英文题目：Multilingual and Cross-lingual Lexical Stress Detection Using SSL Feature Vectors
会议身份：
conference:interspeech:2026:conference-paper-id:alhabshi26_interspeech
来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。
标签：#自监督学习 #韵律 #跨语言 #多语言 #语音属性识别
评分：5.2/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.7/1.5 | 清晰度 0.6/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.6/1.5
排名：后50% | 文档类型：方法研究
👥 作者与机构
- Abdulrahman Alhabshi：机构信息未能从会议 PDF 纯文本可靠映射
- Beena Ahmed：机构信息未能从会议 PDF 纯文本可靠映射
- Mostafa Shahin：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
该工作研究多语与跨语词汇重音检测，输入为连续朗读语音与对应文本，输出为每个音节有重音或无重音的二分类标签，难点在于阿拉伯语由音节重量与末三音节窗口决定、英语由词库与形态交互决定且伴随元音弱化，两者声学实现差异大。方法链为强制对齐获得音节边界并由规则生成标签，再用冻结SSL编码器抽取帧级向量并在音节内平均得到1024维音节嵌入，接着由音节级预网络做孤立分类。最后由词级后网络建模词内前后音节依赖并输出序列后验，其输入为预网络的音节嵌入序列并经时延层融合上下文后计入掩码损失。与此前手工韵律特征加单阶段分类器不同，该设计把上下文建模同时放在冻结表示的Transformer上下文与词内时延结构中，以分离表示可移植性与序列依赖的作用。在Common Voice英语子集测试集评测下，多语训练的HuBERT后网络的准确率为97.08%，低于单语基准的准确率97.49%。结论仅适用于朗读式标准语与自动规则标签条件，未验证自发语音、方言与非母语偏误的外推能力。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。 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
重音检测要解决什么发音问题？
输入是连续朗读语音，目标是判断每个音节是否承载词汇重音，输出是逐音节的二分类标签。论文把任务放在计算机辅助发音学习中，学习者需要知道重音位置是否放对，因为重音放错会影响可懂度和发音质量评价。必须保留的信息是重音的声学线索与语言规则：重读通常表现为基频更高、能量更大、时长更长，但具体哪个音节重读由语言决定。
现代标准阿语的重音被描述为重量敏感，轻重超重由辅音元音结构决定，重音窗口限制在词尾最后 3 个音节内，规则是先看词尾是否为超重音节，否则看倒数第二是否为重音节，否则落在倒数第三。英语重音则是对比性和词汇化的，名词动词对如名词重首音节、动词重后音节，没有统一规则，还与词缀和形态有关，并伴随非重读音节的元音弱化，区分 1 级、2 级与非重读。论文把英语的 1 级和 2 级合并为有重读，以便与不分 2 级的阿语标签直接做二分类对比。
初学者容易误以为只要提取基频、强度和时长就能通用，论文的起点恰好是这个误解在两种类型不同的重音体系之间会失效。阿语线索相对规则且与音节重量绑定，英语线索变化更大且受词库制约，因此同一个分类器在一种语言上学到的相对高低模式，换到另一种语言未必成立。后文的方法全景、数据构造和 6 组训练测试划分，都是为了在可控条件下检验这种可移植性。
此前路线做到哪一步，还缺什么对照？
同输入同目标的已有路线可分为 3 类。第一类用手工韵律特征加传统或深度分类器，例如用基频、强度、时长结合梅尔频率倒谱系数，再用高斯混合、深度置信网络或深度神经网络判断。论文引用的例子是李等人在第二语言英语上用多分布深度网络达到 87.9% 准确率，沙欣等人在两种英语与阿语及儿童语音上分别得到 9% 与 7% 左右的错误率对应约 91% 与 93% 及阿语约 82% 的准确率水平。这类方法的输入是人工设计的声学量，优点是可解释，缺点是跨语言时手工特征的相对比较基准容易漂移。
