文本有感情，声音不一定跟：跨模态情感相关的限度

英文题目：The Correlation Between Emotion in Text and Speech Segments is Limited: A Cross-Modal Study

会议身份：conference:eacl:2026:conference-paper-id:2026.findings-eacl.136

✅ 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：#统计分析 #大语言模型 #语音 #语音情感识别

评分：6.6/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• David Lindevelt：机构信息未能从会议 PDF 纯文本可靠映射
• Suzan Verberne：机构信息未能从会议 PDF 纯文本可靠映射
• Joost Broekens：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文任务是从语句级文本预测对应语音片段的情感，输入为播客、有声书与TED演讲的文本及其对应音频，输出为效价、唤醒度与支配度三维连续情感值，难点在于文本语义情感与人声韵律情感并非同源且受体裁与语境影响。方法链第一步是用llama3.3、llama3.1等8个大语言模型以结构化提示从文本输出三维值，并在ANET人类标注上检验文本侧可靠性。第二步是用wav2vec2与WavLM两类语音模型从音频输出三维值，并在MSP Podcast人类标注上验证语音侧可靠性后将其预测作为无标注语料的代理真值。第三步是将文本预测与语音预测及人类标注按体裁计算Pearson相关，并用扩展前后文复测以检验上下文与体裁的调节作用。与已有单模态情感识别不同，本文不追求单侧精度而是量化文本与语音情感的跨模态对应，并把体裁与上下文作为调节变量检验其稳定性。在MSP Podcast与Libriheavy语料对比评测下，llama3.1:70b文本预测与Wav2Vec2语音预测在Valence维度的Pearson相关为.793，高于同一组合在MSP Podcast上的.630。结论的适用边界受限于英语叙述类短片段、情感覆盖不均及所用模型组合，尚未验证对话、多语或强表演性语音的外推，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 数据相关资源：https://www.ted.com — 链接可访问（HTTP 200）
• 第三方资源：https://ollama.com — 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，为什么值得做？

本文的输入是已经切好片段的文本句子及其对应的语音片段，目标是回答一个可核对的问题：从文本读出的情感数值与从语音听出的情感数值是否一致。作者把情感拆成 3 个维度来讲。白话说，效价是积极还是消极，唤醒度是激动还是平静，优势度是有掌控感还是被压制感，英文是 Valence、Arousal、Dominance，后文简称 V、A、D。做这件事的动机直接连着语音合成。表现力语音合成的目标是让合成语音有人味，训练时模型能同时看到文本和音频，推理时却只能看到文本。

如果文本里的情感本来就和音频里的情感对不上，那么只靠文本去控制合成语音的情感就不牢靠。论文因此把情感关系明确定义为按片段计算的文本情感值与语音情感值之间的相关，而不是笼统说像不像。输出是一组可复述的动作和数字：用大语言模型给每句文本打 3 个 0 到 1 的分数，用音频模型给每段语音打同样 3 个分数，再按维度算皮尔逊相关系数。相关高说明两边随动，相关低说明各说各话。

必须保留的信息是模型清单、数据集划分、采样方式、提示词结构和相关系数的聚合口径，因为任何一项改变都会改变结论。本文默认从原文独立写作，不引入外部评价。接下来的章节按学习依赖展开，先讲相关路线，再讲方法全景，然后走完一个样本的完整路径，再讲实验条件、结果与反证，最后讲复现要点。

同输入同目标的前人走到了哪里？

要理解本文的位置，需要按同输入、同目标、同监督来对照。第一条线是语音情感识别。白话说就是只听声音不看文字来猜情感。原文提到早期有用长短期记忆网络处理耳蜗谱特征的工作，后来转向用注意力机制和 Transformer 结构，例如在 wav2vec2 基础上微调来预测语音情感。这条线说明只听声音可以在唤醒度上做得较好，因为能量、语速等声学线索直接反映激动程度。

第二条线是文本情感分析。白话说就是只看文字来猜情感。原文提到早期多用编码器结构如 BERT 类模型做情感分类，最近解码器大语言模型也被用来评估维度情感，并且与人工标注有较高相关。还有工作用心理学测试考察大语言模型的情绪智力。这条线说明从文字判断效价相对可行，因为褒贬词和情景描述直接给出积极消极线索。

