英文题目：DATA AUGMENTATION FOR PATHOLOGICAL SPEECH ENHANCEMENT
会议身份：
conference:eusipco:2026:conference-paper-id:0000291
✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。
标签：#数据增强 #言语障碍 #低资源 #语音 #语音增强
评分：5.8/10 | 创新 1.0/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：应用研究
👥 作者与机构
- Hou, Mingchi：机构信息未能从会议 PDF 纯文本可靠映射
- Hermann, Enno：机构信息未能从会议 PDF 纯文本可靠映射
- Kodrasi, Ina：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
病理语音增强需从加性噪声麦克风信号y(t)中恢复帕金森病说话人的干净语音x(t)，输出增强语音，难点在于病理声学非典型致使常人语音训练模型严重失配且干净病理语料稀少难做监督训练。为此方法链分三步：先用音高偏移、时间拉伸与SpecMix变换扩展韵律与时频多样性并生成新谱图，再用支持西班牙语的YourTTS与XTTS零样本克隆合成新说话人内容以补足说话人覆盖，最后将原干净与合成语音与多噪声类型按-6至14dB随机信噪比混合生成多条件带噪对并统一送入预测式复谱回归与生成式薛定谔桥模型训练。与以往仅做单预测模型与简单变换不同，本文同时考察增强类型、增强比例与模型目标交互，揭示噪声增强最稳健而生成增强过量会破坏生成路径学习。在PC-GITA语料评测设置下，CR模型的SpecMix(100%)的指标ΔfwSSNR为5.93，高于基线的指标ΔfwSSNR 5.73±0.15。结论适用边界受限于西班牙语PC-GITA帕金森病语料与10折说话人无关交叉验证，生成增强高比例退化与向其他病种语言外推尚未验证。训练成本方面原文披露CR与SB分别在RTX 3090硬件与H100硬件上以批量4与最多1000轮训练，推理开销随SB的50步采样增加。
🔗 开源与复现资源
- 第三方资源：https://librosa.org/doc/main/generated/librosa.effects.pitch — 链接不可用（HTTP 404）
- 第三方资源：https://librosa.org/doc/main/generated/librosa.effects.time — 链接不可用（HTTP 404）
- 第三方资源：https://github.com/GT-KIM/specmix — 链接可访问（HTTP 200）
- 第三方资源：https://github.com/idiap/coqui-ai-TTS — 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，为什么病理语音更难？
本文的输入是论文原文证据与本次收到的官方原图像素，目标是为刚进入语音音频领域的研究生写出可核对、可复述方法的技术解读，必须保留的关键信息包括任务定义、两类增强模型、6 种增强策略的具体构造、数据集划分与信噪比条件、评价指标方向以及随增强比例变化的主结果与反例，输出为结构化中文解读而非营销式判断。 语音增强的任务是这样设定的。
麦克风收到的带噪信号可以写成干净语音加噪声，在短时傅里叶变换域每个频率点与时间帧上也是加性关系。增强的目标是从带噪观测估计出干净语音。当干净语音来自帕金森病说话人时，任务变为病理语音增强。论文指出病理语音在发音、发声与韵律上与常态语音有系统差异，统计特性不同，谐波结构与语速等都可能 atypical。直接把只在常态语音上训练的增强模型拿来处理病理语音，性能会明显下降。
更难的是数据条件。公开病理语音数据集普遍较小，本文使用的西班牙语 PC-GITA 只有 2.8 小时，包含 50 名常态说话人与 50 名帕金森说话人，每人 12 条话语。相比之下文中提到的大规模增强数据集可达 28.6 小时。部分已有病理数据集本身带噪，无法构成干净与带噪配对的有监督训练。因此论文把问题聚焦为在有限病理数据下，如何用数据增强扩大训练集并提升预测式与生成式两类主流模型的增强性能，同时检验增强后病理与常态之间的差距是否闭合。
