英文题目：Prosody as Supervision: Bridging the Non-Verbal–Verbal for Multilingual Speech Emotion Recognition
会议身份：
conference:acl:2026:conference-paper-id:2026.acl-long.1940
✅ 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。
标签：#领域适应 #韵律 #低资源 #多语言 #语音情感识别
评分：7.2/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Girish：机构信息未能从会议 PDF 纯文本可靠映射
- Mohd Mujtaba Akhtar：机构信息未能从会议 PDF 纯文本可靠映射
- Muskaan Singh：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
低资源多语言语音情感识别输入为无标注多语言言语话语，输出为happy、anger、disgust、sadness、fear共五类情感标签，难点在于情感韵律与词法音系纠缠且标注跨语言分布不均。所提NOVA-ARC先以voc2vec等抽取帧特征并经线性投影与原点指数映射送入曲率为-1.0的庞加莱球，再以大小256的双曲向量量化码本离散化韵律token并经莫比乌斯加法与瓶颈融合得到帧表示。接着双曲情感透镜对融合后帧表示做可学习幂律径向强度校准与注意力池化得到话语向量，最后以源域非言语Frechet原型为锚做熵正则最优传输诱导目标域软伪标签并联合源监督与一致性正则优化。与保留相同传输与码本结构的欧氏对照相比，关键差异在于全程以双曲距离与几何操作组织层级情感结构，使原型传输与几何一致，从而减少强度错配并提升跨语料泛化。在APD NV为源、APD V为目标的评测设置下，NOVA-ARC的准确率为92.40，高于欧氏对照的87.31。该结论适用边界限于表演型与朗读型语料的五类共有情感，尚未验证自发对话与重叠语音下的外推。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 模型相关资源：https://github.com/koudounasalkis/voc2vec — 链接可访问（HTTP 200）
- 模型相关资源：https://huggingface.co/microsoft/wavlm — 暂时无法访问
- 模型相关资源：https://huggingface.co/facebook/wav2vec2 — 暂时无法访问
- 模型相关资源：https://huggingface.co/facebook/mms-1b — 暂时无法访问 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？为什么低资源多语言情绪识别难做？
本解读的输入是标题为 Prosody as Supervision 的英文长文正文与本次收到的官方原图像素，目标是让刚进入语音音频的研究生能核对条件并复述方法。必须保留的信息包括任务定义、源与目标的数据条件、编码器种类、双曲与欧氏对照的公平性、超参数与训练流程、主结果与消融的适用边界。输出是 1 篇按学习依赖展开的中文技术解读，不做超出证据的效果承诺。
任务是低资源多语言语音情绪识别。输入是一段语音波形，输出是高兴、愤怒、厌恶、悲伤、恐惧 5 个类别之一。难点不在单库内分类，而在跨语言跨库：标注集中在少数高资源语言，语种、说话人、录音条件、标签口径都不一致。传统做法依赖有标签言语做监督，模型容易把词汇、音位、语言特有表达习惯当作情绪线索，换语言就失效。论文因此提出换监督源：用与词义解耦的非言语发声学习情感，再适配到无标签言语。
非言语发声 × 言语情绪识别： 非言语发声指笑、哭、叹息、尖叫等不承载词义的发声，分工是提供与词、音位、语言习惯解耦的情感信号；言语情绪识别指从带词语句中判断高兴、愤怒等类别，分工是处理真实应用中的说话内容。搭配理由是言语标签易与词汇相关物过拟合而跨语言失效，非言语监督更依赖发声、谱倾斜、强度动态等共享生理机制。组合意义是把前者当作可迁移的源监督，去适配后者的无标签多语言目标。
