倾听与报警并行：校园双语语音对话如何在共情流程中嵌入高风险检测

英文题目：Risk-Aware Bilingual Spoken Dialogue for Campus Mental Health Support

会议身份：conference:aaai:2026:conference-paper-id:42362

✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#数据集构建 #多语言 #语音 #语音对话系统

评分：4.8/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 0.3/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5

排名：后50% | 文档类型：系统技术报告

👥 作者与机构

• You-Teng Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Li-Yang Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Yi-Tang Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Jen-Tzung Chien：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作面向校园心理支持的国语英语双语口语自我披露，输入为校园用户语音，输出为共情文本语音回复及高风险预警，难点在于实时安全干预与跨语言可用性需兼顾。系统先由基于Whisper并经台湾口音微调的自动语音识别转写含中英码切换的语音，转写文本进入自然语言理解抽取意图情感与语义特征。对话管理以咨询师知情策略维护信息状态并控制流程，提示驱动的大语言模型分类器将每轮话语分为无、低、中、高四级，其判定结果传递至后端触发机制。高风险时后端生成触发令牌由前端监听并弹出含咨询与急救联系方式的预防弹窗并通知咨询师，自然语言生成产生共情文本再经面向台湾国语与标准英语的语音合成播报，全程安全落库供咨询师复核。在文本语料收集设置下，ConvCounsel的指标样本量为40组模拟咨询，高于ConvCounsel 2.0的指标样本量为15人交互日志。相对既有国语主动倾听系统，该设计将风险分类与界面渲染解耦并新增双语语音通道，意义在于低延迟安全阻断与更广人群覆盖。该结论适用边界受限于仅在40组模拟咨询与15人交互日志构成的数据管线及演示系统上验证，尚未验证跨校泛化与误报代价下的失败条件。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 演示资源：https://www.nycuka.com.tw/ — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，能复述到什么程度？

本文解读的输入是论文正文证据与 3 张官方原图像素，目标是让刚进入语音与对话领域的研究生能复述该校园心理支持系统的完整做法。需要保留的关键信息包括系统名称与网址、双语范围、语音与文本模块划分、4 级风险定义、告警触发方式以及数据规模。论文报告的系统网站为公开链接，本次资源状态显示可用，因此可以写当前可用。解读的输出是一套可核对的流程说明，凡涉及规模与等级划分均回到原文句子核对，不引入外部评价。

读者学完后应能画出从用户语音输入到系统语音输出的主链路，并说清风险分类在何处分支、何处落库、何处弹窗。论文没有给出识别准确率、分类精度或延迟数字，因此本解读不虚构效果，只讲机制与构造过程。后续各节按学习依赖展开，先讲校园场景为何需要语音对话，再讲已有路线与本文增量，然后走完一个样本的端到端流程，再拆组件、数据构造、实验条件与局限，最后给出复现起点。

已有路线解决了什么，还缺哪两块？

论文把起点放在两类背景上。一类是校园心理需求与咨询资源紧张的现实，学生、教职员工等待专业支持时间长，语音对话系统被认为能鼓励自我表露并提供辅助支持。另一类是已有的主动倾听语音对话系统，前期工作已在国语场景下实现共情交互。原文明确指出在实用部署前还有两个关键缺口，第一是高风险对话内容的早期检测与实时告警展示，第二是国语与英语双语语音交互以扩大可及性。

本文的增量正是围绕这两块展开，既不是重做一个通用聊天机器人，也不是只做一个文本风险分类器，而是把双语语音链路与安全机制嵌入同一个网页系统。理解这一点很重要，否则容易把语音合成或风险提示当成附带功能。实际上语音决定了用户能否自然开口，风险检测决定了系统在关键时刻能否及时转介，二者是并列的可用性与安全性要求。

论文还引用了对话管理的信息状态方法、语音识别与跨语言合成等基础工作，说明系统站在已有模块之上做集成与改造，而非从零训练所有模型。后续方法全景会说明这些模块如何被 Flask 框架统一调度。

