签数与片段总数，并说明标签的弱监督程度——是片段级还是时间定位级。两者的难度差别巨大，混着报会严重高估定位能力。同时应说明类别不均衡的处理方式，因为环境声事件的长尾极长，总体准确率几乎完全由头部类别决定。

与本块第十六条《弱监督规模律》共享同一种方法论姿态：接受标签不完美，用规模与多样性换取覆盖。差别在于本条的标签噪声主要来自类别定义本身模糊——"什么算一次敲击声"没有客观答案。这提示了一条更一般的判断：**当标签的构念不清时，扩大规模只能提高一致性，不能提高效度。**

位置E——把『AudioSet转向：音频智能不应只围绕语音和音乐』成立所需的边界环境作为首要显露　单因决定『AudioSet转向：音频智能不应只围绕语音和音乐』当前结论的最小充分项只有：大规模弱标注声音事件本体能训练跨场景表示，评价对象扩展到环境与事件　预设〔04 尺度迁移不改变结论〕AudioSet转向造成的变化大于版本、样本选择和测量噪声造成的变化　量纲正确声事件标签数／事件片段总数　失效当控制额外信息与调参预算后读数不优于基线，且跨站点复现率低于一半时失效；越大的声音事件本体使覆盖的场景越广，但当类别边界本身模糊时，本体的扩展反而使标注一致性与评测可信度同时下降。自曝『AudioSet转向：音频智能不应只围绕语音和音乐』的原始材料只直接支持“Google于2017年发布AudioSet，含数百万段视频音频与数百类事件”，没有自动覆盖边界外对象　空栏『AudioSet转向：音频智能不应只围绕语音和音乐』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名生物学称「物种界定影响多样性统计」，图书馆学称「分类体系决定可检索性」；另见第250号第十一条『多模与图查询语言』

五、自监督对比语音：未转写波形本身可以提供预训练信号

提出Baevski 等，2020年《Advances in Neural Information Processing Systems》33　争议或最新Hsu 等，2021年《IEEE/ACM Transactions on Audio, Speech, and Language Processing》29:3451–3460　关键遮蔽声学片段并区分正确潜在单位，可从海量无标注语音学习表示，再用少量标签微调

语音模型的训练长期被转写数据的规模卡住：标注一小时语音需要数小时人工，低资源语言与专业领域因此长期没有可用系统。这个前提假定监督信号只能来自转写。这条转向证明波形自身就携带足够的结构——遮蔽一段声学片段、让模型在若干候选中区分出正确的潜在单位，海量未转写语音由此变成可用的预训练信号，转写只在微调阶段少量使用。

这条理论的可反驳命题是：遮蔽声学片段并区分正确潜在单位，可从海量无标注语音学习表示，再用少量标签微调。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“每小时标注语音带来的词错率下降／基线词错率”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Baevski 等，2020年《Advances in Neural Information Processing Systems》33。具体设计与读数是：模型利用约5.3万小时未转写语音预训练，在只给十分钟标注时仍能完成识别微调；标签量与原始波形量被分开计价。wav2vec 2.0于2020年在低标注LibriSpeech设置显著降低词错率；对语言、口音与录音域的迁移并不均匀。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“语音嵌入是否携带不必要身份属性”。对照证据见Hsu 等，2021年《IEEE/ACM Transactions on Audio, Speech, and Language Processing》29:3451–3460：HuBERT先聚类产生离散隐藏单元，再遮蔽预测这些单元，并在约六万小时语音上迭代；目标函数不需要显式负样本。它显示端到端模型仍可能依赖隐含文本与语言资源；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告每小时标注语音所带来的词错率下降，而不是只报最终词错率。这条路线的全部价值在于标注效率，脱离标注量的绝对性能无法说明问题。同时应说明预训练语音的语言与领域分布，因为下游收益随分布匹配程度变化剧烈。

与本块第十四条《隐单元预测》是同一目标的两种实现，与第三条《深网声学模型》则构成同一条长线的两步：先是特征交给模型学，再是连标注也可以省。**人给的结构在这条线上退了两次**，每退一次，数据规模与算力的分量就重一次，而对训练语料构成的依赖也深一层。

位置D——把『自监督对比语音：未转写波形本身可以提供预训练信号』中的操作次序与变化路径作为首要显露　单因决定『自监督对比语音：未转写波形本身可以提供预训练信号』当前结论的最小充分项只有：遮蔽声学片段并区分正确潜在单位，可从海量无标注语音学习表示，再用少量标签微调　预设〔05 观测与干预不回写对象〕在固定语言、说话人、噪声、设备与训练数据来源后，自监督对比语音对应的差异可与其他机制分离　量纲每小时标注语音带来的词错率下降／基线词错率　失效当独立数据或真实负载下效应消失，且语音嵌入是否携带不必要身份属性使方向反转时不成立；越多的无标注预训练语音使下游标注需求越低，但当预训练语料的领域与目标场景相差过远时，标注效率的提高反而无法转化为实际错误率下降。自曝『自监督对比语音：未转写波形本身可以提供预训练信号』的原始材料只直接支持“主证据来自Baevski等，2020年《AdvancesinNeuralInformationProcessingSystems》33”，没有自动覆盖边界外对象　空栏『自监督对比语音：未转写波形本身可以提供预训练信号』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名教育学称「大量输入先于产出训练」，地质勘探称「区域普查降低钻探成本」；另见第256号第二条『上下文学习』

六、隐单元预测：自监督目标不必依赖负样本

提出Hsu 等，2021年《IEEE/ACM Transactions on Audio, Speech, and Language Processing》29:3451–3460　争议或最新Radford 等，2022年《Robust Speech Recognition via Large-Scale Weak Supervision》　关键先聚类产生伪离散单位，再预测被遮蔽单位，可迭代改善表征