对初学者而言，要先建立学习依赖。先理解带噪等于干净加噪声的观测模型，再理解增强模型需要大量带噪与干净配对学习映射，接着理解病理语音的数据稀缺与分布偏移会同时削弱映射的准确性，最后才能理解为何要比较变换型、生成型与噪声增强 3 条路线。本文后续就按任务与相关路线、方法全景、组件与计算、训练构造、实验条件、结果与反证、复现与收束的顺序展开。
已有路线研究了什么，本文的空白在哪里？
现代语音增强主要有两条路线。预测式方法把增强看成有监督回归，直接从带噪谱图预测干净谱图。生成式方法把增强看成分布映射或扩散去噪，学习从带噪分布到干净分布的传输路径。两类方法都依赖大神经网络与大量配对数据，对未见噪声与未见说话人泛化不足。已有工作大多面向常态说话人，对听力损伤、头颈癌、帕金森等导致的病理语音关注较少。
数据增强在语音识别、语音分离、情感识别与病理检测中已有广泛应用，例如加噪、音高偏移与时间拉伸。但论文梳理后指出，增强在语音增强中的应用仍 largely underexplored。据作者所知，只有 2 篇文献研究增强对增强性能的影响，且局限于单一预测式模型与常态说话人，主要做噪声水平与时频域操作。更新近的工作提出用零样本文字转语音合成个性化增强数据，但其对病理语音增强的实际收益未知。 因此本文的定位不是提出全新增强模型，而是系统比较。
研究对象是帕金森西班牙语病理语音，研究变量是 3 类共 6 种增强策略，研究载体是此前比较中表现最好的预测式复数谱回归模型与生成式薛定谔桥模型。这种定位决定了后文的阅读方法。凡是看到某策略有效，都要回到同一数据集、同一模型、同一指标与同一增强比例下核对基线，区分论文直接报告的数字、有限解释与未验证推测。
要解决的具体问题与评价方式是什么？
具体问题可以表述为给定 PC-GITA 的有限干净病理语音与 CHiME3 噪声，如何构造额外训练数据，使预测式复数回归模型与生成式薛定谔桥模型在未见说话人上的增强性能提升。输入是带噪语谱图，输出是估计的干净语音波形，监督来源是带噪与干净配对。论文用 10 折说话人无关交叉验证，每折按 80% 训练、10% 验证、10% 测试划分，避免同一说话人同时出现在训练与测试中。 评价用两个客观指标。
宽带语音质量感知评价与频率加权分段信噪比，论文报告的是改善量，也就是增强后减去带噪麦克风信号的差值，记为增量。改善量越大表示增强带来的提升越大。论文同时报告常态与病理两组说话人的结果，以便量化增强后是否还有组间差距。指标方向要记牢。两个改善量都是越高越好，不能把数值下降误读为变好，也不能把一组上的趋势直接推广到另一组或另一模型。
举例帮助理解。例子仅为教学，不代表论文数值。假设某条带噪语音的感知分很低，增强后提高了 0.5 分，这个 0.5 就是改善量。论文比较的是不同增强策略下平均改善量的高低，而不是单条样本的好坏。后续所有胜负判断都要回到平均改善量与置信区间上。
三类增强与两类模型如何组成对照全景？
论文把 6 种策略按对数据的修改方式分成 3 类。变换型增强改变波形或其时频表示以增加变异性，包括音高偏移、时间拉伸与 SpecMix。生成型增强合成全新话语以扩大数据集，包括 YourTTS 与 XTTS 两种零样本克隆合成器。噪声增强不改变原始干净语音与噪声信号本身，而是通过考虑更多输入信噪比生成更多带噪与干净配对，扩大声学条件范围。 载体模型有两个。
预测式复数回归模型训练深层网络预测干净短时傅里叶系数的实部与虚部，损失是逆变换后重建波形与干净参考波形之间的均方误差。生成式薛定谔桥模型构造带噪与干净语音分布之间的最优传输路径，与标准前向扩散逐步加噪不同，它用加权数据预测损失实现干净与带噪谱系数之间的插值。两者都采用 NCSN++ 主干并改为复数输入的 U-Net 风格结构，参数量分别为 22.1M 与 25.2M。