系统要处理什么输入，产生什么输出，安全边界在哪里？

系统的输入是校园用户通过网页界面产生的语音或文字，语言范围是繁体中文与台湾国语口语，以及标准英语，还包括中英夹杂的实际说法。输出有两类，一类是常规的共情对话回应，可以是双语文字或语音，另一类是高风险触发时的安全告警，包括心理中心与紧急联系信息以及对咨询师的通知。任务的难点在于同一句话既要被理解情绪与意图以维持对话，又要被评估风险等级以决定是否告警，两个目标共享同一输入文本但动作不同。

举例来说，教学上的例子是用户说今天很累，系统需要先识别出低落情绪并回应，再判断其属于低风险还是中风险，只有明确表达自伤或自杀意图才进入高风险分支。论文用 4 级定义把边界说清楚，无风险、低风险、中风险与高风险各有典型表述，高风险的例子直接涉及计划结束生命或伤害自己。安全边界是只有高风险才触发弹窗与通知，其余等级继续对话流程。这种设计把敏感干预收敛到最必要的分支，避免对一般情绪困扰过度打断。

需要强调的是论文未报告分类阈值调参与误报处理，因此复述时只能说按提示分类器输出等级触发，不能补充具体的分数阈值。

端到端走一遍：一个语音样本经历了什么？

先沿一个样本走完流程。假设 1 名用户用台湾国语语音说出近况，音频先进入自动语音识别模块，转写为文字后交给自然语言理解抽取意图与情绪。接着对话管理结合咨询师知识的提示策略决定对话走向，语言生成模块产生共情回应。与此同时，同一句用户文本被送入基于提示的大语言模型风险分类器，判定为无、低、中、高 4 个等级之一。若为高风险，后端生成触发令牌，前端监测到后立即弹出预防告警并记录，后台同时通知咨询师。

若非高风险，则按正常流程把回应文本送入语音合成模块，生成台湾口音国语或标准英语语音返回给用户。所有轮次的输入、回应与风险等级都被存入数据库，可供咨询师提取关键信息辅助决策。整个调度由 Flask 框架集成，提供统一网页界面。下面导读系统总览图，重点看输入输出箭头与模块汇聚关系。

主动倾听 × 对话管理： 主动倾听负责交互策略，强调鼓励自我表露、复述与共情回应；对话管理负责流程控制，决定何时追问、何时切换策略、何时输出回应。二者搭配的理由是仅有语言生成会失去方向，仅有流程控制会显得生硬，组合后对话管理调用主动倾听策略生成下一步话术，使系统既保持方向又保持温度。

系统总览图展示了用户与网页界面之间的音频输入输出关系，以及底部 Flask 与数据库为中心的模块集成方式，阅读时应先分清三色连线的含义再看模块归属。

看图路径： 1. 先从右侧用户音频输入箭头出发，跟踪进入 Flask 再到识别与理解模块的主路径；2. 再看左侧语音合成与语言生成模块如何经 Flask 返回音频与文本输出；3. 确认底部数据库与中间 Flask 的双向连线，理解日志存储位置；4. 对照蓝色音频线、绿色文本线与红色输入线的分工

论文图 1。原论文 Figure 1：“Nycuka dialogue system. User inputs are pro- cessed by ASR/NLU and middleware with database logging, while responses from LLM and rule-based modules are de- livered via bilingual…”。

从像素可见，顶部左侧是系统界面，内含人物形象与对话气泡，右侧是用户图标，中间有橙色音频输入波形与蓝色音频输出波形。底部大框内中央是 Flask，两侧分别连接台湾口音语音合成、语言生成模块、语码切换语音识别与语言理解模块，下方连接数据库。蓝色线标示音频输出，绿色线标示文本输出，红色线标示音频或文本输入。这种布局说明 Flask 不是模型本身，而是集成与路由中心，语音与文本分支在此汇合后再经界面呈现。理解该图后，就能明白为何风险分类可以与界面渲染解耦，因为判断逻辑在后端模块完成，界面只监听触发令牌。

语音与文本组件各自做什么，如何配合告警？

语音组件包含自动语音识别与语音合成两部分。识别部分白话说就是听懂说什么，英文为 Automatic Speech Recognition，简称 ASR。论文说明基于 Whisper，并用台湾口音数据微调以捕捉发音与韵律变异，同时支持国语与英语的语码切换。合成部分白话说就是用自然声音说回去，英文为 Text-to-Speech，简称 TTS。论文采用 2 阶段策略，先在中国口音大规模语料上预训练学习通用声学模式，再用台湾口音数据微调发音与韵律，并加入标点感知的韵律控制以生成流畅回应。