初学者常误以为加大编码器就能解决跨语言问题。论文的视角是监督信号本身需要更换：言语监督天然纠缠语言内容，非言语监督由共享生理机制驱动，更依赖韵律声学。后续方法、实验都要围绕这条假设检验展开，而不是只比较谁的预训练数据更大。
已有路线走到哪里？为什么还要换监督源？
已有工作可按监督来源与运行阶段对照。第一类是跨语言无监督域适配，例如对抗对齐、近邻语音转换降偏移、跨语言共享向量量化表示。它们的输入同为有标签源言语与无标签目标言语，目标同为缓解域偏移，但监督仍来自言语。第二类是多语言预训练与迁移学习，用更大覆盖的语音编码器提升鲁棒性，但情绪标签仍从言语收集且分布不均。第 3 类是直接建模非言语发声，动机是其情感丰富且建模挑战不同，但多停留在非言语内部识别，没有形成到言语的迁移范式。
论文与 3 类的区别在运行阶段的监督条件：源是有标签非言语，目标是无标签言语，适配时不看目标情绪标签。这不是同条件下的胜负比较，不能把非言语到言语的数字直接等同于言语到言语的数字。论文同时做了互补的言语到言语迁移，正是为了说明框架通用，但主 claims 仍是前者。理解这一点才能正确读表：零样本表中两种源的排名翻转恰恰反映表示与监督的匹配关系，而非某个编码器全面更强。
问题如何形式化？源和目标各有什么标签？
论文把问题定义为无监督非言语到言语迁移。源域是带标签非言语集合，每个样本有波形与 5 类之一的情绪标签。目标域是无标签言语集合，只有波形，训练时不可用情绪标签，标签只留作评测。评测时把所有库统一到高兴、愤怒、厌恶、悲伤、恐惧的共享 5 类空间，选择能跨库可靠对齐的子集，以减少标签口径不一致带来的混淆。
学习目标是学一个对目标言语有效的情绪分类器。约束是不能用目标标签直接监督，只能用源标签加目标无标签数据做对齐。论文还设置互补的言语到言语迁移作为参照：源换成同一语料的言语子集，目标仍是其他言语库。这有助于分离两个因素：增益来自表示几何与适配机制，还是仅仅来自源与目标都是言语。初学者复述时要先说清每次实验的源是谁、目标是谁、目标标签是否可见，否则数字无法比较。
NOVA-ARC 全景：一个样本走完全流程
NOVA-ARC 全称是经双曲对齐、径向校准与码本 token 的非言语到言语适配。沿一个样本走一遍：输入一段波形，先经语音基础编码器得到帧级特征，再经线性投影并映射到庞加莱球得到双曲帧嵌入。每帧在双曲码本中找庞加莱距离最近的码字，得到离散韵律 token。连续帧与离散 token 在双曲内用莫比乌斯加法融合，经瓶颈压缩回双曲，再经情绪透镜做径向强度校准。所有校准帧在切空间做注意力池化，得到 utterance 向量与其双曲对应点，最后线性加 softmax 输出情绪分布。
训练时同时采样有标签源小批量与无标签目标小批量。源分支用监督损失学情绪，目标分支用原型传输的几何对齐损失与软标签交叉熵学习。源情绪原型是每类源 utterance 嵌入的弗雷歇均值，每轮更新 1 次。推理时只走同一前向通路，取概率最大类。整个设计围绕两处错位：非言语与言语的声学结构错位用码本与双曲缓解，强度错位用透镜缓解，标签缺失用传输诱导的软监督弥补。
表示与对齐如何计算？双曲、码本、原型各管什么？
编码器可以是 voc2vec、WavLM、wav2vec2.0 或 MMS。论文说明前两者是掩蔽预测自监督，WavLM 另有去噪设计，MMS 把类似 wav2vec2.0 的预训练扩展到上千语言，voc2vec 则按 wav2vec2.0 框架在约 125 小时非言语数据上训练。选择多种编码器不是为了比谁预训练更大，而是检验适配框架在不同前端下是否一致有效。公平起见，欧氏对照保持同样结构与训练，只把双曲运算换成欧氏运算。
双曲建模发生在 d 维庞加莱球。论文采用该几何的理由是情绪具有层级结构，粗粒度情感家族可细化为具体类别与强度，双曲能以较低失真保留这种组织。指数映射把切向量送入球内，对数映射把球内点拉回切空间，莫比乌斯加法在球内融合两点，庞加莱距离度量相似。数值稳定处加小量。