预测式语音增强 × 生成式语音增强： 预测式语音增强负责直接回归干净语谱图的实部与虚部，以均方误差为监督把噪声映射到干净目标；生成式语音增强负责学习从带噪分布到干净分布的最优传输路径，以加权数据预测损失重建分布一致的语音。二者搭配的原因是已有比较显示这两条路线在病理语音上各有最高性能，组合评估才能判断数据增强的有效性是否依赖训练目标，新增作用是揭示同一增强对不同目标可能相反。
从一个样本走完全流程有助于建立全局观。取 PC-GITA 中 1 位病理说话人的一条干净话语，先按实验设定随机选一种 CHiME3 噪声类型并在区间内随机选一个信噪比混合成带噪输入，再经短时傅里叶变换与动态范围压缩得到网络输入。网络按各自目标输出估计谱图，逆变换得到波形。若使用增强，则训练集中会额外加入该干净话语的变调版本、变速版本、谱图混合版本、合成器克隆的新文本版本，或同一干净话语在另一信噪比下的带噪版本。测试时仍在未见说话人上计算改善量。
变换型增强做了什么操作，参数如何固定？
音高偏移的动机是低音高与低音高变化的话语更难增强，因为谐波密集易被噪声掩蔽，而音高又是病理说话人常受影响的特征。实现上用 librosa 的音高偏移函数，按半音数移动音高并保持时序结构。本文固定生成 4 个版本，半音数取负 2.5、负 1.5、正 1.5、正 2.5。此处涉及的第三方文档链接在本次核对中当前不可用，复现时应以本地安装的 librosa 版本行为为准，不应依赖在线文档可达性。 时间拉伸的动机是多种病理条件下语速改变常见，尽管具体模式随疾病而异。
实现上用 librosa 的时间拉伸函数，按时长比例缩放音频时长并保持音高。本文固定 4 个比例，取 0.81、0.93、1.07 与 1.23，覆盖变慢与变快 2 个方向。同样，该函数的在线文档在本次核对中当前不可用，需以本地函数实际语义核对比例大于 1 是变慢还是变快在本文实现中的对应关系，论文只报告比例数值本身。
音高偏移 × 时间拉伸： 音高偏移负责在保持时序结构的同时按半音数改变谐波间隔与韵律，时间拉伸负责在保持音高的同时按时长比例改变语速。二者搭配的原因是病理语音常同时出现基频异常与语速异常，单一扰动覆盖不全，组合使用可以从频率轴与时间轴两个维度扩大训练覆盖，新增作用是检验模型对两类病理相关变异的鲁棒性是否一致。
SpecMix 通过时频掩码混合两张已有谱图生成新训练谱图，混合最多 3 个频带与最多 3 个时带，每个带宽由参数控制。本文生成 4 个 SpecMix 变体，其中 3 个固定参数取 0.1、0.3、0.5，另一个从 0 到 1 均匀采样。每个变换型增强生成的话语都会随机选一种噪声类型并随机选一个信噪比混合成带噪版本。增强比例设三档，分别为相对原始数据集新增 25%、100% 与 400%，400% 即全部使用生成的 4 个版本，25% 与 100% 则按说话人随机抽样子集。
生成型与噪声增强如何构造新数据？
生成型增强选择支持西班牙语且具备零样本声音克隆能力的两个预训练合成器，因为后文实验是西班牙语病理数据集。YourTTS 是 VITS 结构的扩展，端到端训练并使用 HiFi-GAN 声码器，语言嵌入支持多语言合成，外部说话人编码器从参考音频提取说话人嵌入。本文使用的 YourTTS 模型在 3200 小时 CML-TTS 上训练，其中西班牙语 279 小时。XTTS 通过字节对编码处理文本、向量量化处理语音以支持大规模训练，集成说话人编码器从参考音频计算嵌入，再由 GPT-2 预测输出语音 token，最后经 HiFi-GAN 生成波形。
本文使用 XTTS v2，在超过 27000 小时语音上训练，其中西班牙语 1500 小时。2 个模型都通过 Coqui TTS 工具包以默认推理设置运行，该代码仓库在本次核对中当前可用。 具体构造是每位说话人取训练集中的一句参考话语做声音克隆，用该参考为每位说话人各生成 12 条合成话语，对应原始每人 12 条的 100% 增强比例。25% 比例则随机抽子集。论文明确不做 400% 生成增强，因为预实验显示生成更多合成数据不再带来提升反而大幅增加计算成本。
每条合成话语同样随机选噪声类型与信噪比混合成带噪版本。