对比式自监督依赖负样本：要判断哪个是正确的潜在单位，就得准备一批错误的作对照，负样本的选择与数量直接影响效果，也带来相当的工程复杂度。这条转向换了个路子——先对表示做聚类，产生一组伪离散单位当作目标，再预测被遮蔽位置上的单位；训练变成分类而不是对比，且聚类可以随表示改善而迭代重做。

这条理论的可反驳命题是：先聚类产生伪离散单位，再预测被遮蔽单位，可迭代改善表征。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“正确隐单元预测数／被掩蔽单元数”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Hsu 等，2021年《IEEE/ACM Transactions on Audio, Speech, and Language Processing》29:3451–3460。具体设计与读数是：HuBERT先聚类产生离散隐藏单元，再遮蔽预测这些单元，并在约六万小时语音上迭代；目标函数不需要显式负样本。HuBERT于2021年展示该机制，在多种标注规模下形成强结果；聚类单位是否对应语言结构仍有争议。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“自监督规模是否覆盖低资源方言”。对照证据见Radford 等，2022年《Robust Speech Recognition via Large-Scale Weak Supervision》：Whisper以约68万小时多语、多任务弱标注音频训练；规模和来源多样性部分抵消转写噪声，但不能消除语言覆盖差异。它显示检测器容易学习数据集伪迹而非伪造机制；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告被掩蔽单元的预测正确率，并说明聚类的粒度与迭代轮数。这两项决定了伪标签的质量，也决定了这套自举过程会收敛还是漂移。同时应说明离散单位与音素的对应程度——对应越好，下游任务越省力，但这一点并不自动成立。

与本块第十三条《自监督对比语音》是同族方法的两种目标函数，与第十七条《神经音频编解码》则共享同一个走向：**连续音频正在被反复地离散化**——一次为了自监督目标，一次为了压缩与生成。两条路上产生的离散单位是否是同一种东西，目前并没有定论，而这正是这个方向上值得盯的地方。

位置E——把『隐单元预测：自监督目标不必依赖负样本』成立所需的边界环境作为首要显露　单因决定『隐单元预测：自监督目标不必依赖负样本』当前结论的最小充分项只有：先聚类产生伪离散单位，再预测被遮蔽单位，可迭代改善表征　预设〔05 观测与干预不回写对象〕先聚类产生伪离散单位，再预测被遮蔽单位，可迭代改善表能够在同一预算与同一输入下被独立检验　量纲正确隐单元预测数／被掩蔽单元数　失效当更换强基线、平台或人群后排序不再保持，并且尾部代价超过收益时失效；越细的伪离散单位使掩蔽预测越精确，但当聚类粒度细到区分录音条件而非语音内容时，预测的精确反而使表示学到的是信道而不是语言。自曝『隐单元预测：自监督目标不必依赖负样本』的原始材料只直接支持“主证据来自Hsu等，2021年《IEEE/ACMTransactionsonAudio,Speech,andLanguageProcessing》2”，没有自动覆盖边界外对象　空栏『隐单元预测：自监督目标不必依赖负样本』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名语言学称「音位切分先于语法分析」，考古学称「类型学分期的自我循环风险」；另见第256号第八条『分词与文本表示的底层』

七、卷积增强Transformer：局部声学与长程依赖必须并存

提出Gulati 等，2020年《Interspeech会议录》:5036–5040，页5036–5040　争议或最新Wang与Wang，2013年《IEEE/ACM Transactions on Audio, Speech, and Language Processing》21(7):1381–1390　关键Conformer把卷积局部模式与自注意力全局上下文组合，适应音素细节和长句依赖

序列建模在语音上一度形成两派：卷积擅长捕捉局部声学模式，自注意力擅长长程依赖，各自都有明显短板。这个前提把两者当成互斥的选择。这条转向指出语音恰恰同时需要两者——音素级细节是局部的，句法与语义约束是长程的，把卷积模块嵌进注意力结构里，两种尺度可以在同一层内并存。

这条理论的可反驳命题是：Conformer把卷积局部模式与自注意力全局上下文组合，适应音素细节和长句依赖。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“Conformer词错率／纯卷积或纯注意基线词错率”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Gulati 等，2020年《Interspeech会议录》:5036–5040，页5036–5040。具体设计与读数是：每个块同时含自注意力与卷积模块，分别处理长程关系和局部声学模式；仅靠全局注意或仅靠卷积都成为可比较消融。Gulati等于2020年在LibriSpeech上报告优于多种Transformer基线；模型体量和流式改造增加部署成本。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“低延迟因果模型是否牺牲远程上下文”。对照证据见Wang与Wang，2013年《IEEE/ACM Transactions on Audio, Speech, and Language Processing》21(7):1381–1390：方法在时频单元上估计理想二值掩蔽并重建目标语音；分离质量由掩蔽分类误差直接解释，而不再只靠无监督独立性假设。它显示神经编解码在极端网络条件下可能失效；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告与纯卷积、纯注意力基线在同等参数量与同等数据下的词错率之比。结构改进最容易被参数量增加的收益掩盖，不控制这两项的对比无法归因。同时应说明推理开销，因为混合结构的收益常常伴随延迟上升，而这在流式场景中直接决定可用性。

与本块第十一条《流式转导》构成一处实际约束：注意力机制天然需要看全局，而流式要求因果。混合结构如何在保留长程建模的同时满足因果约束，是这两条交叉处的真问题；**只报离线词错率的结构改进，很可能在流式条件下完全无法复现。**

位置S——把『卷积增强Transformer：局部声学与长程依赖必须并存』形成的对象结构作为首要显露　单因决定『卷积增强Transformer：局部声学与长程依赖必须并存』当前结论的最小充分项只有：Conformer把卷积局部模式与自注意力全局上下文组合，适应音素细节和长句依赖　预设〔05 观测与干预不回写对象〕比较双方对“什么算一次有效结果”使用相同分母，卷积增强Transformer才可排序　量纲Conformer词错率／纯卷积或纯注意基线词错率　失效当分母改为端到端结果后优势低于测量误差，或失败样本集中于关键场景时失效；越强的长程建模能力使长句依赖处理得越好，但当结构复杂度推高推理延迟时，建模能力的提高反而在实时任务上被延迟约束抵消。自曝『卷积增强Transformer：局部声学与长程依赖必须并存』的原始材料只直接支持“主证据来自Gulati等，2020年《Interspeech会议录》:5036–5040，页5036–5040”，没有自动覆盖边界外对象　空栏『卷积增强Transformer：局部声学与长程依赖必须并存』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名建筑学称「近观细部与整体体量并重」，管弦乐称「声部细节与整体织体」；另见第254号第十一条『物理仿真的实时化与可微化』

