📄 文字答得滴水不漏，声音却露了怯：财报电话会里的双重规避
一句话：论文把财报问答的规避拆成文字是否答到点上与声音是否听起来自信两个独立维度，用 505 条双标注样本证明三成以上的回答存在跨模态不一致，并以文本接近人类而声音非自信类 F1 仅 38 左右的落差揭示现有音频大模型不会做说话人基线校准。
标签：#语音情感识别 #多模态模型 #音频理解 #基准测试
评分：6.2/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5
👥 作者与机构
- Mirae Kim：Financial Tech Lab, KakaoBank Corp.
- Seonghun Jeong：Financial Tech Lab, KakaoBank Corp.；Yonsei University
- Youngjun Kwak：Financial Tech Lab, KakaoBank Corp.
💬 毒舌点评
亮点在于首次将财报电话会中的文本规避与声音自信度解耦标注，并用32.1%的跨模态不一致比例有力证明单看文本会系统性漏掉关键信号。短板是505条样本撑起的基准规模过小且声音维度被压缩为二分类自信度，所谓市场波动回归更像用60次电话会硬做叙事，模型在非自信类上38左右的F1也暴露了当前音频大模型对说话人基线校准的无力。
📌 核心摘要
论文针对财报电话会问答中规避行为仅从文本转录判断的局限，提出规避具有文本与声音双维度独立性问题。方法上构建DualEvasion基准，对60场电话会中505个问答对分别独立标注文本规避（直接 vs 规避）与声音自信度（自信 vs 非自信），声音标注时要求标注者先听同一说话人在同场会中的其他回答以建立个人基线。相较已有仅做文本标注的SubjECTive-QA等数据集，新基准首次提供音频与双标签，并通过弱相关性验证两维度互补性。实验显示GPT-5等模型在文本规避上达到87.4 macro F1且与人类一致度接近人类间0.866，而最佳音频模型在声音自信度上仅58.5 macro F1，非自信类F1仅38.2左右，揭示显著模态差距。声音分析表明模型依赖绝对声学值而非说话人相对偏差，提供说话人基线提示仅带来1.0至4.7个点的提升。工作为金融语音的副语言分析提供了可复用的评测框架，但样本规模与声音维度单一性限制了外推强度。
🔗 开源与复现资源
- 代码：论文中未提及代码链接
- 模型权重：论文中未提及
- 数据集：论文中未提及公开获取链接或开源协议，数据集名为DualEvasion，包含505个问答对，来自60场电话会议，覆盖49个独立股票代码，时间跨度为2023至2025年，数据通过商业授权的EarningsCall API获取，未提供下载地址
- Demo：论文中未提及
- 复现材料：论文在附录中提供了复现相关材料，附录A提供数据集组成与统计，附录B提供文本规避与声音置信度的标注指南与标注界面，附录D说明基于16 kHz单声道音频使用librosa和parselmouth提取声学特征的方法，附录G提供文本规避与声音置信度评估使用的提示模板，表2报告零样本性能，表14报告5折交叉验证下的微调结果
- 论文中引用的开源项目：
- FinanceDataReader：https://github.com/FinanceData/FinanceDataReader
- DefeatBeta API：https://github.com/defeat-beta/defeatbeta-api
- EarningsCall API：https://earningscall.biz
- WhisperX：论文中提及WhisperX Bain et al. (2023)用于句子级时间戳对齐，但未提供具体链接
- librosa：论文中提及用于提取声学特征，但未提供具体链接
- parselmouth (Praat)：论文中提及用于提取声学特征，但未提供具体链接
🧭 深度解读
财报电话会为什么值得听，而不是只读稿子
财报电话会分两段，前半段是管理层照稿宣读，后半段是分析师现场提问。高管在问答里没有提词器，必须即时组织语言，这段互动往往比稿子更能暴露对业务的真实判断。过去很多研究就盯着这段问答，试图从文字里找出闪烁其词的信号。
但现场是声音在场的。同样一句“我们对下季度保持乐观”，平稳笃定地说和带着迟疑、填充词、语调飘忽地说，给听者的感受完全不同。文字转录会把这些副语言信息抹平，只留下词本身。如果规避只用文字定义，就会把“说得完整但听起来没底气”的情况误判为没有问题。