SpecMix × 噪声增强： SpecMix 负责用时频掩码混合两张语谱图的多个频率带与时间带以生成新谱图，噪声增强负责保持干净语音不变而增加带噪配对的信噪比与噪声类型多样性。二者搭配的原因是前者扩展谱图层面的组合多样性，后者扩展声学条件的输入多样性，组合意义在于区分增强模型需要的是内容组合能力还是抗加性失真的分离能力。
YourTTS × XTTS： YourTTS 负责基于 VITS 结构加 HiFi-GAN 声码器与外部说话人编码器做多语言零样本克隆，XTTS 负责基于字节对编码加向量量化与 GPT-2 预测语音 token 再经 HiFi-GAN 合成。二者搭配的原因是都需要西班牙语能力与零样本克隆以便为每位病理说话人合成新文本，组合意义在于检验不同大规模常态语音训练的合成器是否都能逼近病理声学，若都不能则说明问题在数据分布而非某个合成器。
噪声增强不改干净语音本身，只增加带噪配对。做法与原始训练集相同，为每条原始干净话语随机选噪声类型与随机信噪比再混合。400% 即每条干净生成 4 个带噪版本，25% 与 100% 则按说话人随机抽子集。理解 3 类差异的关键是变换型改的是语音实现方式，生成型改的是文本内容与说话实现，噪声增强改的是声学条件而不改语音内容。
模型训练与推理的真实计算过程是什么？
信号表示固定为短时傅里叶域，窗长 510 点，跳长 128 点，谱图做动态范围压缩，控制参数为 0.5 与 0.33，与薛定谔桥已有做法一致。主干为 NCSN++ 的 U-Net 风格 ResNet 块结构并适配复数输入，薛定谔桥额外加噪声调度层，采用方差爆炸调度，超参数最小 0.7、最大 1.82，采样用 50 步随机微分方程采样。训练用 Adam 优化器，批量 4，学习率 0.0001，最多 1000 轮，若验证损失连续 20 轮不下降则早停。预测式模型在 RTX 3090 上训练与推理，生成式模型在 NVIDIA H100 上训练与推理。 需要明确监督与冻结情况。
论文未报告冻结任何预训练增强主干，两个增强模型都是在 PC-GITA 配对数据加各类增强数据上从头按上述流程训练，监督来源是带噪与干净配对，生成型合成器的参数不参与增强模型训练，只是离线数据生成器。论文未给出梯度路径的逐层细节与验证损失的具体选择标准，也未报告每轮时长与总算力消耗，这些属于具体缺项，复现时只能按原文超参数重跑并记录自己的耗时，不应从模型名称推定实现细节。
推理时输入未见说话人的带噪话语，经相同短时傅里叶与压缩后送入训练好的增强模型，输出估计谱图再逆变换为波形，最后以干净语音为参考计算两个改善量。交叉验证保证测试说话人与训练无关，因此结果反映的是对新病理说话人的泛化，而非对已见内容的记忆。
数据、噪声与增强比例的实验条件是否一致？
比较的公平条件首先是数据划分一致。干净语音来自 PC-GITA，下采样到 16 kHz，10 折说话人无关交叉验证保证增强策略之间比较的是同一划分下的平均改善量。噪声来自 16 kHz 的 CHiME3，类型固定为 4 种，信噪比在区间内均匀随机，保证噪声增强与变换型、生成型所用的混合流程可比。不同之处仅在于新增数据的来源与比例，这正是要检验的变量。 下表整理了本文固定的变换与噪声条件，阅读时先确认比较问题。
问题是不同增强是否在相同混合流程下带来额外增益，公平条件是同一模型、同一划分与同一混合方式，指标方向是两个改善量越高越好。
| 条件 | 指标或参数 | 取值 1 | 取值 2 | 取值 3 与说明 |
|---|---|---|---|---|
| 音高偏移半音数 | s | -2.5 | -1.5 | 1.5, 2.5 共四版 |
| 时间拉伸比例 | r | 0.81 | 0.93 | 1.07, 1.23 共四版 |
| SpecMix 带宽参数 | gamma | 0.1 | 0.3 | 0.5 加均匀采样一个 |
| 增强比例 | 相对原始量 | 25% | 100% | 400% 按说话人抽样 |
该表把分散在正文中的构造参数集中呈现，便于复现时逐项核对。代价与边界在表后补充。