第二类是自监督表示替代手工特征。马莱拉等人在非母语英语音节重音上显示基于 wav2vec 2.0 的表示优于手工韵律特征，并发现中间编码层比重音相关信息比最后一层更丰富。阿鲁鲁等人提出的 2 个阶段结构是本研究的直接前序：音节级预网络加词级后网络，用时间延迟层建模词内音节依赖。本研究继承该结构，但把其中的手工或 wav2vec 特征换成 3 种固定自监督编码器在相同训练评价条件下对比。
缺失的对照正是本研究的定位：此前多为单语英语，缺少阿英双语联合训练与双向跨语言迁移在同一数据划分、同一架构、同一表示维度下的系统比较。论文明确把目标限定为在通用语音子集上检验表示选择、2 个阶段建模与训练范式的作用，而不是提出新的预训练模型。理解这一点才能正确解读后文的准确率：提升来自表示与上下文建模的组合，而非更大的分类器搜索。
为什么阿语与英语的重音难以共用一个模型？
问题可以沿一个词走一遍。输入是一个词的音频与转写，系统要先切出音节，再给每个音节打上重读或非重读。难点在于判断标准在两种语言中不同：阿语看音节重量与从右边缘数的位置，英语看词库记忆、词缀规律与节奏要求。举例是教学例子：阿语例子词 Madrasa 被切为 3 个音节，重音落在首音节，这是由重量规则推导的结果；英语例子是名词与动词拼写相同但重音位置不同，含义随之变化，这只能靠词汇知识而非通用重量规则。
操作层面的困难还有标签与分布差异。阿语数据中重读与非重读比例约为 3 比 7，英语约为 5 比 6，单音节词在英语评估中被排除。英语原始 3 级标注被折叠为 2 级，阿语直接是 2 级，这种折叠使任务形式统一，但也意味着英语的 2 级重读细节不再被单独评价。跨语言时，英语中非重读元音弱化带来的频谱变化，在阿语规则下可能并不对应重音变化，反向亦然。
因此论文设置 6 种训练测试组合：多语言训练分别测阿语和英语、英语训练测阿语、阿语训练测英语、英语内单语基准、阿语内单语基准。只有固定数据来源、固定切分思想和固定评价指标，才能把性能落差归因于重音体系差异与表示迁移能力，而不是数据量或划分偶然性。
系统从音频到逐音节标签经历哪些步骤？
整体流程是先对齐再平均再 2 级分类。语音输入同时走两路：一路是文本经过音素转换得到阿语的巴克沃尔特转写或英语的词典音标，再做强制对齐得到时间戳；另一路是音频经过冻结的自监督编码器得到帧级向量。然后按音节边界对帧向量取平均，形成每个音节一个 1024 维向量，再与音节标签组合送入预网络，接着在词级做填充并复用预网络权重进入后网络，输出每个音节的重读后验。
下段先给出流程图导读，帮助按色块理解 4 个层级如何衔接，图中细节以实际像素为准。
多语言训练 × 跨语言迁移： 多语言训练指把阿语和英语样本放在一起训练同一套分类器，负责让模型同时见到两种重音体系；跨语言迁移指只在一个语言上训练再到另一个语言上测试，负责检验学到的重音线索是否可移植。多语言训练提供共同优化条件，跨语言迁移暴露方向不对称，二者对照才能区分表示本身的通用性与分类器对特定语言规则的依赖。
看图路径： 1. 先从左到右沿转录文本与音频文件两条输入线找到汇合点；2. 再看音素级、帧级、音节级、词级四个色块的分工与箭头方向；3. 确认音节特征向量如何进入特征与标签组合再进入前后两级网络；4. 观察词级分支中权重获取与向量填充如何同时汇入后级网络
论文图 1。原论文 Figure 1：“Flowchart of the proposed system”。
该图按从左到右展示了数据区、音素级区、帧级区、音节级区与词级区的衔接。左侧转录文本进入音素转换再进入强制对齐，音频文件同时进入强制对齐与特征提取，说明时间信息与声学信息在此汇合。中间音节切分与重音标注向下生成音节特征向量，再向右进入特征与标签组合与预网络。右侧词级把权重获取与向量填充两路汇入后级时延网络，表明后级同时需要初始化来源与定长序列输入。读图时应把箭头当作数据依赖，而不是训练梯度方向，权重初始化的文字在图中单独标为权重获取分支。
帧向量如何变成可分类的音节向量？