文本组件包含自然语言理解、对话管理、自然语言生成与高风险检测。理解模块抽意图与情绪，管理模块用提示引入咨询策略，生成模块产出共情文本。风险检测是独立分支的大语言模型分类器，对每句用户话语输出预定等级。

自动语音识别 × 自然语言理解： 自动语音识别负责把用户语音转写为文字，处理台湾口音与中英夹杂的发音变异；自然语言理解负责从文字中抽取意图、情绪与语义特征。二者搭配是因为语音错误会向上传递，理解模块需要对噪声鲁棒，组合后形成从声学到语义的输入链，为对话管理与风险检测提供统一文本入口。

高风险检测 × 实时告警界面： 高风险检测负责用提示驱动的大语言模型分类器对每句用户话语判定风险等级；实时告警界面负责在检出高风险时弹出求助资源并通知咨询师。二者分工是后端判断与前端呈现解耦，搭配理由是降低耦合便于更新分类提示而不改界面逻辑，组合后实现触发令牌驱动的低延迟安全闭环。

语音合成 × 标点感知韵律控制： 语音合成负责把系统回复文本转为台湾国语与标准英语语音；标点感知韵律控制负责利用标点调控停顿与语调，使输出更流畅自然。二者搭配是因为跨口音预训练只解决音色与发音，仍需韵律控制解决可懂度与共情感，组合后先建模发音再精修表达。

当高风险被检出时，后端产生触发令牌，前端据此激活包含咨询资源的预防告警并通知咨询师。论文强调这种解耦设计使风险分类与界面渲染分离，便于更新且延迟小。下面导读告警界面截图，重点看弹窗内容与对话背景的关系。

告警截图的教学价值在于展示安全导向界面的实际呈现方式，需要确认弹窗遮挡关系、文字分区与联系方式完整性，而不是只记住有告警这个结论。

看图路径： 1. 先看前景黄色标题的系统警告弹窗及其文字结构；2. 再看背景虚化的左右对话气泡，确认告警不中断上下文记录；3. 核对弹窗中列出的两个校区心理中心与校安中心联系方式的分区

论文图 2。原论文 Figure 2：“When high-risk utterances are detected, the system immediately displays an alert with counselor and emergency contact information to guide users towards supports.”。

从像素可见，前景是一个黄顶白底的系统警告弹窗，标题为系统警告，正文包含称谓、风险提示语、可求助时间段、阳明与交大两校区的健康心理中心与校安中心电话与邮箱，以及更多求助资源链接。背景是虚化的聊天界面，右侧可见多个蓝色用户气泡，左侧有系统灰色气泡，顶部可见系统名称。这说明告警是模态弹窗，弹出时原对话仍在背景保留，用户可关闭弹窗回到对话。复述时应指出弹窗内容是引导求助而非诊断结论，论文未说明通知咨询师的具体通道与延迟，因此不能补充短信或邮件等实现细节。

没有新大模型训练时，真正的构造工作是什么？

本研究没有报告从零训练大语言模型的训练阶段，也没有给出优化器、学习率或梯度路径，因此该节不能写成模型训练教程，而应讲清实际的构造与适配过程。真实计算过程包括 3 类。第一是语音模型的适配，识别侧用台湾口音数据对 Whisper 微调，合成侧先预训练再用台湾口音数据微调，这属于常规的迁移适配，但原文未给出数据划分、训练轮数与评估指标，缺项需明确指出。

第二是提示驱动的风险分类器构造，通过编写提示让通用大语言模型按 4 级输出等级，不更新权重，属于调用与提示设计而非参数训练。第三是数据收集与预处理，包括语音与文本两路。下面导读数据收集管线图，再用表格核对规模。

模拟咨询对话 × 实测交互日志： 模拟咨询对话指 40 例带角色、情绪与策略标注的仿真会话，提供策略丰富的受控样本；实测交互日志指 15 名测试者与系统的真实交互记录，包含输入、回复与风险等级。前者补策略覆盖，后者补真实分布，组合后同时支撑系统调优与贴近部署的分析评估。

