英文题目：On the Emotion Understanding of Synthesized Speech

会议身份：conference:acl:2026:conference-paper-id:2026.acl-long.372

✅ 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：#评测协议 #鲁棒性 #语音 #语音情感识别 #语音合成

评分：7.6/10 | 创新 1.5/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.7/1 | 影响力 1.2/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前25% | 文档类型：应用研究

👥 作者与机构

  • Yuan Ge：机构信息未能从会议 PDF 纯文本可靠映射
  • Haishu Zhao：机构信息未能从会议 PDF 纯文本可靠映射
  • AoKai Hao：机构信息未能从会议 PDF 纯文本可靠映射
  • Junxiang Zhang：机构信息未能从会议 PDF 纯文本可靠映射
  • Bei Li：机构信息未能从会议 PDF 纯文本可靠映射
  • Xiaoqian Liu：机构信息未能从会议 PDF 纯文本可靠映射
  • Chenglong Wang：机构信息未能从会议 PDF 纯文本可靠映射
  • Jianjin Wang：机构信息未能从会议 PDF 纯文本可靠映射
  • Bingsen Zhou：机构信息未能从会议 PDF 纯文本可靠映射
  • Bingyu Liu：机构信息未能从会议 PDF 纯文本可靠映射
  • JingBo Zhu：机构信息未能从会议 PDF 纯文本可靠映射
  • Zhengtao Yu：机构信息未能从会议 PDF 纯文本可靠映射
  • Tong Xiao：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作研究语音情感识别从人类录音向合成语音迁移的理解失效，输入为人类与合成语音波形，输出为离散情感标签，难点在于人工确认情感清晰的合成样本仍被模型系统性误判。首先用判别式Emotion2vec与生成式语音大模型在多数据集与多合成器上对照人类与合成语音的识别表现，输出人机差距作为待解释现象。接着用相同文本重合成与人机互训隔离文本分布与声学分布影响，将转录文本合成的新测试集结果回送以检验分布假设。最后对合成三阶段与表征空间做消融以定位偏差来源，把词元生成、流匹配与声码器误差逐级分离。与把SER当作即插即用评估器或奖励模型不同，本文将其视为待检验对象，揭示其依赖非鲁棒捷径及SLM依赖文本语义而忽视副语言线索。在TESS评测任务下，Emotion2vec在合成语音上的准确率为15.31，低于其在人类语音上的99.64。结论适用边界受限于当前基于神经编解码词元的合成范式与分类式情感评测，尚未验证连续情感维度与大规模合成预训练能否弥合差距。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

🧭 深度解读

输入是什么：本文要回答的合成情感理解问题

本文的输入是论文原文与官方原图像素，目标是为刚进入语音音频领域的研究生复述一套可核对的方法与证据链，必须保留的内容包括任务定义、合成与识别的对照设计、4 类假设检验、表示与 3 阶段消融以及复现所需的模型与数据条件，输出是 1 篇按学习依赖展开的中文技术解读。研究的问题不是合成语音好不好听，而是人类语音上表现很好的情感理解模型，能否直接理解合成语音的情感。作者开篇指出一个广泛存在的假设，即情感理解学到的是可迁移的基础表示，因此可以用识别结果作为合成情感表达力的奖励或评测指标。本文要检验的正是这个假设是否成立。

对初学者而言，白话理解是这样的：语音情感识别，英文为 Speech Emotion Recognition，简称 SER，负责听一段声音并判断说话人是生气、高兴还是悲伤等；语音合成，英文为 Text-to-Speech 或 Speech-to-Speech，负责把文字或对话变成声音。如果识别模型真的抓住了情感本质，那么无论声音是人录的还是机器生成的，它都应该判断正确。论文的中心矛盾在于，人类录音上接近满分的模型，在人工确认情感表达已经清晰的合成语音上却大幅下滑，这提示模型可能依赖的是录音分布特有的捷径，而不是情感本身。后续各节将沿着任务与路线、方法全景、组件计算、构造与推理、实验条件、结果与反证、复现收束的顺序展开，每一步都只讲论文实际做的对照。