这正是论文的起点：规避不是 1 维的文字游戏，而是“说了什么”和“怎么说”两条通道的叠加。想检验这个假设，就需要让同一段回答同时拥有文字和声音两把尺子，并且两把尺子独立打分，看看它们到底在多大程度上指向同一个结论。
已有工作站在哪，留下了哪个空位
在文字规避这条线上，研究者已经积累了不少分类体系。从早期的直接、中间、完全规避三分法，到省略关键信息、模糊措辞、转移话题等更细的策略清单，核心都是判断回答是否实质回应了问题的内核。近年也有团队把这套思路搬到财报场景，用人类标注或大模型辅助标注做二分类。
声音这条线在金融沟通里几乎是空白。语音研究里倒是有扎实的基础：填充停顿、反应延迟、韵律不稳定与听者感知的“不确定”高度相关，听众确实能从声音里听出犹豫。问题在于，金融场景的声音研究大多拿声学特征直接去预测股价波动，很少有人先把“声音是否自信”这件事本身标注清楚。
于是出现一个断层：已有的财报问答数据集都只有文字标签，没有音频，也没有声音维度的独立标注。论文把自己的位置卡在这里，不去发明新的检测模型，而是先补上这个缺口——做一个同时有文字规避与声音自信度双标签、且保留原始音频的基准，让后续模型有地方被公平地比较。
把规避拆成两问：文字答到没有，声音稳不稳
论文把任务重新表述为两个并行的二分类。文字规避（textual evasion）问的是语义是否到位：回答有没有实质回应分析师问题的核心，出现省略、含糊、答非所问、重述问题、显式拒绝或话题转移就算规避，否则算直接。声音自信度（vocal confidence）问的是听感是否笃定：只听音频不看文字，依据停顿、犹豫、语调稳定性等韵律线索判为自信或非自信。
关键在于“独立”。两个维度分两遍标注，声音标注时不给文字，避免文字内容干扰听感判断。更关键的是基线：每个人习惯不同，有人天生语速慢、口头禅多，不能一概算作不自信。标注时要求先听同一位高管在同一场会里的其他回答，建立个人基线，再判断目标回答是否相对偏离。
这种拆分直接导向一个可检验的预言：如果 2 维真的独立，数据里应该出现大量“文字直接但声音不自信”或“文字规避但声音很稳”的交叉情况。论文后续用 32.1% 的跨模态不一致比例来验证这一点，也为“只看文字会系统性漏信号”提供了落点。
DualEvasion 如何从录音走到双标签
DualEvasion 不是一个端到端检测器，而是一条从采集到评测的流水线。输入是原始电话会录音与对应的说话人元数据，输出是每条问答的两个独立标签，外加一套零样本评测与声学归因的分析方法。中间分 4 步：采集与对齐切分、双通道独立标注、零样本模型评测、声学归因与校准实验。
采集先用商业授权的 EarningsCall API 拉取 2023 至 2025 年 300 个股票代码的录音，覆盖不同交易所与行业。切分用 WhisperX 生成句级时间戳，再与 DefeatBeta API 的说话人信息对齐，得到问答对。初始 3592 场经过三重筛选才留下 60 场：只保留单名高管回答全部提问的场次以避免多说话人混淆，每场至少 4 个问答以保证有基线材料，单条回答不超过 300 秒以适配模型输入。最终形成 505 条样本，涉及 49 个独立代码，总音频 10.9 小时。
标注与评测是这条流水线的核心。文字与声音分开标注，前者看转录，后者只听音频且先建立同场同人基线。评测阶段不训练新模型，而是用固定提示让现有大模型做零样本分类，文字侧喂转录，音频侧喂原始音频。归因阶段则用手工声学特征检验模型到底在听什么，以及能否被显式基线提示所纠正。
标注、特征与校准：三个关键组件如何分工
标注组件的输入是切好的问答对，输出是两个正交标签。文字标注由 2 位金融领域专家独立完成，不一致处裁决，Cohen’s κ 达到 0.866。声音标注独立一遍，标注者先听完同一说话人在同场会里的全部其他回答，再对目标回答打分，κ 为 0.774，并在 52 条子集上用 5 位专家验证 Fleiss’s κ 为 0.713。联合分布里直接-自信 302 条、直接-非自信 67 条、规避-自信 95 条、规避-非自信 41 条，交叉的 162 条正好撑起双通道的必要性。
声学归因组件的输入是 16 kHz 单声道音频，输出是 4 类可解释特征及其与非自信标签的相关性。特征包括静音占比、长停顿占比、响度变异度与浊音占比，提取时用 25 ms 窗与 10 ms 跳计算 RMS 能量，峰值归一化后以 -35 dB 判定静音，长停顿阈值 300 ms，基频用 Praat 自相关法在 75 至 400 Hz 范围内估计。每条特征会算两个版本：原始值与说话人中心化值，即单条值减去同说话人同场均值，再与标签算点二列相关，并对 60 场会做 cluster bootstrap 检验。