先解释术语。冻结的自监督编码器指预训练好的语音 Transformer 上下文网络，在本研究中参数不再更新，只当作特征提取器使用，英文全称是 self-supervised learning encoder。帧级向量指每隔很短时间窗输出的一个定长向量，维度为 1024。强制对齐指把音素序列与音频时间轴对应起来的过程，给出每个音素的起止时间。音节嵌入指把属于同一音节的所有帧向量取平均后得到的向量。
沿一个样本走完：假设一个阿语词有 3 个音节，编码器先输出整句的帧序列，对齐给出每个音节的时间区间，系统把区间内帧向量相加除以帧数，得到 3 个 1024 维向量。论文认为多出的维度中包含区分重读与非重读的韵律信息，这种说法是作者的动机解释，不是逐维验证的结论。3 种编码器分别是多语言 WavLM、多语言 XLS-R 与英语 HuBERT large，分别在 94k 小时英语加 23 种欧洲语言、436k 小时 128 语言含阿英、60k 小时英语上预训练，均输出 1024 维。
自监督语音表示 × 音节嵌入： 自监督语音表示负责把每 1 帧音频变成 1024 维的上下文向量，它同时保留局部音素细节和跨帧韵律关系；音节嵌入负责按强制对齐时间戳把同一音节内的帧向量取平均，得到一个音节一个向量。自监督语音表示提供可复用的声学基础，音节嵌入把帧级信息对齐到语言学单位，二者搭配后分类器才能以音节为单位判断重读与非重读。
该组件的关键操作是平均而非拼接或注意力加权，平均的好处是长度归一且实现简单，代价是丢失音节内部时序细节。后级网络部分弥补了词内顺序信息，但音节内部的基频走向仍被压缩为均值，这是复现时需要记住的表示瓶颈。
两级分类器各自算什么，如何衔接？
预网络是全连接深度网络，输入层接收 1024 维音节向量，隐藏层用线性整流激活，输出层用单个神经元输出重读类的后验，训练用二元交叉熵。它的任务是孤立判断，不看邻居。后网络是时延神经网络，输入是同一词内按顺序排列的音节序列，最大长度按训练数据观测到的最大值固定为 9，不足部分做填充并掩蔽，使填充位置不参与计算与损失。它的任务是结合前后音节做序列判断，推理时对重读类输出做阈值得到标签。
衔接方式是权重迁移：后网络与预网络共享相同的层结构与维度，后网络的权重用预网络的权重初始化以帮助收敛。训练时用验证损失做早停，耐心为 10 轮，保留验证损失最好的检查点，准确率与 F1 用常用机器学习库计算，模型用常见深度学习框架实现。论文未报告阈值具体数值、隐藏层宽度的完整搜索网格与优化器细节，这是复现时需要补齐的缺项，不能从模型名称推定。
Pre-net × Post-net： Pre-net 是音节级的前馈深度网络，负责对孤立音节嵌入做二分类，给出每个音节是否重读的后验；Post-net 是词级的时延神经网络，负责把同一词内前后音节序列放在一起建模，学习重音在词内的相对分布。Pre-net 提供起点和初始化权重，Post-net 增加词内上下文依赖，组合后在多语言和跨语言条件下都比只用 Pre-net 更稳健。
看图路径： 1. 先对比左侧前馈结构与右侧时延结构输入符号的差异；2. 再看隐藏层标注的激活函数与层数可变标记的含义；3. 确认右侧填充音节与掩蔽位置如何参与序列计算；4. 观察输出端单值后验与逐音节序列输出的不同画法
论文图 2。原论文 Figure 2：“Overview of the proposed two-stage architecture for lexical stress detection”。
该图左侧显示预网络从多个帧特征分量经全连接层汇聚到单个输出，右侧显示后网络输入为按顺序排列的多个音节符号并带有延迟标记，灰色块表示填充位置。右侧输出端画出逐音节的序列结果，与左侧单值输出形成对比。读图时应注意右侧隐藏单元的堆叠画法表示时间维度上的复制，而不是不同特征通道，填充块的颜色差异对应掩蔽逻辑，权重初始化关系在图中没有用梯度箭头表示，需回到正文确认。
训练如何组织，哪些参数更新哪些冻结？
训练对象只是 2 级分类器，3 个自监督编码器作为固定特征提取器不更新。数据预处理先完成词级音节嵌入，维度 1024，然后训练分类器预测每个音节的重音模式。预网络从随机或默认初始化开始优化二元交叉熵，后网络从预网络权重出发继续优化同一类损失，但输入变为词级序列。论文明确说明层数与维度经实验优化选择，隐藏层激活为线性整流，输出为单神经元后验。