第三条线是跨模态结合。原文指出从文本预测效价较可行，声学特征更适合预测唤醒度，为了补音频模型在效价上的短板，有工作把文本和音频一起放进结构里做联合预测。本文与它们的区别在于运行阶段和监督来源不同。本文不是训练一个新的联合模型，而是在推理阶段分别调用现成的文本模型和音频模型，比较它们的输出是否一致。

教学例子要明确标为例子：比如文字写我很开心但说话人用平淡语气读出，积极词给出高效价，声音却给出低唤醒度，这正是跨模态不一致的一个具体形态，但原文没有为该例子给出数值，不能当作证据引用。同类别差异不能当同条件胜负，本文的贡献是提供一个可复算的对照流程，而不是宣称某种结构全面更优。

要检验的失配具体是什么？

论文要检验的失配可以拆成三问。第一问是大语言模型本身能不能从情景文本读出情感。如果连人工标注的情景文本都读不准，后面跨模态比较就没有意义，所以作者先在 ANET 数据集上验证。第二问是在真实朗读数据上，文本预测与语音预测的相关有多高，是否只在效价上高而在唤醒度和优势度上低。第三问是这种相关是否随体裁变化，以及给大语言模型更多前后文是否能提高相关。

这里的体裁指播客、有声书和 TED 演讲 3 种来源，它们的说话方式不同：播客偏自发对话，有声书偏照稿演绎，TED 演讲偏公开演讲。上下文指目标句之前和之后的文本，模拟人类朗读者会结合情节来把握语气。需要强调的是，相关性不是因果。即使文本与语音相关高，也不能说文本导致了语音情感；即使相关低，也不能说其中一边一定错了，可能只是两边携带的信号本来不同。

原文还提醒分布不均衡会影响皮尔逊相关，特别是极端值很少时，系数容易被中间值主导。这一点在后文看分布图时很关键。问题形式决定了方法必须保持条件一致：同一批采样片段、同一套模型输出、同一聚合方式，否则跨体裁比较就不公平。

整条管线如何从句子走到相关系数？

整条管线可以沿一个样本走一遍。假设取到一条播客样本，它包含一段音频和一句转写文本。第一步是得到语音侧的 3 个数值。把音频送入基于 wav2vec2 的音频模型和基于 WavLM 的第二个音频模型，每个模型输出唤醒度、优势度、效价 3 个 0 到 1 之间的分数。原文选用两个音频模型是为了检验结论是否随音频模型改变，2 个模型都只听声音不看文字。

第二步是得到文本侧的 3 个数值。把转写文本放进提示词模板，调用 8 个大语言模型中的一个，例如 llama3.3:70b，让它以 JSON 格式返回效价、唤醒度、优势度，保留 2 位小数。提示词会说明 3 个维度的含义，并特别说明优势度评估的是情景中主要人物能对局面施加多少控制。第三步是聚合。收集全部采样片段的文本分数和语音分数，按维度分别计算皮尔逊相关系数，得到 A、D、V 各一个系数。

重复 5 个随机种子取平均，并标注在多数种子下显著的数值。扩展上下文的变体只改第二步的输入：有声书把前文与主句拼在一起，TED 演讲把前一句和后一句与主句拼在一起，提示词要求结合全部上下文但评估重点仍是主句。整条管线不训练新模型，训练的动作发生在所调用的开源模型过去的训练中，本研究只做调用与比较。理解这条主路径后，才能看懂后文为什么说文本模型本身可靠但跨模态相关仍然有限。

文本打分器和音频打分器各自算什么？

文本打分器由 8 个通过 ollama 框架调用的大语言模型承担，分别是 llama3.3:70b、llama3.1:70b、phi3:14b、gemma2:9b、llama3.1:8b、qwen2:7b、openchat:7b 和 gemma:7b。每个推理会话使用默认设置，只改变种子值，共跑 5 次并报告平均。提示词分两套，一套是单句评估，一套是带前后文评估。单句模板包含系统说明、助手确认和用户句子 3 段，带上下文模板在此基础上增加前文、主句、后文 3 个字段，并要求以前后文辅助理解但只给主句打分。输出要求是 JSON，键为 Valence、Arousal 和 Dominance。