校准干预组件检验模型能否利用相对信息。一种是少样本拼接，在目标音频前拼接 1 至 3 条同人参考音频；另一种是显式基线推理，要求模型先归纳参考音频里的典型语速、音高稳定性与韵律，再判断目标是否偏离。前者测模型能否从上下文自发建立基线，后者测给足提示后能否被拉回相对判断。两个干预的输入都是“参考音频+ 目标音频”，输出仍是自信或非自信的单标签。
论文图 1。这张图来自原论文 Figure 1:，图示内容为“The challenge of DualEvasion: an LLM detects textual evasion but misses vocal unconfidence in the same response.”。请结合“标注、特征与校准：三个关键组件如何分工”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
没有训练阶段，这套基准如何完成评测
这篇工作没有提出需要从头训练的神经网络，也就没有传统意义上的损失函数、优化器与训练轮次。它的“学习”发生在标注与评测两端：标注端通过指南与基线试听把人类判断稳定下来，评测端复用已有的大模型做零样本推理。
文字侧复用 Qwen2-7B-Instruct、Llama-3.1-8B-IT、Gemini 系列与 GPT-5 等语言模型，直接在转录上分类，提示模板把输出约束为 direct 或 evasive。音频侧复用 Qwen2-Audio-7B-Instruct、Audio-Flamingo-3、Gemini 音频系列与 GPT-Audio 等音频大模型，直接在原始音频上分类，输出约束为 confident 或 unconfident。商业音频模型的结果取 3 次运行平均，其余为单次运行。
唯一的“训练”出现在对照实验里：对 Qwen2-Audio 等开源语音模型做五折交叉验证的有监督微调，以检验小样本监督能否补上声音短板。论文未披露这部分的学习率、批量大小与调度细节，但报告了微调前后的类别 F1 变化，用来说明监督本身并不能解决非自信类的召回问题。
数据长什么样，实验如何组织与度量
要读懂结果，先看样本与度量。DualEvasion 的 505 条回答中位时长 66.9 秒，中位长度 186 个 token，每场问答数 4 至 10，市值跨度从 56M 到 189B 美元，覆盖技术、工业、金融等 11 个行业。所有音频与转录均来自同一批问答，文字与声音标签一一对应，这使得跨模态对比不是跨数据集的间接比较，而是同一批样本上的直接对照。
根据论文正文与图中报告值整理，数据集与实验协议可概括如下。指标方向上，macro F1 与类别 F1 越高越好，准确率越高越好，相关性则看原始值与中心化后的落差是否显著。基线包括全自信多数类基线与阈值扫描、微调等对照，统计上对声学归因做了基于 60 场的 cluster bootstrap。
| 维度 | 构成与规模 | 关键协议 | 指标与基线 |
|---|---|---|---|
| 样本来源 | 60 场电话会，505 条问答，49 个代码，2023-2025，10.9 小时音频 | WhisperX 句级对齐，三重过滤后保留单高管全答且每场≥4 问答 | 单条时长 0.2-296.9 秒，token 2-918 |
| 标注 | 文字规避直接/规避，声音自信自信/非自信，双通道独立标注 | 声音标注前先听同场同人全部回答建基线，双专家独立+ 裁决，52 条五专家验证 | 文字 κ 0.866，声音 κ 0.774，Fleiss κ 0.713 |
| 评测 | 文字侧 5 个语言模型，音频侧 6 个音频模型，零样本提示分类 | 商业模型 3 次平均，其余单次；开源模型做阈值扫描与五折微调 | macro F1、类别 F1、准确率、与人的 Cohen’s κ |
| 归因与市场 | 4 类声学特征原始值与中心化值相关，60 场 bootstrap；60 场股价波动回归 | 波动率定义见公式，覆盖度阈值过滤 | 相关落差 p 值，3 至 30 天窗口 R² |
论文在附录给出两条核心公式，方法章节需原样呈现。日收益率定义为