监督来源是自动推导的音节标签。英语靠词典条目匹配得到音节与 1 级 2 级非重读标记，再把一二级合并为有重读；阿语靠巴克沃尔特音素序列推导辅元结构，再匹配已知音节模式并按重量规则赋予标签。由于通用语音是朗读语音，作者认为说话人遵循规范重音模式，因此自动标签可靠，并用部分子集的语音学软件检查做验证。
强制对齐 × 音节切分与重音标注： 强制对齐负责给出音素或帧在时间轴上的起止位置，是连接音频与文本的桥梁；音节切分与重音标注负责根据转写规则决定音节边界和每个音节的重读标签，是提供监督信号的步骤。强制对齐提供时间戳使帧向量能按音节平均，音节切分与重音标注提供训练目标，二者配合才形成可训练的音节样本。
需要指出的缺项是论文未给出学习率、批量大小、阈值、填充掩蔽的具体实现位置与随机种子，也未说明说话人是否泄漏到验证与测试集。原文明确承认按文件名划分且说话人元数据不可用，因此不能验证说话人 disjoint。这意味着高准确率中可能包含说话人或通道相关成分，跨语言对比仍有效，但单语绝对值不宜直接当作说话人无关系统的上限。
数据、划分与评价条件是否可比？
数据来源是通用语音第 12 版的子集。阿语部分为现代标准阿语，方言中性，规模与分布决定了类别不平衡更严重；英语部分未记录口音元数据，作者认为以美音为主但未验证，单音节词被排除。划分按文件名做 70 比 15 比 15，训练验证测试比例固定，但说话人是否 disjoint 未验证。评价指标是准确率为主，训练过程同时计算 F1 但正文主要用准确率柱状与曲线呈现，指标方向是越高越好。
下表提出比较问题：在数据量、词表规模、音节总量与标签比例不同的情况下，两语言的任务难度基线是否相同。公平条件是同一编码器维度、同一 2 个阶段结构、同一划分思想，指标方向一致。表中数字保留原文写法，英语排除单音节词这一条件是理解分母差异的关键。
| 条件 | 样本量 | 词与音节规模 | 标签比例 | 划分与备注 |
|---|---|---|---|---|
| 阿语子集 | 82601 utterances，554 speakers | 459166 word tokens，59727 unique words，1.2 million syllables | 3:7 stressed:unstressed | 70/15 split by filename，speaker-disjoint 未验证 |
| 英语子集 | 80000 utterances | 301670 words，32401 unique words，1.31M syllables | 5:6 stress/un-stress | 70/15 split by filename，排除单音节词，口音未验证 |
表后解释需要同时看到规模与难度。阿语词表更大但标签更偏向非重读，英语音节总量更大但比例更均衡，因此直接比较两种语言的绝对准确率并不公平，更有意义的是各自相对单语基准的保持度，以及跨语言 2 个方向的落差。未胜出项是说话人划分未验证，这使单语基准可能偏乐观；未评测边界是口音、方言与自发语音，朗读规范语音的结论不能直接推广到这些条件。
XLS-R × HuBERT： XLS-R 是在 128 个语言共 436k 小时语音上预训练的多语言模型，负责提供覆盖阿语和英语的通用表示；HuBERT large 是在 60k 小时英语 Libri-Light 上预训练的英语模型，负责提供英语内很强的基线表示。XLS-R 分工在跨语言可移植性，HuBERT 分工在单语和多语言中的英语精度，对比二者可以检验预训练语言覆盖对重音迁移的影响。
编码器选择的教学价值在于覆盖度与精度的权衡。多语言编码器见过更多语言，理论上更易移植韵律表示，但语言过多也可能引入噪声；英语专用编码器在英语内更强，但跨到阿语时可能缺少对应声学先验。后文结果将检验这一权衡是否成立。
多语言联合训练保持了多少单语精度？
要回答的问题是联合训练是否以明显代价换取双语能力。对照是各自语言的单语基准，条件是相同编码器与相同 2 个阶段结构，指标是准确率。论文报告多语言训练在阿语平均 87.87%，在英语平均 95.24%，其中 WavLM 后网络在阿语达 89.77%，HuBERT 后网络在英语达 97.08%，接近右侧单语基准。单语基准最高为阿语 90.56% 与英语 97.49%，均高于此前手工特征报告的阿语 82% 与英语 91%，支持自监督表示提供更强基础的判断。