音频打分器是两个开源模型，一个是基于 wav2vec2-large-robust 并在 MSP Podcast 维度情感上微调的模型，另一个是基于 WavLM 的多属性基线模型。它们都只用音频输入。原文先在 MSP Podcast 合并测试集上复现了第一个音频模型的性能，确认其可用后再把它当作在无人工标注数据集上的代理标准。采样环节同样重要。除了 ANET 的 120 句情景文本直接使用，MSP Podcast、有声书和 TED 演讲都要做情感均衡采样。

做法是把 0 到 1 区间分成 5 个档，每档最多随机取 3 个样本，若某档不够则全取，MSP Podcast 放宽到每档最多 2 个以使样本量接近，最终 3 类数据分别得到 162、115 和 148 个片段。

效价 × 唤醒度： 效价分管文本或语音偏向积极还是消极，唤醒度分管偏向激动还是平静，二者搭配的理由是维度情感模型要用多个正交维度才能区分例如愤怒与悲伤，组合意义是本文把相关性按维度分别计算，才发现只有效价跨模态一致而唤醒度不一致。

文本情感预测 × 语音情感识别： 文本情感预测分管从转写句子输出 0 到 1 的效价、唤醒度、优势度数值，语音情感识别分管只听声学信号输出同样 3 维数值，二者搭配的理由是要检验语音合成在训练时见过文本加音频而推理时只有文本的失配，组合意义是用同一相关系数直接度量两种预测是否指向同一情感。

本研究训练了什么，没有训练什么？

本研究没有训练任何新的情感模型，这一点必须先说清。没有训练阶段意味着不存在本研究的梯度路径、参数冻结与更新、学习率或早停等事项，原文也没有报告这些内容，不能从模型名字推定实现。真实发生的计算是调用与转写加采样加相关计算。调用部分是 8 个大语言模型按提示词做 5 次推理，以及 2 个音频模型对音频片段做前向预测。转写部分是因为 MSP Podcast 原始数据没有转写文本，作者用 OpenAI Whisper Turbo 模型把音频转成文字，再把文字送给大语言模型。

MSP Podcast 的人工标注范围是 1 到 7，分别对应很消极很平静很弱到很积极很激动很强，作者用 1 和 7 做最小最大归一化到 0 到 1，以便与模型输出对齐。采样部分按上一节的五档策略执行，目的是尽量覆盖情感空间而不让统计被中间值完全主导。相关计算部分按维度分别算皮尔逊相关，显著性阈值取 0.01，且要求 5 次中有至少 4 次显著才加粗。资源状态方面，原文给出的 TED 演讲来源链接当前可用，ollama 框架链接当前可用，这是正文开源声明之外的可达性事实，不等同于代码或权重开源。

缺项也要指出：原文未报告大语言模型推理的硬件耗时、Whisper 转写的错误率对相关的影响，以及采样随机性的完整方差分解，这些都属于未测量项，不能承诺。

数据、划分与代理标准如何保证可比？

实验用了 4 个数据集，各自分工不同。ANET 是 120 句描述情绪情景的英文句子，带人工标注的愉悦度、唤醒度和优势度，用来检验大语言模型本身能不能读懂情景情感。MSP Podcast 1.8 版有 20539 条播客音频，带人工标注的效价、唤醒度、优势度，用来同时检验音频模型和跨模态相关，转写靠 Whisper 补齐。Libriheavy 取 small 子集的 20539 条有声书片段，自带前文可做扩展上下文。TEDLIUM 第 2 版取训练集的 89986 条 TED 演讲片段，保留前后句做扩展上下文。

后两者没有人工情感标注，因此作者用已验证的音频模型预测作为代理标准，比较时播客数据也同步用音频模型预测做对照，以保证跨体裁比较条件一致。指标方向很明确：皮尔逊相关越高说明两边越随动，没有阈值上的好坏线，只能横向比较。聚合对象是采样后的片段集合，不是全量数据。分布形态直接影响对系数的解读，因此作者给出 3 组覆盖图。 下面先看播客数据的真实标注分布，这决定了后续代理标准是否站在一个偏态基础上。