\[r_{t}=\frac{P_{t}-P_{t-1}}{P_{t-1}}\]其中\(P_{t}\) 为交易日\(t\) 收盘价，\(r_{t}\) 为当日收益率，输入为价格序列，输出为收益率序列，用于后续波动率计算。
k 日波动率定义为
\[v_{k}=\log\left(\sqrt{\frac{\sum_{i=1}^{k}(r_{i}-\bar{r})^{2}}{k}}\right)\]其中\(r_{i}\) 为窗口内日收益率，\(\bar{r}\) 为窗口均值，\(v_{k}\) 为对数波动率，输入为收益率窗口，输出为单值波动率，交易日 0 按盘前、盘后与盘中发布做区分，回归时按问答覆盖度阈值逐步过滤样本。
同一批问答上，文字与声音的差距有多大
论文最清晰的对比发生在同一 505 条样本上。文字侧最强的 GPT-5 达到 87.4 的 macro F1，规避类 F1 82.2，准确率 89.5，与人类标注者之间的一致度也接近人类彼此的 0.866。换句话说，在“是否答到点上”这件事上，顶尖语言模型已经接近人类专家。
声音侧则呈现另一幅画面。最好的 GPT-Audio 只有 58.5 的 macro F1，非自信类 F1 38.2，准确率 68.4；Gemini-2.5-Flash 与 Gemini-3-Flash 的非自信 F1 也分别只有 38.5 与 38.7。所有音频模型的非自信 F1 都落在 30.8 至 39.2 之间，远低于自信类的 72.7 至 78.8，且与人在声音维度的一致度仅 0.225，远低于人人之间的 0.774。全自信多数类基线本身就有 44.0 的 macro F1 与 78.6 的准确率，说明声音任务的多数类偏斜很大，但模型的低分不是简单的偏向多数类就能解释。
根据论文正文与表中报告值整理，关键结果可按问题组织如下。阅读时关注“非自信 F1”这一列，它是声音任务的瓶颈所在。
| 比较或条件 | 指标 | 明确报告值 | 这项数字支持什么 |
|---|---|---|---|
| 文字最强 GPT-5 | macro F1 / 规避 F1 / 准确率 | 87.4 / 82.2 / 89.5 | 文字规避已接近人类水平 |
| 文字次强 Gemini-3-Flash | macro F1 / 规避 F1 | 84.7 / 76.6 | 闭源大模型在文字上普遍较强 |
| 音频最强 GPT-Audio | macro F1 / 非自信 F1 / 准确率 | 58.5 / 38.2 / 68.4 | 声音显著落后于文字，且短板在少数类 |
| 音频 Gemini-2.5-Flash | macro F1 / 非自信 F1 | 57.9 / 38.5 | 同一模型跨模态落差约 30 个点 |
| 开源弱基线 Qwen2-Audio | macro F1 / 非自信 F1 / 准确率 | 28.0 / 36.2 / 28.9 | 开源音频模型在零样本下更弱 |
| 全自信多数类基线 | macro F1 / 非自信 F1 / 准确率 | 44.0 / 0.0 / 78.6 | 声音任务类别不平衡，但模型并非简单多数类偏置 |
论文还做了两个反证来排除平凡解释。阈值扫描显示，即使为开源模型挑选最优阈值，非自信 F1 也仅提升到 36.7 与 35.5；五折微调后 Qwen2-Audio 的 macro F1 从 28.0% 升至 48.6，但非自信 F1 反而从 36.2 降至 32.4。这说明调阈值或加一点监督能修自信类的崩溃，却修不好对少数类不自信的敏感度。
图 1 与图 2 要回答的问题不同。图 1 用一个具体回答展示“文字判为规避但声音被模型误判为自信”的跨模态不一致案例，读者应看文字标签与声音标签的分离。图 2 则展示 Gemini-2.5-Flash 在 4 类声学特征上，原始值与说话人中心化后与非自信标签的相关性对比，读者应看原始相关显著而中心化后接近零的落差，这正是“模型依赖绝对值”的视觉证据。
论文图 2。这张图来自原论文 Figure 2:，图示内容为“Correlation between acoustic features and unconfident predictions for Gemini-2.5-Flash, the model with the largest gap, measured using absolute values and…”。请结合“同一批问答上，文字与声音的差距有多大”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