已有路线如何分工：判别式识别、合成与语音大模型

论文把相关工作分为 3 条路线，每条路线的输入输出与监督都不同，不能混为一谈。第一条是判别式语音情感识别，输入是波形，输出是离散情感标签，常用做法是先用自监督语音表示预训练，再在情感分类任务上微调，论文选用的代表是 Emotion2vec，它是在人类语音上训练的最常用开源模型之一。第二条是情感语音合成，输入是文本加情感控制信号，输出是波形，情感控制可以通过提示语音克隆、自然语言指令或情感嵌入实现，论文选用情感表达相对最明显的开源模型 CosyVoice2 与 IndexTTS2。第 3 条是语音到语音大语言模型，英文为 Speech-to-Speech Large Language Models，输入是多轮语音对话，输出是带情感的语音回复，论文选用 Kimi-Audio 与 GLM-4-Voice。

教学上需要区分同输入同目标的比较与跨类别比较。例如，用 Emotion2vec 测人类录音与合成语音属于同模型同任务但输入分布不同，可以谈泛化；用 Emotion2vec 与生成式语音大模型比较，则属于判别式分类器与生成式大模型的路线差异，不能直接说谁更强，只能说二者在副语言线索利用上行为不同。论文还提到已有合成工作用 Emotion2vec 的伪标签做强化奖励或评测，这正是本文要质疑的做法：如果识别模型在合成域本身不可靠，那么基于它的奖励会把合成优化带偏。理解这一点后，才能进入方法全景。

问题如何形式化：从识别到合成再到转写

论文把 1 次完整的检验拆成 3 个可操作的映射，便于控制变量。设识别模型为 M，待分类语音数据集为 DS，输出情感数组为 E，情感取自生气、厌恶、恐惧、高兴、中性、悲伤、惊讶与其他等离散集合。合成过程记为由文本数据集 DT 与情感控制信号 C 生成语音数据集 DS，其中 TTS 常用提示语音与指令控制，S2S 则需要多轮对话诱发明显情感。逆过程是自动语音识别，英文为 Automatic Speech Recognition，简称 ASR，负责把语音转写回文本，用于对齐语义内容。

举例来说，例子：同一句你真的来了可以用惊喜或怀疑两种韵律说出，文本相同而副语言不同，理想的识别应只看声学。论文的检验逻辑就是固定文本或固定情感意图，改变声音的来源是人类发声还是机器合成，观察识别输出是否稳定。为了排除文本分布差异的干扰，作者还设计了先用 ASR 转写真实语音，再用同一转写文本合成新语音的对照，使得语义内容一致，剩余差距只能归因于合成过程引入的声学伪影。这种形式化是后文 4 个假设检验的基础。

方法全景：沿一个样本走完输入到输出

沿一个样本走完全流程有助于建立全局依赖。输入是一条带目标情感的文本，例如要求生成悲伤语气的句子，合成模块根据文本与情感控制信号生成波形，人工标注员检查该波形是否清晰表达了目标情感，通过的样本进入识别模块，识别模块输出预测情感标签，最后与目标情感比较得到准确率与混淆矩阵。表示阶段使用预训练语音表示，分类阶段使用可训练的多层感知机或大模型解码，监督来源是人类录音的情感标签或人工过滤后的合成标签。

论文给出的合成映射把文本与情感控制合在一起生成语音，形式如下。

\[DS = S(DT , C)\]

该公式先说明符号与输入，其中 DS 为语音数据集，DT 为文本数据集，C 为情感控制信号，再说明计算目标是由文字加控制生成对应情感的语音，原文明确 TTS 与 S2S 对 C 的实现不同。逆向的转写映射形式如下。

\[DT = A(DS)\]

该公式说明 A 为 ASR 转写函数，负责把语音分布映射回文本分布，目标是为后续固定文本对照提供相同的语义起点。先走通这条主路径，再展开组件细节与训练冻结策略，就不会把数据构造与模型训练混淆。

判别式组件如何工作：预训练表示加分类头

判别式路线的组件分工是固定的。底层是冻结或微调的预训练语音表示模型，负责把波形变成帧级或 utterance 级嵌入，上层是情感分类器，负责把嵌入映射到 7 类情感。论文在人类语音上直接用 Emotion2vec 推理，在互训实验中用 Emotion2vec-base 做表示并微调分类部分。关键在于预训练数据不包含合成语音，若表示空间本身对合成痕迹敏感，则分类头会优先利用分布差异而非情感特征。

