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。

音频语言模型（ALMs）推动语音理解向多任务生成转型。西工大与南京大学等合作提出MSU-Bench评测基准，专注于多说话人对话理解，涵盖16个子任务。研究表明，现有模型在说话人定位和对话推理方面仍存在不足，未来需优化以提升多说话人理解能力。

国际语音会议Interspeech 2026将于2026年9月在悉尼举行，期间将举办音频编码器能力挑战赛（AECC）。比赛聚焦音频编码器在复杂场景下的表现，参赛者需提交预训练模型，主办方提供评估系统。参赛者可使用公开数据集，报名截止日期为2026年1月25日。