八、弱监督规模律：标签噪声可用多样性部分抵消

提出Radford 等，2022年《Robust Speech Recognition via Large-Scale Weak Supervision》　争议或最新Veselý、Karafiát 与 Grezl，2012年《IEEE Spoken Language Technology Workshop》　关键超大规模弱标注、多任务和多语数据可换取跨域、口音与噪声鲁棒性，即使单条标签不完美

语音识别的传统信条是数据要干净：精确转写、受控录音、明确领域，标注质量被视为性能的天花板。这个前提限制了数据规模，也让系统在口音、噪声与跨域条件下脆弱。这条转向用另一种方式换取鲁棒性——接受单条标签不完美，用超大规模、多任务、多语言的弱标注数据，让噪声在多样性中被部分抵消，模型因此在从未专门训练过的条件下也能工作。

这条理论的可反驳命题是：超大规模弱标注、多任务和多语数据可换取跨域、口音与噪声鲁棒性，即使单条标签不完美。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“弱监督训练小时数／每个百分点词错率改善”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Radford 等，2022年《Robust Speech Recognition via Large-Scale Weak Supervision》。具体设计与读数是：Whisper以约68万小时多语、多任务弱标注音频训练；规模和来源多样性部分抵消转写噪声，但不能消除语言覆盖差异。Whisper于2022年用约68万小时弱监督数据训练，跨数据集零样本表现突出；数据不可审计与长尾语言覆盖不均是边界。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“平均词错率是否掩盖群体差异”。对照证据见Veselý、Karafiát 与 Grezl，2012年《IEEE Spoken Language Technology Workshop》：多语模型共享隐藏层，只在输出层区分语言；高资源语音学到的声学结构可迁移到标注较少语言。它显示大规模弱标签会放大采集偏差；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告每改善一个百分点词错率所需的训练小时数，并给出跨域与跨口音的分别读数。这条路线的卖点是鲁棒性而非峰值精度，只报标准测试集的成绩会完全错过重点。同时应说明训练语料的来源与许可状态，因为规模的来源正是这条路线最受质疑的地方。

与本块第十三条《自监督对比语音》是两种利用海量数据的方式，与第十八条《群体词错率》则形成一处必须并读的关系：整体鲁棒性提高，不保证每个群体的错误率都下降。**规模带来的平均改善，常常伴随特定方言或口音上的相对退化**，而这一点只有在分组报告时才看得见。

位置E——把『弱监督规模律：标签噪声可用多样性部分抵消』成立所需的边界环境作为首要显露　单因决定『弱监督规模律：标签噪声可用多样性部分抵消』当前结论的最小充分项只有：超大规模弱标注、多任务和多语数据可换取跨域、口音与噪声鲁棒性，即使单条标签不完美　预设〔06 聚合次序不影响结论〕弱监督规模律造成的变化大于版本、样本选择和测量噪声造成的变化　量纲弱监督训练小时数／每个百分点词错率改善　失效当控制额外信息与调参预算后读数不优于基线，且跨站点复现率低于一半时失效；越大的弱标注规模使跨域鲁棒性越强，但当噪声标签在特定口音或术语上系统性偏斜时，规模的扩大反而把该偏斜固化进模型。自曝『弱监督规模律：标签噪声可用多样性部分抵消』的原始材料只直接支持“主证据来自Radford等，2022年《RobustSpeechRecognitionviaLarge-ScaleWeakSupervision》”，没有自动覆盖边界外对象　空栏『弱监督规模律：标签噪声可用多样性部分抵消』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名流行病学称「大样本不能纠正系统性偏倚」，制造业称「批量增大不改善来料偏差」；另见第256号第十九条『数据来源与语言的权力』

九、神经音频编解码：压缩码可以兼任生成与理解接口

提出Défossez 等，2022年《High Fidelity Neural Audio Compression》　争议或最新Yamagishi、Wang、Todisco、Sahidullah、Patino等，2021年《ASVspoof会议录》:47–54，页47–54　关键学习式离散声码可在低码率保持感知质量，并作为语音/音乐模型的符号空间

音频压缩长期由信号处理与心理声学主导：设计变换、量化与熵编码，目标是在给定码率下保住感知质量。这个前提把编解码器当作纯粹的传输工具。这条转向把它变成学习式的离散表示——低码率下保持可懂与自然，同时这组离散码可以直接充当语音与音乐生成模型的符号空间，压缩与生成第一次共用同一套单位。

这条理论的可反驳命题是：学习式离散声码可在低码率保持感知质量，并作为语音/音乐模型的符号空间。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“压缩比／可懂度损失”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Défossez 等，2022年《High Fidelity Neural Audio Compression》。具体设计与读数是：EnCodec在24千赫音频上提供1.5、3、6、12与24 kbps等多档码率；离散压缩码随后可被生成模型和理解模型共同使用。SoundStream于2021年、EnCodec于2022年展示神经编解码；码本坍塌、延迟与训练数据版权引发新争议。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“训练生成器与未知伪造是否同分布”。对照证据见Yamagishi、Wang、Todisco、Sahidullah、Patino等，2021年《ASVspoof会议录》:47–54，页47–54：挑战不向参赛者提供与评测条件匹配的训练和开发数据，并加入信道、压缩与深伪任务；检测目标由识别已知合成器转成面对未知生成链和传输条件的开放集风险。它显示匿名化会同时损失可懂度和说话方式；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告压缩比与可懂度损失的对照，并说明评测语料是否包含音乐、多说话人与噪声环境。学习式编解码在训练分布外的退化方式与传统编解码不同——不是变糊，而是可能生成听起来自然但内容错误的音频，这一点必须单独测试并报告。