语音情感识别 × 合成语音： 语音情感识别负责从声学信号映射到离散情感标签，合成语音负责由文本与情感控制信号生成波形，二者搭配的理由是后者想借前者做奖励或评测，组合意义在于检验判别模型学到的是可迁移的情感本质还是只在人类录音分布内有效的捷径。

表示空间偏差的可视化支持了这一担心。论文用嵌入可视化展示人类点与合成点形成明显分离的大团块，而同一团块内不同情感颜色混杂，说明表示对合成来源的敏感度高于对情感的敏感度。不同声码器来源的点也落在不同子团块，进一步说明合成链路的痕迹被编码进了表示。这种组件层面的观察是后文 3 阶段消融的动机：需要定位到底是哪个合成阶段把表示带偏。

看图路径： 1. 先看左图人类点与合成点是否形成左右分离的大团块；2. 再看中图不同声码器颜色是否与左图团块位置对应；3. 最后看右图情感颜色是否被打散在同一团块内

原论文 Figure 7：Visualization of the Emotion2vec embedding space, distinguished by synthesis type, vocoder, and…

论文图 7。原论文 Figure 7：“Visualization of the Emotion2vec embedding space, distinguished by synthesis type, vocoder, and emotion.”。

该图左侧按人类与合成着色显示两大分布分离，中图按声码器着色显示分离与合成器类型相关，右图按情感着色显示情感在团块内混杂，共同支持表示偏差主要来自合成而非情感的判断，但这仍是相关性证据而非因果证明。

合成三阶段如何分工：token、流匹配与声码器

近期语音合成通常分为 3 个阶段。第一阶段是自回归语言模型生成离散语音 token，负责规划语义与韵律的离散序列；第二阶段是流匹配根据语音 token 与参考音频合成梅尔谱图，负责恢复细粒度声学；第 3 阶段是声码器把谱图变成波形，负责信号重建。教学例子是：把文本先变成乐谱草稿，再变成完整配器，最后录制成音频，情感丢失可能发生在写草稿时，也可能发生在演奏录制时，需要逐段隔离。

语音 token 预测 × 声码器： 语音 token 预测负责由文本自回归生成离散语音单元，声码器负责把梅尔谱图还原为波形，搭配理由是 3 阶段合成需要分离语义规划与信号重建，组合意义在于论文用消融证明前者是情感信息丢失的主因而后者几乎不影响识别。

论文的隔离方法是固定后段而替换前段。用真实梅尔谱图重建只测声码器误差，用真实分词器提取的真实语音 token 加流匹配测流匹配误差，用 ASR 转写文本经自回归生成 token 再走后两段测 token 生成误差。参考音频设置了四档，从目标语音自身、截半语音、数据集内跨说话人到域外说话人，模拟从理想到现实的退化。原文报告声码器与流匹配只带来小幅下降，而文本驱动的 token 生成带来大幅下降，这是定位主因的关键设计。

训练与构造如何安排：冻结、微调与人工过滤

本文主体是评测与诊断研究，没有从零训练新的大规模预训练模型，需要明确说明哪些部分训练了、哪些冻结了、监督从哪里来。直接评测阶段不训练识别模型，直接调用已在人类语音上训练好的 Emotion2vec 与商用语音大模型做推理。互训验证阶段微调 Emotion2vec-base，分别用人类数据与合成数据训练，合成数据由真实语音经 ASR 转写再经情感条件合成得到，并经人工过滤保留情感表达清晰的样本。域对抗微调阶段冻结预训练表示，只训练上层的多层感知机特征提取器、情感分类器与域分类器，域分支经梯度反转层回传反向梯度，目标是学到对域不变而对情感可判的表示。

域对抗微调 × 梯度反转层： 域对抗微调负责让特征同时对情感可判别而对域不可判别，梯度反转层负责在反向传播时对域分类分支取反梯度，搭配理由是要剥离合成痕迹，组合意义在于检验解耦表示能否恢复跨域泛化，论文显示该机制并未带来域外提升。

人工标注流程是构造的一部分而非模型训练。4 名标注员听合成片段并判断目标情感是否显著可感知，清晰则保留为 YES，否则丢弃，附录给出了每种情感的声学参考线索与报酬伦理说明。S2S 合成的构造更特殊，因首轮回复情感不足，需要追加如用明显生气语气重复上一回答等多轮提示，取第二或第三轮的显著样本。这种构造保证了后文的低准确率不能简单归因于合成没有演出情感。