为什么模型听不出“比平时更犹豫”
论文把声音失效归因到“不会做说话人基线校准”。人类标注者先听同场同人的其他回答，再判断目标是否偏离；模型在基线评测里只听单条目标音频，天然缺少参照。声学归因的结果支持这个猜想：对 Gemini-2.5-Flash 等模型，4 类特征与非自信标签的平均绝对相关在原始值下为 0.195，中心化后降至 0.032，落差 0.164 且 p=0.005；GPT-Audio 与 Gemini-3-Flash 也有显著下降。而人类标注者的相关在中心化后保持 0.099 至 0.112 不降反升，说明人依赖相对偏差，模型依赖绝对数值。
既然缺基线，补基线能否救回来。论文试了两种补法。直接在目标前拼接 1 至 3 条同人参考音频的少样本方式，不仅没有稳定提升，在 n=3 时反而让非自信 F1 大幅下跌：Gemini-2.5-Flash 从 38.5 降至 28.2，GPT-Audio 从 38.2 降至 23.8。另一种是显式基线推理提示，要求模型先归纳参考音频的典型语速与韵律再做判断，这次有微弱提升，Gemini-2.5-Flash 从 38.5 升至 43.2，提升 4.7 个点，Gemini-3-Flash 提升 2.9 个点，GPT-Audio 仅提升 1.0 个点。
图 3 要回答的是另一类问题：这些标签是否与市场波动有关。图中 3 条曲线分别代表仅文字、仅音频与两者联合的回归 R²，随问答覆盖度阈值与预测窗口变化。读者应看音频单维度在多数阈值下高于文字，且联合模型 R²最高，但随窗口拉长到 30 天信号减弱，且高覆盖度阈值下样本数已降至个位数，曲线抖动很大。
论文图 3。这张图来自原论文 Figure 3:，图示内容为“R² of text-only, audio-only, and combined regression models for post-earnings stock volatility across Q&A coverage thresholds.”。请结合“为什么模型听不出“比平时更犹豫””的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
论文图 4。这张图来自原论文 Figure 4:，图示内容为“Annotation interface for vocal confidence.”。请结合“为什么模型听不出“比平时更犹豫””的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
这套基准的边界在哪里
规模是首要边界。505 条问答来自 60 场会，标注又要求双通道独立且声音需同场基线试听，成本很高，规模自然受限。筛选条件要求单名高管答完全部问题且每场至少 4 问答，虽然保证了可比性，也可能引入说话人风格与行业偏差，49 个代码难以代表全市场。
标签粒度是第二道边界。声音维度被压缩为自信与非自信的二分类，这让标注可操作，却也把犹豫程度、语速、音高等更连续的信号压扁了。文字与声音的关联也只用弱相关一笔带过，没有按规避策略做细粒度拆解，无法回答“哪类文字规避更容易伴随声音不自信”。
市场回归的解读需要更谨慎。60 场样本上按覆盖度阈值反复过滤后，参与回归的场次会进一步缩减，R²的比较容易受幸存者偏差影响，且未控制市值、行业与同期市场波动等混淆因素。论文也明确把这部分定为探索性而非因果结论。声学归因仅用 4 类手工特征，平均相关本身只有 0.195，解释力有限，更多是提示机制而非完整建模。
如果要复现，能复现什么，还缺什么
可复现的部分集中在流程与度量。论文在附录给出数据集构成、文字与声音的标注指南与界面、基于 librosa 与 parselmouth 的声学特征提取参数，以及文字与声音分类、少样本与基线推理 4 类提示模板。切分依赖 WhisperX 句级时间戳与 DefeatBeta 的说话人元数据，过滤规则与时长、token 统计也已披露，这些足以让他人按同样流水线重建样本。
缺口在于数据与代码的公开性。论文未提供代码仓库、模型权重或数据集下载链接，DualEvasion 通过商业授权的 EarningsCall API 获取，未说明开源协议。微调与推理的关键配置如学习率、批量大小、优化器、调度、解码温度与硬件预算也未披露，商业模型的评测多为单次或 3 次平均，缺乏方差与显著性报告。