\[0(v) = tanh(√c∥v∥) √c∥v∥+ ε\]上式是原点处指数映射，把投影后切向量变为双曲帧嵌入。它先解释输入是线性投影后的帧向量，再解释计算目标是落入曲率为负的球内。初学者可理解为先做线性变换学特征组合，再做几何约束换空间。
\[[√c ∥−x ⊕y∥ dc(x, y) = 2 √c arctanh\]上式是庞加莱距离，把莫比乌斯差的范数经反双曲正切放大。它是码本最近邻、原型均值、传输代价的共同度量。距离越大表示情绪组织上越远，后续传输代价也越大。
双曲表示 × 欧氏对照： 双曲表示指把嵌入放在曲率为负的庞加莱球中，用庞加莱距离度量相似，分工是低失真保留情绪由粗到细的层级组织；欧氏对照指保持同样编码器、码本、传输流程但把双曲运算换成欧氏运算，分工是剥离几何因素做公平比较。搭配理由是只有结构相同才能把增益归因于几何而非参数量或流程。组合意义是论文用该对照证明原型对齐和韵律切分在双曲下更有效。
韵律切分与融合的具体动作是：每帧在码本中按庞加莱距离找最近码字，用码本损失与承诺损失约束两者靠近并稳定分配；再把连续帧与离散 token 莫比乌斯相加，映射到切空间做线性瓶颈，再映射回双曲。情绪透镜再把瓶颈帧分解为半径与方向，做幂律弯曲后映射回去，用于校准强度。注意力池化在切空间用共享向量算权重加权求和，得到 utterance 表示。
韵律码本 × 连续嵌入： 韵律码本指在双曲空间中用向量量化把每帧映射到最近码字的离散 token，分工是固化可复用的韵律模式；连续嵌入指编码器投影后未经离散的帧表示，分工是保留细粒度声学变化。搭配理由是离散稳定跨语模式但丢细节，连续保细节但易受域偏移影响。组合意义是 NOVA-ARC 用莫比乌斯加法在双曲内融合二者，再经瓶颈压缩得到兼顾稳定与细节的帧表示。
分类头从切空间 utterance 向量经线性加 softmax 得到类别分布：
\[pθ(y | x) = softmax(Weu♭+ be)\]上式符号是模型参数下的条件概率，输入是 utterance 向量，目标是 5 类分布。它既用于源监督，也用于目标软标签训练。
原型是源每类嵌入在双曲中最小化平方庞加莱距离和的点，集合起来即源情绪结构。目标适配时先算原型到目标小批量的代价矩阵，再用 Sinkhorn 求熵正则传输计划。目标边缘取均匀表示对目标标签无先验，原型边缘取源类先验以保留源情绪质量分布。传输计划归一化即目标软伪标签。
情绪原型 × 最优传输： 情绪原型指源域每类 utterance 嵌入在双曲中的弗雷歇均值，分工是把有标签非言语知识压缩为每类一个中心；最优传输指在原型到目标 utterance 的平方庞加莱距离代价上求熵正则传输计划，分工是把源类质量软分配给无标签目标。搭配理由是目标无标签时不能用交叉熵直督，需要几何距离先建对应再诱导软标签。组合意义是传输代价做几何对齐、传输诱导软标签做分类器训练，两项互补完成无监督适配。
训练目标如何组合？参数何时更新与重置？
每步损失由三项组成：源监督项学非言语情绪，传输代价项最小化原型与目标的加权平方双曲距离，传输软交叉熵项用诱导软标签训练目标分类器。前者保证源结构正确，后两者让目标跟随同一原型结构并保持预测一致。论文给出权重均为 1 的设置，熵正则与 Sinkhorn 迭代数固定。
情绪透镜 × 一致性正则： 情绪透镜指 HEL 可学习径向校准，分工是在切空间分解半径与方向后做幂律弯曲，缓解非言语与言语在情绪强度上的尺度错位；一致性正则指对无标签目标施加预测稳定约束，分工是防止传输软标签噪声放大。搭配理由是前者校准表示幅度，后者稳定决策边界。组合意义是两者共同让原型传输在强度差异大的跨模态下仍能稳定收敛。
目标软交叉熵的原文实现如下：
\[LOT-CE(BT ) = −1 qcj log pθ(y = c | xT\]上式输入是目标小批量与传输诱导软标签，计算目标是让分类器输出逼近传输分配的质量。它不是用真实标签监督，而是用几何对齐结果做软监督，因此噪声需靠一致性正则与稳定原型来控制。
优化用 AdamW 训练 30 轮，余弦衰减加 10% 热身，源与目标批量均为 16，编码器学习率与新增层学习率分别设置，权重衰减与梯度裁剪按报告值执行。原型每轮刷新 1 次，不是每步刷新，这决定了目标对齐参照的更新节奏。论文未报告部分梯度是否截断到码本直通路径之外的细节，复现时应按向量量化标准做法核对停止梯度位置，不从模型名推定实现。若某超参数原文未给，不猜默认值，应记为缺项。