实验条件如何对齐：数据、模型与指标方向

数据方面，人类语音使用 TESS、CREMA-D、IEMOCAP、RAVDESS 与 MELD 等公开集，其中 TESS 文本高度同质而情感靠韵律区分，CREMA-D 为众包多模态演员数据，IEMOCAP 仅含 4 类情感标签。合成语音包括由大语言模型生成的 3028 条文本经两种 TTS 情感控制方法合成的语音，以及由 TESS 文本经两种 TTS 与两种 S2S 模型合成的语音，所有用于关键结论的合成样本都经过人工过滤。模型方面，判别式以 Emotion2vec 为主并用 C2SER 与 Gemini 2.5 Pro 做顶级对照，生成式以 Qwen3-Omni 与 GPT-4o Audio 为主，合成侧覆盖开源与 GPT-4o 系列商用模型。

指标方向是准确率越高越好，混淆矩阵纵轴为真实标签、横轴为预测标签，每行和为 1，对角线越清晰表示识别越好。比较的公平条件是固定文本或固定情感意图，只改变声音来源，并在合成侧统一做人工过滤。硬件与复现条件为 8 卡 RTX 3090，Emotion2vec 推理不受随机种子影响故单次推理报告平均准确率，代码已公开，当前可用。理解这些条件后，才能正确解读差距数字是分布问题而非文本或标注问题。

主结果显示什么：人类与合成之间约 38 个百分点的差距

主结果要回答的是在情感表达已被人工确认的前提下，识别差距是否依然存在。论文在 TESS 与 CREMA-D 上用 Emotion2vec 对比人类语音与多种合成语音，合成结果为与人工的一致率，且已剔除表达模糊的样本。像素显示人类条形显著高于合成平均条形，两种数据集上的差距分别标注为约 38 个百分点，这里的单位是百分点而非相对百分比，不能理解为下降 38%。即使是商用顶级合成，差距依然存在，说明问题不限于开源模型能力不足。

该结果的教学价值在于区分两种失败。一种是合成没有演出情感，另一种是演出了但识别模型认不出，人工过滤正是为了排除前者。过滤后差距仍在，且混淆矩阵对角结构消失，支持后一种失败占主导。需要同时记住未胜出项：部分开源 TTS 在个别情感上偶有较高一致，但平均仍远低于人类，且不同合成模型之间的排序不能推广为通用能力排名。

看图路径： 1. 先对比每组最左侧人类条形与合成平均条形的高度差；2. 再读出 TESS 与 CREMA-D 上方标注的差距数值；3. 最后横向比较不同合成模型条形的相对高低

原论文 Figure 1：Speech emotion recognition (SER) accuracy on TESS and CREMA-D dataset.

论文图 1。原论文 Figure 1：“Speech emotion recognition (SER) accuracy on TESS and CREMA-D dataset.”。

该图展示 TESS 与 CREMA-D 两组柱状对比，人类柱最高，合成平均柱低约 38 个百分点，各合成模型柱均未接近人类高度，解释了为何不能直接用人类训练的识别分数作为合成情感的可靠奖励。

\[∆= 38.6 pp ∆= 38.4 pp\]

该公式为图中标注的差距数值，含义是人类准确率减去合成平均准确率的绝对差，以百分点计，用于量化合成域偏移的幅度而非相对变化率。

人类录音分布 × 合成分布： 人类录音分布负责提供自然发声的情感样本，合成分布负责提供经由 token 与声学模型重建的样本，搭配理由是二者文本可对齐而声学形成过程不同，组合意义在于论文通过互训互测证明二者存在显著分布间隙，单侧训练无法双向泛化。

互训实验进一步显示，用人类数据训练则人类测试好而合成测试差，用合成数据训练则相反，证实了分布间隙的双向性。

混淆矩阵如何反证四个假设：表达、数据量、文本与分布

论文用 4 组对照逐一检验直觉假设。假设一认为合成情感本身不清晰，检验方法是人工过滤弱表达样本，结果过滤后混淆矩阵依然缺乏对角结构，说明表达清晰度不是主因。假设二认为某些情感训练数据不足，检验是观察 disgusted、fearful 与 surprised 等类别确实较差，但 IndexTTS 与 S2S 合成在 happy、angry 与 sad 等数据充足类别上同样大幅下滑，说明数据量不能解释全部。假设三认为文本分布陌生导致失败，检验是用 ASR 转写固定文本再合成，使语义相同而声音来源不同，结果基于 TESS 文本的合成依然无对角结构，说明文本不是主因。假设四认为是合成与人类音频分布间隙，互训实验支持该解释。