数据管线图的教学价值在于把训练与推理共用的链路收敛为一条可复现的日志闭环，阅读时应区分转写、理解与合成的先后顺序。

看图路径： 1. 从左上音频输入经语音识别到用户文本，再进入中间大模型；2. 跟踪大模型到右侧系统文本再经语音合成到音频输出的链路；3. 确认底部数据库同时接收用户侧与系统侧两路箭头

论文图 3。原论文 Figure 3：“Data collection pipeline. User utterance is tran- scribed by ASR, processed by large language model for dia- logue flow and risk detection, and synthesized by TTS for di- alogue…”。

从像素可见，左上音频输入经橙色波形进入 ASR，再到用户文本，中部大模型图标接收文本并输出到右侧系统文本，再经 TTS 到音频输出，底部数据库同时接收用户侧与系统侧箭头。这与系统总览图一致，但更突出数据沉淀视角，说明每轮交互的音频与文本都被记录。关于规模，论文报告语音侧收集并预处理了 400 小时音频用于识别与合成训练，文本侧有两个来源，模拟咨询对话与测试者日志。为便于核对，将 3 类数据的来源与记录内容整理成表。

下表提出比较问题是 3 类数据分别解决什么问题，公平理解条件是它们分属语音建模与对话评估的不同阶段，指标方向不是越大越好，而是覆盖是否互补。

上表的主要收益是语音量级明确且文本两路互补，语音侧 400 小时支撑口音适配，40 例模拟提供策略标注，15 人日志提供真实风险分布。具体代价与局限是 15 人规模小且为测试者日志，不能代表全校师生分布，论文也未报告划分方式与采样条件，因此不能计算泛化误差。未胜出或未评测的边界是未说明音频时长分布、转写质量与日志轮次长度，复现时需补记这些细节。

用什么数据、什么协议评估，条件交代到哪一步？

论文作为系统演示，实验条件的性质是系统分析、评估与精修，而非标准基准对比。数据侧已交代语音 400 小时与两类文本数据，文本日志每条进一步记录会话日期、用户标识、对话轮次索引与话语内容，数据收集与处理管线如前图所示。协议侧未给出训练集验证集测试集划分、采样方法、聚合指标与统计检验，也未报告识别词错率、合成主观分或风险分类的准确率召回率，因此不能按常规分类实验复述测什么与谁比。

部署条件方面，系统以网页形式提供，集成 Flask、数据库记录与双语文字或语音呈现，高风险时自动弹窗。硬件预算、推理开销与实际延迟均未报告，这是明确缺项。教学上应把本节理解为构造说明而非效果验证，重点是知道数据存在哪里、字段有哪些、系统在哪里可访问。论文列出的网址在本次检查中可用，为复现提供了入口，但可用不等于可复现全部模块，因为代码与权重是否公开未在证据中说明。

后续结果节只能转述系统功能与数据存在性，不能转述不存在的数字对比。

系统实际表现出什么，哪些数字是唯一可核对的？

论文直接报告的是功能实现而非定量主结果。它显示系统能进行国语与英语双语语音对话，能用台湾口音合成回应，能对每句用户话语做 4 级风险判定并在高风险时实时展示告警与通知咨询师，同时已收集可用于后续分析的数据。这些属于报告层面的完成态描述，有系统图与界面截图支撑。唯一可核对的数字是数据规模与等级数量，而非性能提升幅度。为避免把存在性当成优越性，下表把可核对的条目按条件整理，明确区分功能项与规模项。

下表要回答的问题是哪些陈述有原文句子支撑，比较条件是同一系统内的不同模块，指标方向是是否实现而非高低之分。

上表的主要收益是把可验证点收敛到原文原句，避免夸大。双语对应国语与英语，4 等级对应无低中高，4 项贡献对应检测、双语、界面与数据，1 个网址对应官方域名。具体代价是没有任何基线对比，例如未与单语系统比可及性，未与规则关键词比风险检出率，也未报告误报与漏报。未胜出项在这里体现为未评测边界，即高风险之外的 3 级如何影响对话策略未展开，英语高风险表述的覆盖度也未说明。重提结果时新增的对照是模拟数据策略丰富但非真实分布，实测日志真实但规模小，二者不能互相替代。