与本块第六条《时频掩蔽》和第十四条《隐单元预测》共同指向同一处：**音频的中间表示正在整体从人定义的时频格点转向模型学出的离散单位**。这带来了压缩、生成与理解的统一接口，也带来一个新问题——当传输通道本身具有生成能力时，"收到的音频"与"发出的音频"之间的关系需要重新定义。

位置S——把『神经音频编解码：压缩码可以兼任生成与理解接口』形成的对象结构作为首要显露　单因决定『神经音频编解码：压缩码可以兼任生成与理解接口』当前结论的最小充分项只有：学习式离散声码可在低码率保持感知质量，并作为语音/音乐模型的符号空间　预设〔06 聚合次序不影响结论〕在固定语言、说话人、噪声、设备与训练数据来源后，神经音频编解码对应的差异可与其他机制分离　量纲压缩比／可懂度损失　失效当独立数据或真实负载下效应消失，且训练生成器与未知伪造是否同分布使方向反转时不成立；越低的码率使传输与存储越省，但当解码端依靠生成能力补全信息时，压缩率的提高反而使还原内容可能偏离原始录音。自曝『神经音频编解码：压缩码可以兼任生成与理解接口』的原始材料只直接支持“主证据来自Défossez等，2022年《HighFidelityNeuralAudioCompression》”，没有自动覆盖边界外对象　空栏『神经音频编解码：压缩码可以兼任生成与理解接口』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名出版业称「摘要与原文的关系」，测绘称「地图综合取舍改变了地物」；另见第254号第三条『学习式降噪与超分』

十、群体词错率：平均WER会掩盖系统性不平等

提出Koenecke 等，2020年《Proceedings of the National Academy of Sciences》117(14):7684–7689　争议或最新Tran与Soleymani，2023年《Interspeech会议录》:2858–2862，页2858–2862　关键应按方言、种族、性别、年龄和声学条件分解错误，并检查语义后果

识别系统的成绩长期用一个总体词错率概括：数字下降就是进步。这个前提假定错误在人群中大致均匀分布。分组测量的结果否定了它——同一个系统在不同方言、族群、性别与年龄群体上的错误率可以相差成倍，而总体平均把这种差异完全掩盖。这条转向要求错误按群体分解，并检查错误带来的语义后果。

这条理论的可反驳命题是：应按方言、种族、性别、年龄和声学条件分解错误，并检查语义后果。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“群体词错率／总体词错率”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Koenecke 等，2020年《Proceedings of the National Academy of Sciences》117(14):7684–7689。具体设计与读数是：五家商业系统对黑人说话者的平均词错率为19.1%，对白人说话者为8.5%；总体WER掩盖了超过两倍的群体差距。Koenecke等2020年比较五个商业系统，黑人说话者平均WER约0.35，白人约0.19；语料代表性与方言标注成为核心。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“语音嵌入是否携带不必要身份属性”。对照证据见Tran与Soleymani，2023年《Interspeech会议录》:2858–2862，页2858–2862：方法在HuBERT的12层、每层768维表示上抑制说话人信息，并用VoxCeleb1的14.5万余段、1541名说话人评测；说话人识别准确率降至11.64%，同时保留情感任务效用。它显示端到端模型仍可能依赖隐含文本与语言资源；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告各群体词错率与总体词错率之比，并说明分组的样本量与置信区间。分组会迅速稀释样本，缺了置信区间的分组比较容易得出过强结论。同时应报告错误的语义后果——同样的词错率，在医疗记录与语音检索里的代价完全不同，而这一层从不在词错率里。

与本块第四条《多语迁移》和第十六条《弱监督规模律》一起构成一条完整的警告：多语能力提高、整体鲁棒性提高，都不蕴含每个群体的改善。与第八条《副语言基准化》则连着另一层——**一个在某些群体上系统性犯错的系统，同时也在这些群体上做出更多不可靠的推断**，两种伤害叠加而非独立。

位置D——把『群体词错率：平均WER会掩盖系统性不平等』中的操作次序与变化路径作为首要显露　单因决定『群体词错率：平均WER会掩盖系统性不平等』当前结论的最小充分项只有：应按方言、种族、性别、年龄和声学条件分解错误，并检查语义后果　预设〔06 聚合次序不影响结论〕应按方言、种族、性别、年龄和声学条件分解错误，并检查语义能够在同一预算与同一输入下被独立检验　量纲群体词错率／总体词错率　失效当更换强基线、平台或人群后排序不再保持，并且尾部代价超过收益时失效；越大的总体训练规模使平均词错率越低，但当数据分布沿用既有的采集偏斜时，平均值的改善反而扩大了群体之间的相对差距。自曝『群体词错率：平均WER会掩盖系统性不平等』的原始材料只直接支持“主证据来自Koenecke等，2020年《ProceedingsoftheNationalAcademyofSciences》117(14):768”，没有自动覆盖边界外对象　空栏『群体词错率：平均WER会掩盖系统性不平等』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名公共卫生称「总体死亡率下降掩盖群体差距扩大」，教育称「平均分提高与差距扩大并存」；另见第538号第丁条『机会均等：公平从口号变成条件错误率约束』

十一、合成语音开放集检测：检测器面对的是不断变化的生成器

提出Yamagishi、Wang、Todisco、Sahidullah、Patino等，2021年《ASVspoof会议录》:47–54，页47–54　争议或最新Wang、Delgado、Tak等，2025年《Computer Speech & Language》95:101825　关键检测应评价未知生成器、压缩、重放和跨语言迁移，问题是开放集军备竞赛

合成语音检测最初按封闭集设定评估：已知若干种生成方法，训练检测器区分真假，报告一个很低的等错误率。这个前提假定攻击方法是固定的。实际情形是生成技术每年更新，检测器面对的永远是训练时不存在的生成器，还要经受压缩、重放与跨语言的变形。这条转向把问题重新定义为开放集下的持续对抗。

