WQ-Fusion：跨域音频表示的动态门控注意力

虽然预训练模型在专门任务中表现出色，但学习跨不同声学领域的通用表示仍然具有挑战性。为了解决这个问题，我们提出了 WQ-Fusion，一种用于跨域音频表示学习的鲁棒双编码器框架。 WQ-Fusion 克服了静态串联的局限性，通过自适应特征调制模块和新颖的元素级门控注意力机制集成了 Whisper 和 qwen。这种设计支持动态特征选择，允许模型有选择地强调相关的声学和语义维度。 Interspeech 2026 音频编码器能力挑战赛（Track A）基准测试的大量实验表明，通过有效路由异构信息，WQ-Fusion 取得了 0.836 的优异总分，显着优于最强的单编码器基线。