MedSonor: Learning to Use Clinical Audio in Medical LLMs MedSonorは医療知識・音声対話・臨床音声理解を統合した医療対話モデルで、7つの医療ベンチマークで汎用音声言語モデルを上回ったと報告している。 arxiv.org/abs/2610.22405

Too Emotional to Be Fake? Intra-Utterance Emotion Shifts Expose Failure Modes in Speech Deepfake Detectors 感情変化を含む合成音声がディープフェイク検出器の失敗を引き起こすことを示したベンチマーク研究。 arxiv.org/abs/2610.22832

DriftTTS: One-stage Single Step Text-to-Speech via Generative Drifting DriftTTSは生成ドリフティングを音声合成に初適用し、単一デコーダ呼び出しでマルチステップ相当の品質を実現する手法である。 arxiv.org/abs/2610.22960

Adaptive Duration Model for Text Speech Alignment 本論文は、テキストから音素レベルの継続時間分布を予測する新しい枠組みを提案し、ゼロショットTTSの頑健性を向上させた。 arxiv.org/abs/2507.22612

AT-ADD: A Benchmark and Challenge for Robust and All-Type Audio Deepfake Detection 音声・環境音・歌声・音楽を含む全タイプの音声ディープフェイク検出ベンチマークAT-ADDを提案し、チャレンジ結果を分析した論文。 arxiv.org/abs/2608.23437

PEDBench: Can Speech Models Detect Phonetic Errors? 音素誤り検出のベンチマークPEDBenchを提案し、13の音声モデルが音素誤りを信頼性高く検出できないことを示した。 arxiv.org/abs/2610.20830

Zero-Shot Spoken Language Understanding with SLAM-ASR: What Do Monolingual ASR-Trained Linear Projectors Enable? 📌 EMNLP 2026 SLAM-ASRフレームワークにおいて、単言語ASR訓練済み線形プロジェクタがゼロショット音声言語理解にどの程度寄与するかを調査した。 arxiv.org/abs/2610.20844

Probing Neural Audio Codecs with Speaker Traits and Speech Characteristics 17のニューラル音声コーデックを7つの特性で分析し、特性ごとに符号化されるコードブックの深さが異なることを示した。 arxiv.org/abs/2610.20955

CoSTA: Compressed Speech Token Adaptation for Efficient Spoken Dialogue Models CoSTAは、音声対話モデルの生成と合成のトークン空間を分離し、圧縮表現を導入することで、品質を保ちつつ生成速度とスループットを向上させるフレームワークである。 arxiv.org/abs/2610.21143

VoxTurn: Answering Several Turn-Taking Questions in One Pass with One Model VoxTurnは、複数のターンテイキング判断を1回のフォワードパスで行う0.8Bの音声LLMである。 arxiv.org/abs/2610.21150

Full-Duplex Interaction with Speech, Expressions and Gestures ELLSA 2は音声・表情・ジェスチャーを統合した全二重対話モデルで、音声対話とストリーミングジェスチャー生成を同時最適化する。 arxiv.org/abs/2610.21452

ELARSpeech: A 30K-Hour Dataset Across 675 Underrepresented Languages for Long-Tail Multilingual Speech Technologies ELARSpeechは675の少数言語にわたる30,202時間の音声データセットで、ASRとTTSの拡張を支援する。 arxiv.org/abs/2610.19388

Long-Prompt Zero-Shot TTS: Benchmarking Prosody Reproduction Beyond Voice Cloning 長い音声プロンプトを用いて話者固有の韻律を再現するゼロショットTTSタスクとベンチマークLP-TTS-Benchを提案し、参照システムLPTTSで韻律次元の改善を示した。 arxiv.org/abs/2610.19774

Noise-Aware Lombard Speech Synthesis via Flow-GRPO for Intelligibility Optimization 📌 TASLP NIL-TTSは、FiLMとFlow-GRPOを用いて雑音に適応するLombard音声を合成し、明瞭度を向上させるフレームワークである。 arxiv.org/abs/2610.20181

Speech event detector: Timestamped detection of non-verbal vocalizations and background sounds for rich speech transcription 非言語音声と背景音を40msごとに54クラスで検出し、タイムスタンプ付きイベントとしてWhisper転写に統合する5. arxiv.org/abs/2610.14232

GAMW: Generation-Aware Mel-Domain Watermarking for TTS Traceability TTS生成過程に透かしを統合し、複合摂動下でも高い復号精度を実現するGAMWを提案した。 arxiv.org/abs/2610.15082

Prime-EVC: One-Step Expressive Emotional Voice Conversion via Emotion-Primed Flow Matching 感情プライミング付きフローマッチングにより、1ステップで高品質な感情音声変換を実現するPrime-EVCを提案。 arxiv.org/abs/2610.16036

The NVVSpeech Challenge 2026: Overview and Lessons for Speech Understanding and Generation with Nonverbal Vocalizations NVVSpeech Challenge 2026の10システムを分析し、非言語発声の認識・生成における課題と評価の重要性を示した。 arxiv.org/abs/2610.16076

What Matters in Preference Post-Training of Continuous Autoregressive Speech Language Models 連続自己回帰音声言語モデルの選好後学習において、バックボーン更新がヘッドのみの適応より報酬改善に有効であり、音響サンプリングと自己回帰条件付けの両方を考慮する… arxiv.org/abs/2610.16276

What Makes Codec Tokens Effective for Target Speaker Extraction? A Semantic-Acoustic Disentanglement Perspective コーデックトークンを用いた目標話者抽出において、意味・音響の分離表現とタスク特化型フレームワークを提案し、dWERを改善した。 arxiv.org/abs/2610.16858