拿掉哪一块会怎样，论文给了什么反证？

论文未提供消融实验，没有拿掉风险检测、双语合成或提示策略后的对照数字，因此不能推断拿掉后必然怎样。能做的反证分析是基于结构的依赖推理，并明确标注为待验证。第一，若去掉高风险检测分支，系统仍能维持共情对话，但失去关键时刻的转介能力，安全闭环断裂。第二，若去掉台湾口音微调，预训练的通用合成仍能发声，但发音与韵律可能不符合本地听感，影响自我表露意愿，这只是合理担忧而非已测量结论。

第三，若去掉解耦的触发令牌设计，把分类与界面写死在一起，更新提示将更困难，但论文未测量延迟差异，因此不能承诺延迟改善。教学上要区分直接报告与有限解释，论文支持的是模块存在与分工，解耦带来易更新是设计理由而非实测对比。可能的待验证推测是提示分类器对中英夹杂与隐晦表达的鲁棒性，这需要补标注测试集才能回答。复述时不得把架构合理性当成性能证明，也不得用通用大模型的外部知识填补本系统的误判率。

哪些关键验证缺失，不能承诺什么？

缺失证据不是技术错误，但决定了不能承诺的范围。第一，风险分类没有报告精度、召回、误报率与评估集构成，4 级定义只有典型例子，没有标注指南与一致性检验，因此不能承诺能可靠识别自伤意图，只能说按提示输出等级并触发告警。第二，语音链路没有报告识别词错率、合成自然度评分、双语切换成功率与端到端延迟，400 小时的构成与划分不明，因此不能承诺台湾口音与夹杂场景得到改善。

第三，数据侧 40 例模拟与 15 人日志规模有限，未说明人口覆盖、知情同意与隐私保护细节，虽然论文提到安全存储与可提取关键信息辅助咨询师，但具体脱敏与权限机制未展开。第四，部署成本未报告，训练资源、推理开销、并发能力与实际延迟分别缺失，总体趋势不等于每轮都稳定。这些限制意味着该系统更适合作为辅助自我表露与转介提醒的研究原型，而非替代专业咨询。

阅读时若看到曲线向下或弹窗出现，不能直接推广为全程有效，像素不能辨别的数值不要硬写，补充说明需明确归因。

要复现这个系统，先做什么，需要补哪项验证？

复现应从可运行入口开始，先访问官方网址确认界面与双语切换是否可用，再对照系统总览图列出最小模块清单，包括语音识别、语言理解、对话管理、语言生成、语音合成、风险分类器、Flask 调度与数据库。语音侧需准备台湾口音数据并复刻识别微调与合成 2 阶段适配，同时记录划分与评估指标以补原文缺项。文本侧需复刻提示模板，使分类器稳定输出 4 个等级之一，并实现后端触发令牌到前端弹窗的监听逻辑，弹窗内容需包含本地心理资源而非硬编码示例。

数据侧需按字段复刻日志记录，包括日期、用户标识、轮次索引、话语内容与风险等级，并区分模拟标注与真实日志的用途。还需补三项验证，一是构建含隐晦表达与夹杂语的風險测试集并报告误报漏报，二是测量端到端延迟与并发表现，三是明确隐私存储与咨询师通知的合规流程。区分代码开源、权重下载与系统可运行很重要，当前仅能确认系统链接可用，不能确认代码与权重已公开，因此复现预期应定为功能复刻而非权重复用。

何时值得尝试这个思路，记住哪条主线？

当目标是校园场景下鼓励开口同时守住安全底线，且用户覆盖国语与英语时，这个思路值得尝试。主线是把共情对话与风险转介放在同一文本入口上分叉，一路维持倾听，一路独立判定等级，只有高风险才打断并弹窗。语音适配解决听得亲切与说得自然，解耦设计解决安全逻辑易更新，数据双路解决策略丰富性与真实性互补。需要记住的边界是效果未经定量验证，误判率与成本未知，因此适合作为辅助工具与研究平台，在专业咨询师参与下使用。

初学者复述时可用一句话收束，用户语音经识别转文字后同时进入对话管理与 4 级风险分类，正常时合成双语回应返回，高风险时触发令牌弹窗并通知咨询师，全程落库以支撑后续分析。掌握这条主线后，再去补语音指标、分类评估与隐私合规，才算完整理解。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 aaai-2026 论文汇总