数据、协议与基线条件是否一致？
评测覆盖 ASVP-ESD 的非言语与言语子集，以及 MESD、AESDD、RAVDESS、Emo-DB、CREMA-D 5 个言语库，涉及多语言、不同录音条件、说话人与表演风格。ASVP-ESD 非言语子集作有标签源，言语子集及其他五库作无标签目标。所有库统一到 5 类共享空间。指标是准确率与宏平均 F1，方向都是越高越好。准确率反映总体正确比例，宏 F1 对每类平均，能暴露小类被忽视的问题，两者需同看。
基线分 3 层：同 CNN 头下不同前端的域内与零样本行为；欧氏与双曲在同一适配框架下的几何对照；消融中去掉透镜、码本分支、莫比乌斯融合或把传输换到欧氏，以及对抗域适配与基于最优传输的已有无监督适配。公平条件是同一前端下训练评测协议相同，欧氏与双曲只差几何与距离运算。资源状态方面，voc2vec 链接本次可达可用，WavLM、wav2vec2.0、MMS 相关链接本次未能确认可达，复现时应以本次状态为准，不默认权重可下载。
下表整理训练与几何关键配置，数值与单位保留原文写法，便于复现时逐项核对。表前问题是：哪些量必须与原文一致才能谈比较？公平条件是同一前端与同一适配流程，指标方向是准确率与宏 F1 越高越好。
| 配置组 | 参数 | 原文值 | 适用阶段 | 备注 |
|---|---|---|---|---|
| 优化 | 训练轮数与热身 | 30 epochs 与 10% warmup | 全实验 | AdamW 加余弦衰减 |
| 优化 | 源与目标批量 | 16 与 16 | 每步采样 | 同步采样 |
| 优化 | 学习率与裁剪 | 3×10 −5 与 1×10−4 与 1.0 | 编码器与新层 | 权重衰减 0.01 |
| 几何与码本 | 曲率与维度 | κ=−1.0 与 256 与 128 | 表示 | 码本 K=256 |
| 传输 | 正则与迭代与权重 | 0.05 与 50 与 1.0 | 适配 | 原型每轮刷新 |
表后解释是：该表不是效果表，不能用来论证谁更好，只能保证复现起点一致。主要收益是把几何、码本、传输 3 组耦合参数固定下来，避免把超参数差异误读为方法差异。代价是这些值是在 APD 非言语到言语上选的稳定区，换目标是否仍稳定需看敏感性分析，不能默认全局最优。未胜出项是部分编码器在言语到言语下仍更强，说明前端与监督源必须匹配。
主结果测什么？非言语监督何时更可迁移？
主结果回答两个问题：域内谁最匹配各自模态，跨库零样本谁更可迁移。域内部分，voc2vec 在非言语源上准确率远高于语音预训练编码器，论文报告其在 APD 非言语上达到高位，而语音编码器在非言语监督下大幅下降，说明特征空间与非言语声学结构错位。反过来在言语到言语域内，WavLM 等语音编码器更有效，因为它们编码音位结构与言语韵律规律。这组对照支持表示与模态匹配的判断。
零样本跨库部分，用非言语源训练后直接测言语目标，voc2vec 在所有言语目标上最高，语音编码器通常大幅落后；用言语源训练后测同组言语目标，语音编码器排名靠前但绝对值仍远低于域内，说明跨库本身就难。适配后 NOVA-ARC 的双曲变体在非言语源下增益最强，这与主目标一致。重提数字时增加适用条件：下表数字只在零样本、无目标标签、共享 5 类空间下成立，不能推广到有监督微调。
下表整理有逐字证据的零样本关键数字，表前比较问题是：在不看目标标签时，非言语监督是否比言语监督更能保留可迁移线索？公平条件是同 CNN 头与同目标集，指标方向是准确率越高越好。
| 源与目标条件 | 前端 | 准确率 | 对照现象 | 适用边界 |
|---|---|---|---|---|
| APD 非言语到 APD 言语 | voc2vec | 62.23% | 语音编码器同条件大幅落后 | 零样本无适配 |
| APD 非言语到 RAVDESS | voc2vec | 60.01% | 同上趋势 | 跨库跨条件 |