这条理论的可反驳命题是：检测应评价未知生成器、压缩、重放和跨语言迁移，问题是开放集军备竞赛。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“未知生成器等错误率／已知生成器等错误率”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。

主证据来自Yamagishi、Wang、Todisco、Sahidullah、Patino等，2021年《ASVspoof会议录》:47–54，页47–54。具体设计与读数是：挑战不向参赛者提供与评测条件匹配的训练和开发数据，并加入信道、压缩与深伪任务；检测目标由识别已知合成器转成面对未知生成链和传输条件的开放集风险。ASVspoof 2019、2021、2023持续加入新攻击；榜单模型在跨条件和未知合成器上常显著退化。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“自监督规模是否覆盖低资源方言”。对照证据见Wang、Delgado、Tak等，2025年《Computer Speech & Language》95:101825：ASVspoof 5将众包语音、深伪、欺骗和对抗攻击放入更开放的资源设计；检测器必须面对未知生成器、录放链和压缩变化，而不是记住封闭数据集伪迹。它显示检测器容易学习数据集伪迹而非伪造机制；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告未知生成器条件下的等错误率与已知生成器条件下的对照。两者的差距才是这套检测器的真实处境，而只报后者的结果在部署中毫无参考价值。同时应说明信道条件——电话压缩与重放会让实验室里表现优异的检测器直接失效。

与本块第十条《端到端语音合成》是同一技术的两面，也是本块最不对称的一处关系：**生成侧的每一次进步都自动成为检测侧的一次退步**，而检测侧的进步却不会削弱生成能力。这种单向性意味着，把安全性完全押在检测上的方案，长期看是在打一场结构上不利的仗，配套的来源标注与凭证机制因此不是可选项。

位置S——把『合成语音开放集检测：检测器面对的是不断变化的生成器』形成的对象结构作为首要显露　单因决定『合成语音开放集检测：检测器面对的是不断变化的生成器』当前结论的最小充分项只有：检测应评价未知生成器、压缩、重放和跨语言迁移，问题是开放集军备竞赛　预设〔01 谁进入分母〕比较双方对“什么算一次有效结果”使用相同分母，合成语音开放集检测才可排序　量纲未知生成器等错误率／已知生成器等错误率　失效当分母改为端到端结果后优势低于测量误差，或失败样本集中于关键场景时失效；越强的已知生成器检测能力使封闭集测试成绩越好，但当检测器过拟合于已见生成痕迹时，成绩的提高反而使面对新生成器时的失效更加突然。自曝『合成语音开放集检测：检测器面对的是不断变化的生成器』的原始材料只直接支持“主证据来自Yamagishi、Wang、Todisco、Sahidullah、Patino等，2021年《ASVspoof会议录》:47–54，页4”，没有自动覆盖边界外对象　空栏『合成语音开放集检测：检测器面对的是不断变化的生成器』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名免疫学称「疫苗对变异株的逃逸」，反欺诈称「已知手法模型与新型骗局」；另见第256号第十七条『水印与来源标注』

十二、表征隐私：通用语音嵌入会同时携带不需要的身份信息

提出Tran与Soleymani，2023年《Interspeech会议录》:2858–2862，页2858–2862　争议或最新Dehak 等，2011年《IEEE Transactions on Audio, Speech, and Language Processing》19(4):788–798　关键多用途表征往往编码内容与身份，隐私评估应测试属性推断和重建，而非只看主任务

通用语音表征被广泛复用：一套预训练模型输出的向量，同时服务识别、情绪、健康与检索等多种任务。这个前提把表征当成中立的技术组件，评估只看主任务是否达标。而一个通用到能支持多任务的表征，必然同时编码了内容与身份——使用者以为在做语音识别，实际上系统里流动着可用于身份推断的向量。这条转向要求隐私评估测试属性推断与重建，而不是只看主任务。

这条理论的可反驳命题是：多用途表征往往编码内容与身份，隐私评估应测试属性推断和重建，而非只看主任务。比较必须固定语言、说话人、噪声、设备与训练数据来源，只改变自监督目标、流式结构、嵌入或检测策略，并以词错率、可懂度、开放集检测和属性泄露为共同结果；量纲写成“可预测敏感属性数／敏感属性总数”。若同等预算下不优于强基线，或换数据、平台与人群便失效，命题只能收窄。它改写的不是工具名称，而是什么比较才算同一个问题。

主证据来自Tran与Soleymani，2023年《Interspeech会议录》:2858–2862，页2858–2862。具体设计与读数是：方法在HuBERT的12层、每层768维表示上抑制说话人信息，并用VoxCeleb1的14.5万余段、1541名说话人评测；说话人识别准确率降至11.64%，同时保留情感任务效用。2021年后对wav2vec、HuBERT等探针研究发现可从表征预测多种说话人属性；去除属性可能损害识别与公平性。这笔证据把对齐、域偏移、说话人属性和伪造生成器变化从背景变量改成可复算的中间量，并留下样本、版本、阈值或预算检查点。主证据年份决定幕归属；核验应以篇名反查作者、卷页或DOI以及这里采用的读数。

争议集中在“低延迟因果模型是否牺牲远程上下文”。对照证据见Dehak 等，2011年《IEEE Transactions on Audio, Speech, and Language Processing》19(4):788–798：整段语音的高维GMM超向量被压成约400维i-vector，再用后端区分说话人与通道；固定长度表示取代逐帧比对。它显示神经编解码在极端网络条件下可能失效；换任务、分母或组织流程后，成本可能转移到未记录处。争论要收敛，须预注册口径、公开负结果并由独立站点重做，同时报告均值、尾部、失败类型与维护成本。