变换型 400% 意味着全部 4 个版本都用，生成型最大只到 100% 即每人 12 条合成，噪声增强 400% 意味着每条干净配 4 个带噪版本。论文未报告不同噪声类型各自的效果，也未报告采样率转换滤波器细节，这些是复现时需自行记录但不能反推论文结论的边界。论文提供的 SpecMix 与 Coqui TTS 代码链接在本次核对中当前可用，而 librosa 两个函数的在线文档链接当前不可用，复现应以本地代码行为为准。
哪种增强带来最大且最稳健的增益？
主结果按模型与人群分别报告。先看预测式复数回归模型在病理说话人上的表现。变换型中时间拉伸与 SpecMix 带来适度提升，音高偏移相比基线下降。适度比例下提升较一致，过大比例会出现饱和，例如频率加权分段信噪比改善量在 400% 时不再继续上升。生成型在 25% 小比例下只有微小提升，到 100% 时相比基线大幅下降。
噪声增强在所有比例上都明显超过基线，且比例越高增益越大。作者将其归因于模型对加性失真更鲁棒，从而更好分离干净语音成分。 再看生成式薛定谔桥模型在病理说话人上的表现。变换型中音高偏移与 SpecMix 有适度提升，时间拉伸可能损害性能，这与预测式模型中时间拉伸有益、音高偏移有害的结论相反，显示变换型有效性依赖训练目标。生成型同样无益且在 100% 时明显下降。
噪声增强在适度比例下提升，但 400% 大比例反而下降。作者解释为桥模型依赖学习干净轨迹的光滑条件分布，同一干净目标配太多带噪变体会增大条件输入分布的方差，使一致生成路径更难学。 为量化病理与常态的差距，论文挑选每类最优策略做跨人群比较。挑选为 SpecMix 100%、XTTS 25%、噪声增强在预测式取 400%、在生成式取 100%。比较问题是 3 类最优在两组人群上是否一致有效，公平条件是同一模型内比较，指标是频率加权分段信噪比改善量。
| 人群与模型 | 基线无增强 | SpecMix 100% | XTTS 25% | 噪声增强最优 |
|---|---|---|---|---|
| 常态-CR 模型 | 5.73 | 5.93 | 5.92 | 6.37 |
| 病理-CR 模型 | 5.18 | 5.35 | 5.35 | 5.68 |
| 常态-SB 模型 | 6.47 | 6.67 | 6.51 | 6.91 |
| 病理-SB 模型 | 5.71 | 5.90 | 5.78 | 6.09 |
该表显示相对趋势在两组人群一致。SpecMix 与 XTTS 只带来小幅提升，最大提升都来自噪声增强。但即使采用最优噪声增强，病理组仍低于常态组，例如预测式下 5.68 对 6.37，生成式下 6.09 对 6.91，差距依然存在。未胜出项也很明确。生成型在 2 模型上都未胜出，变换型内部也有模型相关的负结果，不能把某一模型上的最优直接搬到另一模型。
比例与模型如何改变结论，失败条件是什么？
增强比例是关键消融维度。对预测式模型，噪声增强随比例单调向好，变换型在适度比例好而过大饱和，生成型随比例增大由微益转为损害。对生成式模型，3 类都呈现适度比例有益、过大比例有害的倒 U 形，只是拐点不同，噪声增强的最优点在 100% 而非 400%。这说明总体趋势不等于每组每步都成立，必须按模型分别选比例。
增强比例 × 训练目标： 增强比例负责控制新增数据相对原始数据集的量级，训练目标负责决定模型从带噪到干净的映射是回归还是分布传输。二者搭配的原因是同一比例的额外数据对回归损失与桥路径学习施加的约束不同，组合意义在于解释为何噪声增强在 CR 上随比例单调提升而在 SB 上过大比例反而下降，以及为何变换型增强在 2 模型上出现相反的优劣。
失败条件值得单独强调。生成型在 100% 时 2 模型都下降，论文用非正式听感检验支持解释，认为合成器在大规模常态语音上训练，未能逼近病理参考的声学特性，因此合成越多偏离越大。这属于有限解释而非严格因果验证，因为论文未测量合成语音与病理语音的声学距离，也未做剔除说话人相似度后的对照，只能表述为支持而非证明。另一个失败是变换型的模型依赖，同一音高偏移在一个模型有害、在另一模型有益，说明不能从增强名称推定效果，必须实测。
还有未评测边界。论文未测试生成型 400%、未测试变换型与噪声增强的组合、未报告感知评价改善量的完整跨表数字与统计显著性检验方法。阅读时不应把频率加权分段信噪比的结论自动推广到感知分上，尽管文中称两指标趋势一致，但具体数值仍需回到原文图表核对。