| APD 非言语到 CREMA-D | voc2vec | 61.27% | 同上趋势 | 表演风格差异 |
| APD 言语到 CREMA-D | voc2vec | 36.12% | 言语到言语仍难 | 言语源参照 |
| APD 言语到 RAVDESS | voc2vec | 33.46% | 同上趋势 | 言语源参照 |
表后解释是：主要收益是非言语监督在零样本下保留了跨语有用的情感线索，而语音前端与非言语声学不兼容。代价是绝对值仍远低于适配后，零样本不能当作可部署性能。反例是言语源下语音编码器反而占优，说明没有全面最强的前端，只有与监督源匹配的前端。未评测边界是自发对话与重叠说话，原文已声明覆盖不足。
看图路径： 1. 先按左到右确认四块面板的源与几何条件；2. 再沿对角线读五类情绪的正确率变化；3. 重点比较悲伤与恐惧两行在欧氏下的互混格；4. 最后看最右双曲加非言语源下面部最红对角是否最完整
论文图 4。原论文 Figure 4：“Confusion matrices for: (a) NOVA-ARC APD-V(Source)-RAVDESS-V(Target) using Euclidean; (b) NOVA-ARC APD- V(Source)-RAVDESS-V(Target) using Hyperbolic; (c) NOVA-ARC…”。
上图是 RAVDESS 目标上 4 种源与几何组合的混淆矩阵。导读时应先确认面板条件再读对角。解释是：最右非言语源加双曲的对角最红，高兴、愤怒、厌恶、悲伤、恐惧的正确率都高于左侧欧氏与言语源组合，尤其悲伤与恐惧的互混明显减轻。这支持几何与监督源协同的判断，但仍是单目标快照，不能推广到所有五库。像素可辨的格值不要硬记为全局精度，应以主表准确率与宏 F1 为准。
看图路径： 1. 先看上两行四块不同编码器在非言语源上的类簇分离程度；2. 再看下两行适配后非言语与言语点是否按情绪而非模态聚集；3. 对比 disgust 与 fear 在不同编码器下是否粘连；4. 最后检查跨目标面板中情绪颜色是否保持一致对应
论文图 5。原论文 Figure 5：“Representing PHOENIX-Mamba configurations.”。
上图是多面板嵌入可视化，上两行比较不同前端在非言语上的类簇，下四行显示适配后非言语与言语点按情绪聚集。导读时先看颜色图例确认情绪，再看形状图例区分模态。解释是：voc2vec 面板类簇更分离，而语音前端在非言语上粘连更重；适配后面板中同色点跨模态靠近，说明对齐更按情绪而非按模态组织。但可视化是降维投影，不能当作精度证明，需结合混淆矩阵与主表一起读。
拿掉哪块最疼？超参数是否只是窄最优？
消融在 APD 非言语到言语设置下逐块验证。去掉韵律码本分支后，连续与离散单用都下降，说明两者互补；把莫比乌斯融合换成切空间拼接加多层感知机大幅下降，说明融合方式重要；去掉情绪透镜后准确率与 F1 都下降且 F1 掉得更多，说明强度校准对类别均衡关键；把传输搬到欧氏空间也下降，说明距离与嵌入几何一致才有效；对抗适配与已有最优传输基线明显更弱，说明增益不是任一种对齐都能得到。
下表用原文连续句覆盖的数字整理消融，表前问题是：增益来自双曲、码本、透镜、传输的协同还是单点？公平条件是同源同目标同前端，指标方向是准确率与宏 F1 越高越好。
| 消融设置 | 准确率 | 宏 F1 | 保留机制 | 代价含义 |
|---|---|---|---|---|
| 连续单用 | 74.22% | 未报告 | 去离散分支 | 丢稳定韵律模式 |
| 离散单用 | 76.90% | 未报告 | 去连续分支 | 丢细粒度变化 |
| 拼接融合代莫比乌斯 | 65.36% | 未报告 | 去双曲融合 | 几何不一致 |
| 去情绪透镜 | 72.75% | 51.44 | 去强度校准 | 强度错位放大 |
| 欧氏传输 | 80.24% | 未报告 | 换几何 | 距离失配 |
| 对抗适配与传输基线 | 53.49% 与 50.78% | 未报告 | 换适配机制 | 弱于原型传输 |