该图按 0 到 1 分五档统计数量，颜色越亮计数越大，需要确认亮格是否集中在中间而边缘是否稀疏。

看图路径： 1. 先确认三块小热图分别对应效价对唤醒度、效价对优势度、唤醒度对优势度；2. 再看颜色最亮的格子落在哪个数值区间并读出格内计数；3. 对比边缘区间 0.0 到 0.2 和 0.8 到 1.0 的格子是否接近于零；4. 记住这是人工标注的播客数据，后续两张图是模型预测不要混淆来源

论文图 1。原论文 Figure 1：“MSP Podcast dataset emotion coverage (Ground Truth Human Annotations).”。

像素显示三块热图中最亮的格子都落在中间区间，例如效价 0.4 到 0.6 对唤醒度 0.4 到 0.6 一带计数达到数千量级，而 0.0 到 0.2 和 0.8 到 1.0 的边缘格多为 2 位数或零。这报告了一个事实：即使是人工标注的播客数据，极端情感也很少，相关计算主要由中间值驱动。 再看有声书数据的音频模型预测分布，教学价值在于判断代理标准本身是否更集中。该图同样分五档，但纵轴计数可达数万，说明这是全量预测分布而非采样后分布。

看图路径： 1. 先看横轴纵轴同样是 0 到 1 分五档，确认中间档 0.4 到 0.6 是否最亮；2. 读出中间亮格的具体计数并与播客图亮格位置比较；3. 观察高唤醒或高效价边缘格是否几乎全暗；4. 结合正文判断有声书情感更集中于中性区对相关计算的影响

论文图 2。原论文 Figure 2：“Libriheavy dataset emotion coverage (Audio Model Predictions).”。

像素显示最亮格集中在效价 0.4 到 0.6 对优势度 0.4 到 0.6 一带，计数超过 4 万，而高唤醒高优势边缘几乎全暗。原文据此报告有声书呈现更中性的情感，这与朗读体裁偏平稳是一致的，但仍属于有限解释而非因果证明。 最后看 TED 演讲的预测分布，用于对照演讲体裁是否比有声书更激动。该图亮格位置相对右移，说明高效价高唤醒区域计数更多。

看图路径： 1. 先确认这是 TED 演讲的音频模型预测分布而不是人工标注；2. 比较亮格是否比有声书更向高效价高唤醒方向偏移；3. 检查低区间格子计数是否仍然很少；4. 思考这种分布差异如何与后文体裁间相关高低对应起来

论文图 3。原论文 Figure 3：“TEDLIUM dataset emotion coverage (Audio Model Predictions).”。

像素显示效价 0.6 到 0.8 对唤醒度 0.6 到 0.8 一带出现上万计数，明显高于有声书同位置。这支持后文的一个对照：TED 演讲与播客在分布上更接近，而有声书更中性。3 个图共同说明边缘情感覆盖不足，解读相关时要留有余地。

体裁 × 上下文： 体裁分管区分播客、有声书和 TED 演讲在表达方式上的系统差异，上下文分管给大语言模型看目标句前后文本以模拟朗读者对情节的理解，二者搭配的理由是都要解释为什么文本与语音对不上，组合意义是论文分别检验体裁切换与增加上下文是否改变相关，得到体裁影响大而加上下文无稳定增益的对照。

哪一维相关高，哪一维一直上不去？

结果按 4 个研究问题组织，测什么、和谁比、条件是否一致都要交代。先看大语言模型本身行不行。在 ANET 上 8 个模型与人工标注的相关都很强且显著，大模型普遍强于小模型，例如 70b 量级在 3 维上都超过 0.86 以上，小模型在优势度上掉得较多。这说明当文本明确包含情感信息时，解码器大语言模型能可靠抽取维度情感，这是后文讨论跨模态失配的前提：不是文本模型不行，而是跨模态对不上。再看播客上的跨模态相关。

音频模型复现性能为唤醒度 0.772、优势度 0.640、效价 0.646，确认音频侧可靠。文本侧与语音侧相比，效价最高 0.630，唤醒度最高 0.384，优势度最高 0.117，效价和唤醒度显著而优势度多不显著。无论对照人工标注还是对照音频模型预测，模式相同。接着看体裁影响。有声书的文本与语音相关在效价和唤醒度上高于另外两类，TED 演讲居中或偏低，优势度在 3 类中都低。