下段先做图前导读，明确 6 组柱状的分组逻辑与图例含义，避免把不同训练测试条件的柱子直接平均。
看图路径： 1. 先按横轴六组训练测试组合区分多语言、跨语言与单语基准；2. 再按图例颜色区分三种编码器并按实心与条纹区分前后两级；3. 对比中间两组跨语言柱高与两侧柱高的落差与方向差异；4. 确认跨语言组中哪种编码器的条纹柱相对最高
论文图 3。原论文 Figure 3：“Summary of the highest accuracies achieved on dif- ferent train/test setups”。
该图横轴为 6 组训练测试组合，纵轴为准确率百分比，图例用颜色区分 3 种编码器，用实心与条纹区分前级与后级。两侧单语基准柱最高，左侧两组多语言柱紧随其后，中间两组跨语言柱明显更低，且英语到阿语低于阿语到英语。跨语言组中条纹柱普遍高于同色实心柱，说明后级带来一致增益，其中多语言预训练编码器的条纹柱在跨语言组相对最高。读图时不能把纵轴起始值当作零点来估计差距倍数，也不能把最高柱直接推广为所有层数配置下的结果。
下表把核心可运行策略的数字放在同一口径下，便于核对保持度与迁移落差，表中单位保留原文的百分比写法，裸值不另加单位。
| 训练测试条件 | 评价指标 | 平均或代表值 | 最优可运行策略 | 单语基准对照 |
|---|---|---|---|---|
| Multi Train Test Arabic | Accuracy (%) | 87.87% | 89.77% WavLM Post-net | 90.56% Arabic benchmark |
| Multi Train Test English | Accuracy (%) | 95.24% | 97.08% HuBERT Post-net | 97.49% English benchmark |
| English Train Arabic Test | Accuracy (%) | 68.12% | 79.17% XLS-R Post-net | 低于多语言与单语 |
| Arabic Train English Test | Accuracy (%) | 76.09% | 86.69% XLS-R Post-net | 低于多语言与单语 |
| 先前手工特征对照 | Accuracy | 82% Arabic，91% English | Shahin et al. | 本研究 90.56%，97.49% 超过对照 |
表后解释要同时讲收益与代价。多语言的主要收益是双语保持度高，阿语差距约一到两个百分点，英语差距更小，且后级在 3 个编码器上都带来小而稳定的提升，支持词内依赖建模确有附加作用。代价是编码器选择出现分化：HuBERT 多语言精度最强，WavLM 紧随，XLS-R 在英语多语言条件下略降，作者解释为语言过多可能引入噪声。未胜出项是 XLS-R 在多语言英语上并未领先，这提醒总体趋势不等于每组都成立，跨语言最强不等于多语言也最强。
后级网络与层数如何改变跨语言差距？
要检验的机制是词内时序建模是否缩小跨语言落差。对照是同编码器同训练测试条件下的前级与后级，条件一致，指标仍是准确率。论文报告加入时延后网络后所有编码器的跨语言差距都减小，在最难的英语到阿语方向提升最大。方向不对称依然存在：英语到阿语平均 68.12%，阿语到英语平均 76.09%，最优均为 XLS-R 后网络的 79.17% 与 86.69%，仍低于单语基准约个位数到十余个百分点。作者的有限解释是阿语重量规则声学对应更一致，而英语词汇形态与弱化带来更大变异，导致英语学到的线索更难移植到阿语，该解释有语言学依据但未经逐音节误差分解验证，应表述为支持而非证明。
下段先导读层数敏感性图的阅读方法，区分稳定条件与敏感条件的不同结论。
看图路径： 1. 先确认三幅子图分别对应哪种编码器的特征向量；2. 再看横轴层数与纵轴准确率的范围以及图例中六条条件的含义；3. 对比上方高准确率曲线簇与下方跨语言曲线的波动幅度；4. 观察层数为三或四时跨语言曲线是否出现局部高点
论文图 4。原论文 Figure 4：“Accuracies achieved using feature vectors from each encoder.”。