下表整理商用合成上的具体准确率，用于说明即使情感表达更强的商用模型，差距依然稳健。表前提出的问题是：在商用 TTS 与 S2S 上，人类训练的判别模型是否恢复正常，公平条件是同一 TESS 与 CREMA-D 文本经商用模型合成并经人工过滤，指标方向为准确率越高越好。

条件指标GPT-4o TTS 合成GPT-4o Audio 合成比较对象
CREMA-D 合成准确率32.94%52.63%人类训练的 Emotion2vec
TESS 合成准确率46.42%64.16%人类训练的 Emotion2vec

表后解释是主要收益与代价。收益是给出了可运行的商用对照，显示 TESS 因文本同质而分数略高，S2S 语音对话模型略高于 TTS，但两者仍远低于人类水平。代价是该表不能证明商用合成情感更好，只能证明识别在合成域不可靠，未胜出项是 GPT-4o Audio 在 CREMA-D 上相对较高但仍不足以作为奖励信号，未评测边界包括未覆盖的语种与长对话情感。

看图路径： 1. 先看第一行人类语音混淆矩阵对角线是否深色集中；2. 再看合成语音矩阵中非对角格如何扩散；3. 最后对比过滤前后与 TTS 和 S2S 子图的变化

原论文 Figure 2：The confusion matrix for speech emotion recognition is shown.

论文图 2。原论文 Figure 2：“The confusion matrix for speech emotion recognition is shown.”。

该图第一行人类矩阵对角深色集中，第二行起合成矩阵出现整行偏向生气或高兴等误判，过滤后与 S2S 子图仍无清晰对角，说明差距在固定表达清晰度后依然存在。

生成式模型错在哪里：文本主导而非韵律

生成式语音大模型的检验换了一个角度。论文在 4 组数据上测 Qwen3-Omni 与 GPT-4o Audio，包括 StepEval 副语言集与多说话人情感集，以及 TESS 与 CREMA-D。像素显示前两组因文本语义本身可判情感而分数高，后两组因同一文本用不同情感朗读而必须依赖副语言，分数显著走低。原文报告两类数据集上的平均值分别为 73.3% 与 19.6%，差距的方向支持文本主导的解释。更关键的是，提示工程要求模型忽略文本内容、只依据声学特征判断，并避免默认中性，依然没有改变行为，说明偏置是持续的。

语音大语言模型 × 副语言线索： 语音大语言模型负责联合理解语音声学与文本语义，副语言线索负责承载音高能量语速等情感韵律，搭配理由是理想的情感判断应依赖后者而非文本词义，组合意义在于论文揭示模型在文本相同而情感不同的数据上失效，表现为文本主导。

顶级模型对照同样不支持能力不足的解释。开源 C2SER 与商用 Gemini 2.5 Pro 在人类与合成上仍有显著差距，即使合成与识别双方都用顶级商用模型，混淆矩阵依然显示大量偏向中性的误判。这说明问题不是换更大模型就能消失，而是合成情感的声学实现与人类训练的识别标准之间存在系统性错位。

看图路径： 1. 先区分实色与斜线分别代表的两个语音大模型；2. 再对比左侧语义可判数据集与中间人类朗读数据集的高度；3. 最后观察右侧合成语音是否同样低矮

原论文 Figure 5：Speech emotion recognition accuracy of SLMs.

论文图 5。原论文 Figure 5：“Speech emotion recognition accuracy of SLMs. Solid colors and shaded areas represent the SER results of Qwen3-omni and GPT-4o Audio respectively.”。

该图左侧两组语义可判数据集柱形高企，中间人类朗读与右侧合成语音柱形低矮，且两种语音大模型的实色与斜线高度相近，共同支持识别依赖文本语义而非副语言的判断，限制是该结论基于所选 4 组数据的分布特征，不能推广到所有对话场景。