它改变的最低交付责任是：报告从表征中可预测的敏感属性数与敏感属性总数之比，并说明攻击者假设——有多少标注数据、能否访问模型内部。脱离攻击者假设的隐私结论没有意义。同时应报告去除身份信息后主任务性能的损失，因为这条取舍曲线才是产品决策真正需要的东西。

与本块第七条《说话人嵌入》、第九条《x-vector》与第八条《副语言基准化》构成一处收口：**这个领域二十年积累的每一项识别能力，都在通用表征里以副产品的形式留了下来**。这也是本块与其它各条最不同的地方——它讨论的不是某项新能力，而是全部已有能力在被复用时产生的合成后果。

位置D——把『表征隐私：通用语音嵌入会同时携带不需要的身份信息』中的操作次序与变化路径作为首要显露　单因决定『表征隐私：通用语音嵌入会同时携带不需要的身份信息』当前结论的最小充分项只有：多用途表征往往编码内容与身份，隐私评估应测试属性推断和重建，而非只看主任务　预设〔02 单一读数代表复杂对象〕表征隐私造成的变化大于版本、样本选择和测量噪声造成的变化　量纲可预测敏感属性数／敏感属性总数　失效当控制额外信息与调参预算后读数不优于基线，且跨站点复现率低于一半时失效；越通用的语音表征使下游任务越省力，但当同一向量同时编码内容与身份时，通用性的提高反而使隐私风险随部署范围线性扩散。自曝『表征隐私：通用语音嵌入会同时携带不需要的身份信息』的原始材料只直接支持“主证据来自Tran与Soleymani，2023年《Interspeech会议录》:2858–2862，页2858–2862”，没有自动覆盖边界外对象　空栏『表征隐私：通用语音嵌入会同时携带不需要的身份信息』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名医学称「生物样本的二次利用同意问题」，档案学称「一次采集、多次使用的权限漂移」；另见第250号第十二条『数据系统中的隐私』

◎ 二十年连起来看

第一幕移除帧级对齐、每人模型和手工声学管线，把时序、说话人、分离与副语言变成可学习表示。 第二幕以自监督、流式端到端和大规模音频扩展能力，同时遭遇群体差距、深伪开放集与表征隐私清算。 两幕不是工具换代，而是评价单位不断扩大：第一幕找出局部上界、误差、约束或行为机制，第二幕把它们放进真实系统、组织与生命周期。只有当旧默认被写成可检查条件，新方法才构成转向。

被继承的是“表示决定可做什么”：i-vector、说话人嵌入、自监督单元和神经编解码都把下游能力绑定到共同表示。 这一判据在二十条里反复出现：条件、操作、读数与边界必须形成可复查链条。工具名可以变化，数据来源、分母、中止、未达阈值或无法归类的对象和复现路径却不能省；这也是碰撞行能够抽取并与别的领域通约的基础。

被推翻的是“平均WER足以代表系统质量”和“检测见过的伪造即可处理未来伪造”；仍未解决的是开放集真实性。 因而，本领域尚未解决的核心不是再提高一个百分点，而是如何让跨语言性能、真实性与身份隐私在开放世界中同时可测。若未来五年的工作仍只给均值和排行榜，不给真实部署、尾部和反例，它不会继续这条二十年主线。

◎ 三个常见误解

误解一：端到端等于不需要模块假设。它容易被相信，是因为单次榜单只显示结果而隐藏语言、说话人、噪声、设备与训练数据来源、中止、未达阈值或无法归类的对象与选择过程。正确表述是把收益限定在同一分母和同一边界内，再看是否跨环境保持。

误解二：平均词错率低就对所有人公平。它容易被相信，是因为工具把一部分依赖封装起来，看上去像整个系统已经被封装。正确表述是任何抽象都只覆盖一段链条，外部数据、版本、组织和硬件仍需单独核验。

误解三：语音嵌入只含任务需要的信息。它容易被相信，是因为成功案例适合传播，而检测器容易学习数据集伪迹而非伪造机制通常不进入摘要。正确表述是收益与边界、代价、反例必须同时报告，不能把局部改进外推成普遍保证。

◎ 与相邻领域的接口

与〈软件安全与隐私工程〉的接口在于：深伪检测、身份泄露与隐私预算属于攻击和防护链。 分工判据是，本块负责把计算对象、系统行为与可核对读数写清；相邻领域负责它自己的机制、制度或物理约束。若同一现象使用不同术语和分母，两边都保留，并在碰撞行登记异名。

与〈信息检索与推荐系统〉的接口在于：音频嵌入进入检索后面临召回、曝光和跨语言偏差。 分工判据是，本块负责把计算对象、系统行为与可核对读数写清；相邻领域负责它自己的机制、制度或物理约束。若同一现象使用不同术语和分母，两边都保留，并在碰撞行登记异名。

与〈嵌入式与实时系统〉的接口在于：流式语音必须同时满足端侧内存、能量与截止期。 分工判据是，本块负责把计算对象、系统行为与可核对读数写清；相邻领域负责它自己的机制、制度或物理约束。若同一现象使用不同术语和分母，两边都保留，并在碰撞行登记异名。

与〈自然语言处理〉的接口在于：转写后的语义建模属于NLP，本面板只追踪声学与音频侧转向。 分工判据是，本块负责把计算对象、系统行为与可核对读数写清；相邻领域负责它自己的机制、制度或物理约束。若同一现象使用不同术语和分母，两边都保留，并在碰撞行登记异名。

◎ 争议现场

未收敛的争论是：自监督模型是在学语音结构还是数据集捷径。支持方强调已有正向设计，反对方指出分母、样本或环境不足以外推。要怎样才能收敛：用不少于三个独立平台或人群，预注册共同基线、预算和停止规则，并以词错率、可懂度、开放集检测和属性泄露的分层分布比较；若方向一致且边界可预测，争论才收敛。

未收敛的争论是：深伪检测应优化已知攻击还是未知生成器风险。支持方强调已有正向设计，反对方指出分母、样本或环境不足以外推。要怎样才能收敛：建立版本化公开基准，保存失败配置、调参轨迹和维护成本，以盲评方式复跑；若收益只在事后选择的路径上出现，应判为未收敛。