表后解释是：主要收益来自四者协同，单看任一项都不能复现完整性能。具体代价是码本大小、曲率、熵正则需联合稳定，去透镜主要伤 F1 说明小类更依赖强度校准。未胜出项是对抗与通用传输基线，它们在该跨模态下远弱于双曲原型传输。限制是该表只有单源单目标，换目标时相对排序可能变化。
敏感性分析的导读是：曲率、熵正则、码本尺寸 3 条曲线都在所选值附近处于平坦稳定区而非尖峰，码本利用率随尺寸增大从饱和走向坍塌，中等码本在容量与利用率间平衡。解释时不能把某子图末步结果推广全程，也不能把纵轴的相对变化误读为绝对精度，像素不能精确辨别的步数不硬写。
看图路径： 1. 先看第一子图曲率横轴从弱双曲到强弯曲时两条曲线的峰位；2. 再看第二子图熵正则横轴上默认点与最优点的位置关系；3. 对比第三子图多条目标曲线的共同峰值码本尺寸；4. 最后看第四子图利用率随码本增大从饱和到坍塌的转折
论文图 2。原论文 Figure 2：“Sensitivity and codebook analysis of NOVA-ARC under the APD(NV)→APD(V) setting, showing: (a) curvature sensitivity, (b) sensitivity to entropic OT regularization εOT, (c)…”。
上图四面板分别显示曲率敏感、熵正则敏感、码本尺寸敏感与码本利用率。可见内容是：第一面板在曲率负一附近两条曲线同时见顶，第二面板默认与最优正则都落在绿色稳定带内，第三面板多目标曲线在 256 处共同见顶，第四面板利用率随码本增大单调下降并标注饱和到坍塌。这支持所选值落在稳定工作区而非窄最优，但仍是单设置结论，换编码器或目标需重验。
哪些结论还不能下？边界在哪里？
论文直接报告的是：在所选 5 类空间、无目标标签、多表演库条件下，非言语到言语适配一致优于欧氏对照与语音自监督基线。有限解释是双曲更好保留层级情感组织，码本与透镜分别缓解模式与强度错位。未验证推测是该监督范式可直接扩展到自发对话，原文在局限中明确指出自发对话与重叠说话覆盖不足，因此不能把表演库结论推广到真实对话。
缺失证据不是技术错误，但需记清：未测量误判率在高风险场景的影响，未报告推理延迟与部署成本，未给出统计显著性与多次种子方差。相关性不等于因果，零样本排名翻转支持匹配假设，但不能证明生理机制是唯一原因。情绪预测本身不确定且依赖上下文，不应作高风险独立决策工具。复述时要用报告显示表达直接结果，用支持表达机制解释，用可能待验证表达外推。
复现先做什么？先跑通哪条链路？
先做数据链路：下载 ASVP-ESD 并按非言语与言语拆分源与目标，再准备 5 个言语库，统一到高兴、愤怒、厌恶、悲伤、恐惧 5 类，只保留可可靠对齐的子集，标签只用于评测。核对采样率、时长截断、说话人划分是否与原文一致，原文未给划分细节处应记录为缺项，不自行编造。
再跑表示链路：先用同 CNN 头复现域内与零样本基线，确认 voc2vec 在非言语源下领先、语音编码器在言语源下占优的翻转现象。若翻转不出现，先查前端权重与特征层是否一致，再查标签映射。最后跑适配链路：按实验配置表设置曲率、维度、码本、传输与优化参数，原型每轮刷新，欧氏对照保持同结构只换几何。先在 APD 非言语到言语上跑通，再扩展到其他目标。权重可达性以本次状态为准：voc2vec 当前可用，另 3 个链接本次未能确认可达，需自行记录实际下载结果。
何时值得尝试这种非言语监督？
当目标语言无情绪标签、但能拿到非言语发声标签或可复用 voc2vec 类前端时，该范式值得尝试。它把监督从词义纠缠中解耦，用韵律离散化固化跨语模式，用强度校准缓解模态尺度差，用原型传输在无标签目标上诱导软监督。适用条件是目标仍以清晰单人发声为主，情绪类别可映射到共享 5 类，且能接受适配训练与超参数联调成本。
不适用或需补验证的情形包括：自发对话、重叠说话、细粒度强度分级、超出 5 类的情绪体系，以及对延迟与误判成本敏感的高风险场景。动手前先复现零样本翻转与单目标适配，再做多目标与欧氏对照，最后补敏感性与多次重复。若只能做一件事，优先保证源目标标签可见性与几何对照公平，否则任何增益都无法归因。
⚖️ 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