哪一段合成引入偏差：token 预测主导的证据

3 阶段消融要回答的是声码器、流匹配与 token 预测各自贡献多少。下表整理 CosyVoice2 在 TESS 上的关键准确率，比较问题是固定后段而改变前段时准确率如何变化，公平条件是同一 TESS 文本与四档参考音频，指标方向为准确率越高越好。

条件指标真实语音梅尔重建真实 token 加流匹配文本生成 token 合成
TESS 原音频参考准确率83.93%82.43%84.07%34.57%
人工过滤后文本生成准确率83.93%82.43%84.07%∼ 50%

表后解释是主要收益与具体代价。收益是梅尔重建与真实 token 条件下的分数与真实语音基本持平，说明声码器与流匹配只引入次要误差，而文本经自回归生成 token 后分数骤降至约 30%，即使人工过滤也仅回升至约 50%，定位了主因。代价是该结论依赖 CosyVoice2 与 IndexTTS2 的神经编解码加语言建模架构，不能直接推广到扩散或拼接合成，未胜出项是截半与跨说话人参考下文本生成分数进一步走低，说明参考条件越现实差距越大。域对抗微调的补充证据是混合域训练可获得较高的域内分数，但域外 CREMA-D 合成与未见合成模型上依然大幅下滑，平衡采样与梯度反转均未根本解决，支持模型利用域内捷径的判断。

哪些结论还不能下：主观过滤与未见模型的边界

论文明确报告了两项限制。第一，人工过滤依赖主观判断且限制了合成测试规模，4 名标注员按每种情感的能量、语速与音高线索做是否判断，模糊样本直接丢弃，这保证了清晰度但引入了人为主观性与样本选择偏差。第二，域对抗与混合微调在未见合成模型上的泛化有限，训练见过人类 CREMA-D 与部分合成器合成的其他数据集，但未见过目标合成器的 CREMA-D 合成，组合泛化与全新合成器泛化均表现不佳。

相关性不等于因果，可视化与准确率差距支持表示偏移，但未直接测量误判率背后的因果链，也不承诺延迟与成本改善。总体趋势不等于每组每步成立，例如个别情感或个别合成器可能偶然较高，不能据此认为该合成器已解决情感表达。

复现先做什么：按原文条件重建对照

复现应先重建最小可运行链路，而不是直接调大模型。第一步准备人类数据 TESS 与 CREMA-D 并记录划分与转写工具，论文用 Whisper 转写以固定文本。第二步用 CosyVoice2 与 IndexTTS2 按提示语音与自然指令合成，并用 Kimi-Audio 与 GLM-4-Voice 经多轮提示合成 S2S 语音，全部经人工过滤保留情感清晰样本。第三步调用 Emotion2vec 做单次推理得到混淆矩阵与准确率，核对人类对角清晰而合成发散的现象。第四步做固定文本对照，即用真实语音的 ASR 文本重新合成，验证差距是否复现。

第五步做 3 阶段消融，分别测梅尔重建、真实 token 条件与文本生成 token 条件的分数。关键超参数与信息条件包括情感标签集合、过滤标准、参考音频四档设置以及 8 卡 RTX 3090 的运行环境。代码当前可用，权重与商用接口需按各自许可获取，不能把代码开源等同于端到端系统可一键运行。

何时值得尝试与还需补什么验证

当研究目标是评估或优化合成语音的情感表达力时，本文的直接启示是不要把人类训练的识别分数当作可靠奖励，尤其在合成分布与人类分布未对齐时，伪标签奖励可能放大合成痕迹而非情感本质。值得尝试的场景是先做小规模人工听辨确认合成确实表达了目标情感，再用识别分数做辅助参考，并同时报告人类一致率与自动分数的差异。若必须用自动奖励，应基于语音 token 层面的奖励或在混合域上谨慎验证，而不是直接复用人类域分类头。

还需补的验证包括更大规模且标注者更多元的听辨、覆盖更多合成架构与语种的域外测试、对长尾情感分布的系统补充，以及对语音大模型副语言能力的针对性探针。论文特有的误解需要澄清：合成不好听不等于识别必然失败，识别在人类上满分不等于抓住了情感本质，提示工程无效不等于模型听不到声音，而是模型在决策时更依赖文本语义。回到中心判断，现有判别模型多利用非稳健捷径，语音大模型的副语言理解仍具挑战，合成情感的可靠评估仍需回到人工与声学机制的双重核对。

⚖️ 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 acl-2026 论文汇总