这意味着“可核对”与“可直接复跑”是两回事。研究者可以按描述重做标注与评测框架，验证跨模态不一致与模态差距的存在性，但无法一键复现完全相同的 505 条样本与数值。后续工作若要外推，需要更大规模、更多说话人与更连续的声音标注，并补上跨数据集的泛化检验。
回看贡献：一个可复用的评测框架与一个未闭合的差距
把论文放回起点，它没有宣称解决了声音规避检测，而是先把问题定义清楚：规避有文字与声音两个可独立变化的维度，单看文字会系统性漏掉约三成的信号。为此它补上了一个双标签基准，并用一套从声学相关到校准干预的分析，把“模型为什么听不准”定位到说话人基线缺失。
这个框架的价值在于可复用。采集、对齐、双通道独立标注、零样本评测与声学归因的流水线，以及显式基线提示的干预设计，都可以被后续研究直接套用到更多电话会与更细的声音维度上。文本接近人类而声音非自信 F1 长期低于 39 的鸿沟，也为音频大模型指出了一个具体的改进方向：不是堆更多绝对声学特征，而是学会为每个说话人建立相对基线。
代价也很清晰：小样本、二分类声音标签与探索性市场分析限制了结论的外推强度。对于刚进入这个方向的研究生，更值得带走的是方法论启示——当任务涉及人的主观感知时，先把标注时的参照系设计好，再谈模型性能，数据规模与标签粒度往往比模型技巧更早决定天花板。
📎 论文与评分元数据
标签：#语音情感识别 #多模态模型 #音频理解 #基准测试
6.2/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5
✅ 6.2/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：中 | #语音情感识别 | #多模态模型 | #音频理解 #基准测试 | arxiv
⚖️ 评分依据与证据（展开查看）
逐维得分、全文证据与扣分边界
创新性 (1.3/2)：首次将财报电话会规避拆为文本规避与声音自信度双维度独立标注，并用 32.1% 跨模态不一致验证互补性，相较仅做文本标注的 SubjECTive-QA 等数据集提供音频与双标签新操作化，通过说话人中心化相关与基线提示揭示模型依赖绝对声学值的机制差异。
技术严谨性 (1.0/1.5)：文本规避 Cohen’s kappa 0.866 与声音自信度 0.774 并在 52 条子集上 Fleiss’s kappa 0.713 验证标注质量，声音标注强制同场同说话人基线校准并用 4 类声学特征的说话人中心化与 60 场 cluster bootstrap 检验归因，但声音维度仅用二分类自信度代理且筛选要求单高管回答全部问题可能引入风格偏差。
实验充分性 (1.0/1.5)：在同一 505 条上对比 GPT-5 87.4 与 GPT-Audio 58.5 macro F1 并保留类别 F1 与 44.0 多数类基线，补充阈值扫描与 5 折微调及说话人归一化与 few-shot n=3 干预，但市场回归仅 60 场且按覆盖度过滤后样本更少未控制市值行业混淆，缺乏跨数据集泛化与完整的方差显著性报告。
清晰度 (0.8/1)：流程按采集对齐切分双通道标注零样本评测与声学归因分阶段叙述并给出 4 类特征提取参数与提示模板约束，表 2 与表 5 表 6 保留准确率与类别 F1 及相关差距 p 值，但部分跨模态单元标注为论文未给出具体数值且市场分析细节分散于附录影响主线连贯性。
影响力 (0.9/1.5)：为金融语音副语言分析提供首个文本与音频双标签可复用评测框架并量化文本接近人类而音频非自信 F1 仅 38.2 左右的模态鸿沟，揭示说话人校准缺失这一可迁移瓶颈，但 505 条与 60 场规模及声音维度单一性限制外推强度且市场价值仅作探索性解读。
开源 (0.0/1.5)：论文未发布核心代码、模型权重或数据资源，也未给出明确的后续开源承诺。
可复现性 (0.3/0.5)：已披露 WhisperX 对齐三重过滤规则与双维度标注指南及 16 kHz 单声道 25 ms 窗 10 ms 跳等声学参数，附录 A B D G 提供统计标注界面与提示模板，但微调学习率 batch size 优化器调度与硬件型号时长及解码温度等关键配置大量缺失。
工程/实践价值 (0.9/1.5)：给出从 EarningsCall API 采集经 WhisperX 与 DefeatBeta 对齐到双通道独立标注与零样本评测及 librosa 与 parselmouth 声学归因的可复用流水线，提供说话人中心化与基线推理提示等可核对干预，但未发布数据集与代码导致流水线缺乏可直接部署的公开产物验证。