该图分三幅子图分别对应 3 种编码器，横轴为分类器隐藏层数，纵轴为准确率，图例区分多语言、跨语言与单语基准的前后级曲线。上方多语言与单语基准曲线簇随层数变化平坦，说明强语言内性能不依赖窄层数选择；下方跨语言曲线波动更大，后级曲线多位于前级之上。三编码器在 3 层或 4 层附近常出现局部最优点，但不同编码器与方向的最优点并不完全一致。像素不能精确读出每点小数时不应硬写，只能讲趋势与相对位置，原文补充说明以文字数字为准。
机制结论是稳健性的主驱动是多语言预训练编码器加词内时延建模，而非层数微调。XLS-R 在跨语言两方向最稳健，适合迁移；HuBERT 与 WavLM 在多语言精度上更好。反例是层数增加并非单调提升，跨语言对层数更敏感，因此复现时应把层数当作迁移调参而非通用最优，3 到 4 层可作为起点但需在验证集上重选。
哪些边界尚未验证，不能推广？
已验证的是朗读规范语音上的自动标签流程。英语依赖词典匹配，作者称之为强基线；阿语依赖音节重量规则，作者认为朗读使说话人遵循规范模式，并用部分语音学软件检查支持可靠性。但这仍是有限验证，不是人工逐音节校对，规则之外的变体、口音与误读未被建模。若把系统直接用于带口音或自发的第二语言发音评价，标签与声学分布都会变化，当前数字不能直接推广。
未测量的量包括误判率分布、延迟、计算开销与帧率。论文报告了编码器预训练小时数与数据规模，但未报告本研究训练推理的硬件预算、参数量与实时因子，因此不能承诺后级网络在保持精度的同时没有额外成本。时延网络需要等待词内前后音节，天然引入词级延迟，这对实时反馈场景是具体代价，只是原文未量化。
另一个限制是划分与元数据。按文件名划分且说话人不可用，使说话人泄漏无法排除；英语口音未跟踪，阿语虽为标准语但说话人国籍多样。方向不对称的解释停留在语言类型层面，未做按音节重量、词长、词缀与元音弱化的分层误差分析，也未检验中间层表示是否比末层更适合迁移。因此跨语言差距的因果归因仍待验证，当前只能说多语言预训练与后级建模与更小的差距相关。
复现应先固定什么，再调什么？
复现先固定信息条件。数据用通用语音第 12 版的阿语与英语子集，按原文规模抽取英语 80000 句，保留阿语 82601 句的量级，排除英语单音节词，标签按英语词典合并一二级、阿语按重量规则生成，划分按文件名 70 比 15 比 15。表示用 1024 维冻结向量，3 种编码器任选其一作为起点，建议先用英语 HuBERT 复现英语基准，再用 XLS-R 复现跨语言。分类器先做预网络单音节二分类，再把同结构权重迁移到词级时延网络，最大词长取训练观测最大值 9 并掩蔽填充，早停耐心 10 轮选验证损失最优。
再调的是层数与阈值。首层 1024 神经元逐层减半，层数从一到五扫描，重点看 3 到 4 层在验证集上的跨语言表现，不要把测试集最优当作可部署收益。阈值需在验证集上重选，原文未给具体值。评价同时记录准确率与 F1，并按训练测试 6 组合分别报告，避免跨条件平均掩盖方向不对称。
关于可用性，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开。复现应把通用语音下载、词典匹配脚本、强制对齐工具与语音学软件检查当作自备环节，并记录说话人划分无法验证这一缺项。若需对比先前手工特征，应复现相同划分下的基线，而不是直接引用不同语料下的历史数字当作同条件胜负。
何时值得尝试这套两阶段方案？
当任务是词内多音节的相对重音判断，且有可靠音节边界与词边界时，这套方案值得尝试。前级解决单音节声学分类，后级解决词内相对比较，二者分工明确。若只有孤立音节或没有词级上下文，后级的增益会受限；若音节切分本身错误率高，平均帧向量会混入邻居信息，此时应先改进对齐与切分，而不是加深分类器。
选择编码器时看目标。若目标是双语联合服务且英语精度优先，英语预训练表示起点更高；若目标是跨语言冷启动或零样本迁移，多语言预训练表示更稳健，但要接受其在英语多语言上可能略低于专用模型的代价。层数作为次要旋钮，在语言内可固定，在跨语言需重调。
还需补的验证是分层误差与成本。建议按音节重量、词长、有无弱化元音分组报告跨语言误差，并测量后级引入的词级延迟与参数增量。只有补齐这些，才能把当前准确率差距转化为发音学习反馈中的可用阈值，而不是停留在离线分类数字。
⚖️ 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