最后看加上下文是否有效。在有声书和 TED 演讲上，把前文或前后句给大语言模型后，效价相关没有提升甚至略降，唤醒度对大模型有轻微提升但不稳定。两个音频模型之间高度一致，与人工标注的一致性也相近，说明结论不只依赖某一个音频模型。

皮尔逊相关系数 × 情感关系： 皮尔逊相关系数分管量化两组连续数值随动程度，情感关系在本文被定义为按片段计算的文本情感值与语音情感值之间的该系数，二者搭配的理由是需要一个可复算的单一指标跨数据集比较，组合意义是所有主要结论都表述为某维度某体裁下系数高低，而不是主观判断像不像。

下面第一张表聚焦播客，比较问题是音频侧可靠时文本侧哪 1 维能跟上。公平条件是同一批 162 个均衡采样片段，同一套文本模型输出，分别对照音频模型预测与人工标注。指标方向是相关越高越随动。

表后解释要同时讲收益与代价。

收益是效价跨模态随动明确，文本最佳 0.630 已接近音频模型自身与人工标注的 0.646，说明积极消极信息在文字和声音中共享较多。代价是唤醒度和优势度明显掉队，唤醒度最佳只有音频自身水平的一半左右，优势度几乎无显著相关。这构成一个反例：不能因为文本模型在 ANET 上 3 维都很强，就推定它在真实朗读中 3 维都可用。未评测边界是 Whisper 转写错误可能吃掉一部分相关，但原文未量化，只能记为待验证。

下面第二张表聚焦加上下文是否改变结论，比较问题是更多前后文能否补上唤醒度和优势度。公平条件是同一批有声书 115 个片段和 TED 演讲 148 个片段，只改提示词输入。指标方向同上。

表后解释要指出具体代价。

原文报告加上下文可能在有声书唤醒度上对大模型有边际提升，但效价反而持平或略弱，TED 演讲上 3 维都没有稳定增益。这说明朗读者把握的语气不只来自紧邻的几句话，还可能来自更长情节、角色设定或说话习惯，当前这种拼前后句的做法补不上。负结果本身就是结论：不要默认堆上下文就能让文本情感对齐语音情感。

换音频模型与换体裁会推翻结论吗？

这一节做论文特有的反证，相当于消融与稳健性检查。第一个反证是换音频模型。作者同时跑 wav2vec2 和 WavLM 2 个模型，先算它们彼此之间的相关，再算它们各自与人工标注的相关。报告显示 2 个模型彼此高度一致，在 3 类数据上唤醒度、优势度和效价的相关都在 0.82 以上，在播客人工标注上也都达到唤醒度 0.76 以上、优势度 0.64 以上、效价 0.57 以上。这支持结论不依赖某一个音频模型的偶然表现。

如果只用一个模型，读者可能怀疑是该模型偏了；两个独立结构给出同一模式，可信度更高。第二个反证是换体裁。有声书相关高于 TED 演讲和播客，这一差异在两个音频模型下都存在，说明不是对照标准切换造成的。教学上可以这样理解：有声书照稿朗读时文字与声音的对应更紧，而播客自发性强、TED 演讲修辞和现场互动多，文字之外的韵律、停顿和情绪起伏更大，因此文本更难从字面猜中声音。

第 3 个反证是加上下文的细节。原文附录把不加上下文与加上下文的完整矩阵都给出，加上下文后大模型在有声书唤醒度上从 0.328 到 0.416 一带有提升，但效价从 0.783 到 0.700 一带有下降，TED 演讲上多为下降或持平。这种有升有降且幅度不大的模式说明增益不稳健，不能当作可部署策略。综合 3 组反证，主要判断仍然成立：效价跨模态相关强，唤醒度和优势度弱，体裁影响大，加上下文不是解法。

哪些边界没有测，不能说什么？

缺失证据不是技术错误，但必须明确边界。第一，Libriheavy 和 TEDLIUM 没有人工情感标注，用的是在播客上训练的音频模型预测作为代理标准。这可能引入偏差，例如播客训练的模型对有声书的中性语气或 TED 演讲的演讲腔判断不准。原文在局限中承认了这一点，复述时不能把代理标准说成人工真值。第二，只用了英文数据。