未收敛的争论是：语音匿名化能否在隐私与效用之间给出可组合界。支持方强调已有正向设计，反对方指出分母、样本或环境不足以外推。要怎样才能收敛：把局部结果接入真实工作流或制度现场，连续观测至少一个完整周期，并报告最差分位与反事实对照；只有端到端读数同向，才能排除成本转移。

◎ 往下五年看什么

观察点是按语言、口音和群体分层的词错率差距。应固定统计周期、样本覆盖与质量门槛，按年度公布分布而非只公布最好值；若连续两次独立复测方向相反，就说明该读数尚不足以承担领域判据。

观察点是未知生成器和跨压缩条件下的检测等错误率。应固定统计周期、样本覆盖与质量门槛，按年度公布分布而非只公布最好值；若连续两次独立复测方向相反，就说明该读数尚不足以承担领域判据。

观察点是语音嵌入对身份属性的可预测率与任务效用。应固定统计周期、样本覆盖与质量门槛，按年度公布分布而非只公布最好值；若连续两次独立复测方向相反，就说明该读数尚不足以承担领域判据。

观察点是端侧流式系统每秒音频的延迟、焦耳和峰值内存。应固定统计周期、样本覆盖与质量门槛，按年度公布分布而非只公布最好值；若连续两次独立复测方向相反，就说明该读数尚不足以承担领域判据。

◎ 可与哪些领域对撞

本块第20条《表征隐私：通用语音嵌入会同时携带不需要的身份信息》与第172号第02条《语境完整性》可以对撞。它们共享的预设是：两边都默认为一个任务收集的表征可被安全复用。相反点在于：表征隐私发现身份属性会随嵌入迁移，语境完整性则要求接收者和传输原则不变。若两边都成立，若两边都成立，第三项就是模型表示也必须携带用途边界。

本块第19条《合成语音开放集检测：检测器面对的是不断变化的生成器》与第354号第十三条《供应链谱系》可以对撞。它们共享的预设是：两边都默认检测对象的来源链可被追踪。相反点在于：合成语音开放集检测面对未知生成器，供应链谱系面对未知依赖和制品步骤。若两边都成立，若两边都成立，第三项就是来源证据必须允许新类别并保留拒答。

本块第18条《群体词错率：平均WER会掩盖系统性不平等》与第065号第一幕乙条《全球指数被造出来》可以对撞。它们共享的预设是：两边都默认平均数可以代表跨群体状态。相反点在于：群体词错率揭开总体均值中的口音差距，生态学也发现全球均值受少数极端序列支配。若两边都成立，若两边都成立，第三项就是任何总指标都必须同时公布群体分布和覆盖权重。

本块第13条《自监督对比语音：未转写波形本身可以提供预训练信号》与第086号第二幕第一条《强效果论的第三次退场》可以对撞。它们共享的预设是：两边都默认规模扩大后效果会按同一方向增长。相反点在于：自监督语音常随数据规模改善，传播研究却发现平台效应集中且总体幅度有限。若两边都成立，若两边都成立，第三项就是规模律需要加入人群集中度和数据覆盖边界。

◎ 十条可做的研究命题

副语言基准化的因果识别命题：在控制共同预算后，情绪、年龄、健康与互动状态可从声音中预测，但需跨语料和说话人验证；怎么做：在真实部署中随机或准随机改变自监督目标、流式结构、嵌入或检测策略，固定语言、说话人、噪声、设备与训练数据来源，比较前后与未处理组；什么算证伪：若效应低于测量误差、跨环境方向不一致，或平均词错率是否掩盖群体差异不再预测失败，则命题被证伪。

端到端语音合成的测量命题：在控制共同预算后，序列到序列模型可从文本生成梅尔谱，再由神经声码器生成波形；怎么做：建立跨三种环境的统一日志，直接测量“合成语音主观自然度／真实语音自然度”并分层报告尾部；什么算证伪：若效应低于测量误差、跨环境方向不一致，或训练生成器与未知伪造是否同分布不再预测失败，则命题被证伪。

AudioSet转向的复现重估命题：在控制共同预算后，大规模弱标注声音事件本体能训练跨场景表示，评价对象扩展到环境与事件；怎么做：用新版本、强基线和独立团队重做第5条的关键设计，保存全部失败路径；什么算证伪：若效应低于测量误差、跨环境方向不一致，或语音嵌入是否携带不必要身份属性不再预测失败，则命题被证伪。

隐单元预测的跨领域命题：在控制共同预算后，先聚类产生伪离散单位，再预测被遮蔽单位，可迭代改善表征；怎么做：把相邻领域的审计、因果或能量账本移入本领域，以共同分母连接词错率、可懂度、开放集检测和属性泄露；什么算证伪：若效应低于测量误差、跨环境方向不一致，或自监督规模是否覆盖低资源方言不再预测失败，则命题被证伪。

弱监督规模律的因果识别命题：在控制共同预算后，超大规模弱标注、多任务和多语数据可换取跨域、口音与噪声鲁棒性，即使单条标签；怎么做：在真实部署中随机或准随机改变自监督目标、流式结构、嵌入或检测策略，固定语言、说话人、噪声、设备与训练数据来源，比较前后与未处理组；什么算证伪：若效应低于测量误差、跨环境方向不一致，或低延迟因果模型是否牺牲远程上下文不再预测失败，则命题被证伪。

群体词错率的测量命题：在控制共同预算后，应按方言、种族、性别、年龄和声学条件分解错误，并检查语义后果；怎么做：建立跨三种环境的统一日志，直接测量“群体词错率／总体词错率”并分层报告尾部；什么算证伪：若效应低于测量误差、跨环境方向不一致，或平均词错率是否掩盖群体差异不再预测失败，则命题被证伪。

