西工大等机构提出MeanVC 2，一种低延迟鲁棒的流式零样本语音转换方法。它通过未来感受野分块机制提升小块转换稳定性，并引入通用音色Token编码器增强低质量参考音频下的说话人建模鲁棒性。实验表明，MeanVC 2在保持轻量化的同时，降低了延迟并提升了转换质量，相关论文被INTERSPEECH 2026接收。