不同语言的情感表达和韵律不同，结论能否推广到中文等多语言数据待验证。第三，指标单一且分布偏态。只用皮尔逊相关，而 3 组分布图都显示边缘情感很少，中间值主导可能拉高或压低系数。原文建议未来考虑能处理不均衡分布的替代指标，但在给出新指标前不能断言当前系数高估或低估，只能说存在该风险。第四，未测量误判率、延迟和成本。

本文没有报告大语言模型推理开销、音频模型推理帧率或实际延迟，也没有报告转写错误率，因此不能承诺某种调用组合更省或更快。训练资源、推理开销与实际延迟要分开讨论，总体趋势不等于每组都成立，例如大模型在 ANET 上更强，但在跨模态效价上小模型有时也能接近，不能简单说越大越好。相关性也不是因果，不能说改写文本必然改变语音情感。

要复现先做什么，需要哪些配置？

复现的第一步是准备数据与采样口径，而不是直接跑模型。ANET 用 120 句情景文本，MSP Podcast 用 1.8 版的 20539 条音频并用 Whisper Turbo 补转写，Libriheavy 用 small 子集的 20539 条并保留前文，TEDLIUM 第 2 版用训练集的 89986 条并保留前后句。采样时把 0 到 1 分成 5 档，每档最多取 3 个，MSP Podcast 每档最多取 2 个，最终 3 类分别得到 162、115 和 148 个片段。这一数量级很小，目的是让相关计算可复算且覆盖情感空间，复现时必须保留同样的分档逻辑，否则换成全量计算会得到不同系数。第二步是固定模型与提示词。

用 ollama 调用 8 个指定模型，默认设置加 5 个不同种子取平均，显著性按 0.01 且至少 4 次显著才算。提示词要保留原文结构：单句版只给句子，上下文版给前文加主句加后文并强调评估重点仍是主句，输出限定为 2 位小数的 JSON。转写与归一化也要一致：MSP 人工标注 1 到 7 用 1 和 7 做最小最大归一化到 0 到 1。第三步是核对基线。先复现音频模型在 MSP 合并测试集上的唤醒度、优势度和效价相关，确认音频侧无误后再算跨模态相关。

采样与聚合的对照表是必备的，它记录了数据集、模型、阶段、指标与聚合对象，数值相同不代表指标相同，百分点与相对百分比也不能混用。 下面这张表只记录采样与划分事实，不代替结果表，目的是让后来者能对齐条件。

表后解释要讲清代价与边界。采样后规模小带来可复算的好处，但也带来方差大的代价，5 次种子的标准差必须一起报告。

未评测边界是若改用全量计算或换分档数，系数会变化，因此复现报告要写明用的是均衡采样还是全量。全量分布见前文 3 张覆盖图，采样分布见附录说明，二者不要混用。

何时值得尝试，还需补哪项验证？

综合全文，可以给出可操作的判断。何时值得尝试文本指导情感合成：当目标主要是控制积极还是消极时值得尝试，因为效价跨模态相关在 3 类体裁中都相对最高，播客上可达 0.6 左右，有声书上更高。这时用大语言模型从文本读效价再去条件合成语音，有一定依据。当目标是精细控制激动程度或掌控感时要谨慎，因为唤醒度和优势度跨模态相关普遍偏低，加前后文也不能稳定补上。这时只靠文本很可能猜不中真实朗读的语气，需要额外的韵律或风格条件。

复现时先做三件事：对齐采样与归一化，复现音频模型基线，再跑文本与语音的按维度相关。还需补的验证很具体：补人工标注的有声书和 TED 演讲小集合以替换代理标准，补 Whisper 转写错误对相关的影响分析，补除皮尔逊之外的稳健指标，以及补多语言数据的对照。常见误解要澄清：大语言模型在 ANET 上 3 维都很强，不等于它在真实朗读中 3 维都强，前者是情景文本明确给出情感，后者是朗读加入了文本之外的声音选择。

音频模型好也不等于文本能对齐声音，好是各说各话的好。最终信息条件是推理时只有文本而训练时有文本加音频，这一失配正是论文标题所说的相关有限，改进方向是让文本情感预测更贴近语音表达，并设计更准确的合成条件策略，而不是简单堆更多上下文。

⚖️ 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 eacl-2026 论文汇总