Apple 研究：语言区分能力提升多语言语音模型的语音学习效果
研究显示，在预训练中增强多语言语音模型的语言区分能力，能缩小其与单语模型在语音和词汇任务上的性能差距。在英语/法语 HuBERT 实验中，引入辅助语言分类器等方法后，phone-ABX 错误率从 11.6% 降至 10.4%（单语基线 10.8%），sWUGGY 词汇任务得分从 52.1% 提升至 56.7%（单语 58.5%）。结果表明，语言区分能力对降低多语言学习的额外成本具有因果作用。
#语音
Apple · 机器学习研究AI 评分2727
Hugging Face BlogAI 评分3939 Open TTS Leaderboard：面向开源和多语言的文本到语音及语音克隆可扩展评估体系
Hugging Face 推出 Open TTS Leaderboard，使用客观指标对开源文本到语音模型进行多语言和语音克隆评估。该榜单通过 Qwen3 ASR 计算词错率（WER）和字符错率（CER），并用 H200 GPU 测量推理速度（RTFx）和首次音频生成时间（TTFA），同时计算生成音频与参考音频的说话人相似度（SIM）。
Hugging Face · 每日论文AI 评分4545 DEFINE：用于零样本 TTS 的示例引导口音控制框架
DEFINE 框架通过独立的音频示例分别控制说话人身份和目标口音，在单次推理中实现口音强度的连续调节。该框架基于 F5-TTS 构建，使用参数高效的 LoRA 进行适配，无需推理时的口音标签或后合成波形转换。在训练集内口音上，口音引导可将口音探测准确率从 6.5% 提升至 19.6%，并能将口音控制泛化到训练集外的部分口音上。
Apple · 机器学习研究AI 评分3535 A Practical Recipe for Semi-Supervised Federated ASR: Online Pseudo-Labels with Server Update Stabilization
本文提出一种半监督联邦语音识别（ASR）训练方法，通过在线伪标签与服务器更新稳定化实现模型训练。研究显示，使用客户端本地模型作为教师生成伪标签，并结合服务器端对有标签数据的持续训练，可显著提升模型性能。该方法在9个中的11个数据对上优于最强先前方法，平均在域内提升20.8%，跨域提升10.0%。