证据的边界与不能承诺的是什么？
首先是数据边界。实验只在西班牙语帕金森 PC-GITA 与 CHiME3 4 种噪声上完成，未验证其他语种、其他病理类型如构音障碍亚型、其他噪声库与真实混响下的结论是否成立。说话人无关划分保证了对新说话人的泛化，但仍在同一数据集内交叉验证，未做跨数据集测试。 其次是测量边界。论文报告客观改善量，未测量可懂度主观分、误判率、延迟与推理成本，也未报告训练算力与碳成本。
因此不能承诺这些增强带来主观可懂度提升或实时性改善，训练资源与推理开销需分别讨论。生成式模型的 50 步采样本身开销较大，但论文未量化增强是否改变收敛步数或采样步数需求。 最后是推断边界。缺失证据不是技术错误，相关性不是因果。例如噪声增强有效可能因为覆盖了测试信噪比区间，也可能因为增加了数据量本身，论文未做等数据量下纯多样性与纯数量的分离实验。
合成器有害的解释依赖非正式听感，未做盲听评分。对这些都应使用可能、待验证的表述，保留原文直接报告与作者解释的区分。
复现先做什么，需要哪些超参数与信息条件？
复现的第一步是重建基线而不加任何增强。按原文固定短时傅里叶窗长 510、跳长 128、压缩参数 0.5 与 0.33，主干 NCSN++ 复数适配，桥模型加方差爆炸调度 0.7 到 1.82 与 50 步采样，Adam 批量 4、学习率 0.0001、最多 1000 轮、20 轮早停，10 折说话人无关划分 80% 训练、10% 验证、10% 测试，干净下采样到 16 kHz，噪声从 4 种类型随机选、信噪比在负 6 到 14 dB 均匀随机。先确认基线改善量与论文表 1 量级一致，再逐一加入增强。 第二步按比例重建增强。
变换型严格用原文四值，SpecMix 三固定加一随机，生成型用 Coqui 工具包默认推理并以训练集中一句参考做克隆、每人 12 条，噪声增强按同一混合流程生成。注意生成型不做 400%，变换与噪声的 25% 与 100% 要按说话人随机抽子集而非全局随机，以匹配原文。 代码与权重条件要区分。SpecMix 仓库与 Coqui TTS 仓库在本次核对中当前可用，可用于重跑混合与合成。librosa 两个函数的在线文档链接当前不可用，应以本地库实现为准并记录版本号。
合成器权重来自大规模常态数据，本身不含病理特性，复现时不应期待合成语音自动具备病理声学。若要检验作者解释，还需补做合成与真实病理的声学距离测量与盲听对照，这是原文未提供的验证。
何时值得尝试，还需补哪项验证？
何时值得尝试的答案是模型相关的。若使用预测式回归模型且病理数据有限，优先尝试噪声增强并可推到 400%，再试 SpecMix 或时间拉伸的中等比例，不优先试音高偏移与大规模合成。若使用生成式桥模型，噪声增强做到 100% 左右即止，变换型优先试 SpecMix 与小比例音高偏移，谨慎对待时间拉伸与任何大比例合成。跨人群时预期病理仍低于常态，不应以闭合差距为停止标准。 还需补的验证有三项。
一是分离数量与多样性的贡献，在等总时长下比较多信噪比与重复采样的效果。二是针对病理特性的增强设计，例如在音高与语速扰动中引入帕金森特异的分布而非均匀对称扰动，并测量与真实病理分布的距离。三是主观可懂度与跨数据集泛化，以及训练与推理成本的完整报告，以便判断增益是否值得额外数据与算力。 回到中心矛盾。
病理语音既少又不一样，通用增强能补数量与条件多样性，因此噪声增强最稳健，但补不上病理特异的分布偏移，因此合成常态语音反而有害、组间差距犹存。未来的 targeted 增强需要更有效地建模病理本身的发音、发声与韵律特性，而不仅是增加通用变异。
📐 原文公式与排版
以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。
区域 1 · 查看论文原页
另有 4 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。
⚖️ 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