表征隐私的复现重估命题：在控制共同预算后，多用途表征往往编码内容与身份，隐私评估应测试属性推断和重建，而非只看主任；怎么做：用新版本、强基线和独立团队重做第13条的关键设计，保存全部失败路径；什么算证伪：若效应低于测量误差、跨环境方向不一致，或训练生成器与未知伪造是否同分布不再预测失败，则命题被证伪。

i-vector的跨领域命题：在控制共同预算后，把整段语音映射到总变异空间的低维向量，再用后端区分说话人与会话；怎么做：把相邻领域的审计、因果或能量账本移入本领域，以共同分母连接词错率、可懂度、开放集检测和属性泄露；什么算证伪：若效应低于测量误差、跨环境方向不一致，或语音嵌入是否携带不必要身份属性不再预测失败，则命题被证伪。

多语迁移的因果识别命题：在控制共同预算后，共享隐藏表示、音素映射或多任务训练可把高资源语言知识迁移给低资源语言；怎么做：在真实部署中随机或准随机改变自监督目标、流式结构、嵌入或检测策略，固定语言、说话人、噪声、设备与训练数据来源，比较前后与未处理组；什么算证伪：若效应低于测量误差、跨环境方向不一致，或自监督规模是否覆盖低资源方言不再预测失败，则命题被证伪。

时频掩蔽的测量命题：在控制共同预算后，模型可以在时频单元上预测目标归属或理想掩蔽，把连续波形分离转成可监督的；怎么做：建立跨三种环境的统一日志，直接测量“正确掩蔽时频单元数／时频单元总数”并分层报告尾部；什么算证伪：若效应低于测量误差、跨环境方向不一致，或低延迟因果模型是否牺牲远程上下文不再预测失败，则命题被证伪。

◎ 资料核验

  1. Graves, A., Fernández, S., Gomez, F., & Schmidhuber, J. (2006). Connectionist temporal classification. Proceedings of ICML 2006. ACM.
  2. Dehak, N., Kenny, P. J., Dehak, R., Dumouchel, P., & Ouellet, P. (2011). Front-end factor analysis for speaker verification. IEEE Transactions on Audio, Speech, and Language Processing, 19(4), 788–798.
  3. Hinton, G., et al. (2012). Deep neural networks for acoustic modeling in speech recognition. IEEE Signal Processing Magazine, 29(6), 82–97.
  4. Veselý, K., Karafiát, M., & Grezl, F. (2012). Convolutive bottleneck network features for multilingual acoustic modeling. Proceedings of IEEE SLT 2012.
  5. Graves, A., & Jaitly, N. (2014). Towards end-to-end speech recognition with recurrent neural networks. Proceedings of ICML 2014. PMLR.
  6. Wang, Y., & Wang, D. (2013). Towards scaling up classification-based speech separation. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 21(7), 1381–1390.
  7. Variani, E., Lei, X., McDermott, E., Moreno, I. L., & Gonzalez-Dominguez, J. (2014). Deep neural networks for small footprint text-dependent speaker verification. Proceedings of ICASSP 2014, 4080–4084. IEEE.
  8. Schuller, B., et al. (2009–2016). INTERSPEECH Computational Paralinguistics Challenge series. Interspeech Proceedings.
  9. Snyder, D., Garcia-Romero, D., Sell, G., Povey, D., & Khudanpur, S. (2018). X-vectors: Robust DNN embeddings for speaker recognition. Proceedings of ICASSP 2018. IEEE.
  10. Wang, Y., et al. (2017). Tacotron: Towards end-to-end speech synthesis. Proceedings of Interspeech 2017.
  11. van den Oord, A., et al. (2016). WaveNet: A generative model for raw audio. arXiv:1609.03499.
  12. Gemmeke, J. F., et al. (2017). Audio Set: An ontology and human-labeled dataset for audio events. Proceedings of ICASSP 2017. IEEE.
  13. Baevski, A., Zhou, H., Mohamed, A., & Auli, M. (2020). wav2vec 2.0: A framework for self-supervised learning of speech representations. Advances in Neural Information Processing Systems, 33.
  14. Hsu, W.-N., et al. (2021). HuBERT: Self-supervised speech representation learning by masked prediction of hidden units. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 29, 3451–3460.
  15. Gulati, A., et al. (2020). Conformer: Convolution-augmented transformer for speech recognition. Proceedings of Interspeech 2020, 5036–5040.
  16. Radford, A., et al. (2022). Robust speech recognition via large-scale weak supervision. Technical report.
  17. Défossez, A., et al. (2022). High fidelity neural audio compression. arXiv:2210.13438.
  18. Koenecke, A., et al. (2020). Racial disparities in automated speech recognition. Proceedings of the National Academy of Sciences, 117(14), 7684–7689.
  19. Yamagishi, J., Wang, X., Todisco, M., Sahidullah, M., Patino, J., Nautsch, A., Liu, X., Lee, K. A., Kinnunen, T., Evans, N., & Delgado, H. (2021). ASVspoof 2021: Accelerating progress in spoofed and deepfake speech detection. Proceedings of the 2021 Edition of the ASVspoof Challenge, 47–54. https://doi.org/10.21437/ASVSPOOF.2021-8.
  20. Tran, M., & Soleymani, M. (2023). Privacy-preserving representation learning for speech understanding. Proceedings of Interspeech 2023, 2858–2862. https://doi.org/10.21437/Interspeech.2023-2138.
  21. Wang, X., Delgado, H., Tak, H., et al. (2025). ASVspoof 5: Design, collection and validation of resources for spoofing, deepfake, and adversarial attack detection using crowdsourced speech. Computer Speech & Language, 95, 101825. https://doi.org/10.1016/j.csl.2025.101825.
新思想前沿 是一个持续撰写的专栏：近二十年，各主要领域最要紧的思想转向。本块采用两幕体例——上一个十年八条、这十年十二条，每条给出提出者、年份与出处，写清它推翻了什么、靠什么读数立住、以及它自己的边界；每条正文之后另附一行碰撞行（预设／量纲／失效／异名），供跨领域取源比对；文末附资料核验。 · ← 回到学科面板