英文题目：A Preclinical Study of Electrolaryngeal Voice Conversion for a Novel Nasal Electrolarynx: Feature Choice and Data Augmentation
会议身份：
conference:interspeech:2026:conference-paper-id:chen26t_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：#医疗音频 #数据增强 #语音 #语音可懂度评估 #语音转换
评分：5.5/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.6/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.9/1.5
排名：前50% | 文档类型：应用研究
👥 作者与机构
- Qi-Yan Chen：机构信息未能从会议 PDF 纯文本可靠映射
- Ming-Chi Yen：机构信息未能从会议 PDF 纯文本可靠映射
- Fo-Rui Li：机构信息未能从会议 PDF 纯文本可靠映射
- Hsin-Te Hwang：机构信息未能从会议 PDF 纯文本可靠映射
- Ching-Hung Lai：机构信息未能从会议 PDF 纯文本可靠映射
- Shu-Wei Tsai：机构信息未能从会议 PDF 纯文本可靠映射
- Ping-Cheng Yeh：机构信息未能从会议 PDF 纯文本可靠映射
- Jyh-Shing Roger Jang：机构信息未能从会议 PDF 纯文本可靠映射
- Yu Tsao：机构信息未能从会议 PDF 纯文本可靠映射
- Hsin-Min Wang：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
鼻腔电子喉语音转换任务输入为置于鼻腔入口激励、经鼻咽耦合的鼻腔电子喉语音，输出为可懂自然语音，实际难点在于其固定基频激励与机械噪声叠加中高频共振、低频衰减及元音共振峰抬升，使面向传统颈部电子喉优化的系统难以直接迁移。方法链先在45k句COSPRO自然语料上做文本到语音解码器预训练与语音编码器适配以学习语言与声学先验，再用F5-TTS由TWnews生成合成自然语音并经局部线性嵌入转换检索第6层WavLM-Large邻居重建梅尔频谱图得到合成鼻腔电子喉配对以扩充数据，随后用合成配对做语音转换预训练并用240句真实配对微调，最终由HiFi-GAN重建波形。其中合成数据生成解耦语义检索空间与频谱重建空间，用WavLM特征检索而用对应梅尔频谱图重建以保留鼻腔共振。与直接复用WavLM特征不同，该工作坚持梅尔频谱图建模以显式保留中高频共振线索，避免了在大规模自然语音上预训练的自监督特征对鼻腔特异谱 cues 的欠表征。在TMHINT 40句NEL到NL评测上，梅尔频谱图ETN-VC将字符错误率（Character Error Rate，CER）由72.0%降至63.0%、音节错误率（Syllable Error Rate，SER）由58.8%降至53.8%，并在30人A/B可懂度听辨中优于WavLM版本与无增强基线。结论仅限单健康发音人临床前仿真条件，未验证真实喉切除患者与病房噪声泛化，原文未披露训练与推理成本。
🔗 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
喉切除后为何还需要把电子喉语音再转一次？
输入是喉切除患者或健康模拟者用电子喉发出的语音，目标是把它变成更接近自然语音、听者能听懂的波形。本文必须保留的信息是器件差异、特征选择与数据增强三者的对照条件，输出是 1 篇能复述训练阶段、数据划分与评价指标的技术解读。人的发声可以简化为源滤波器过程，肺部气流经声带振动形成激励，再经舌、唇、鼻腔等构音器官滤波成形。健康人语音在本文称为自然语音。
喉切除后声带激励缺失，最常用的是颈式电子喉，把固定频率的机械振动贴在颈部传入声道，但机械噪声大且无音调变化，长期贴压也不适合颈部有伤口或活动受限者。新型鼻式电子喉把激励源放在鼻腔入口，经鼻咽耦合，位置固定且为体内耦合，机械噪声更小，还能解放双手。但论文报告鼻式语音有独特声学，中高频共振突出、低频衰减、元音共振峰偏高，这与颈式语音不同，因此不能默认针对颈式优化的转换系统直接适用。
电子喉语音 × 语音转换： 电子喉语音负责描述激励缺失后的输入特性，即固定基频、机械噪声和鼻式耦合带来的中高频共振与低频衰减；语音转换负责学习从该退化输入到自然语音谱的映射与时长重排，二者搭配的理由是仅靠降噪无法恢复韵律与共振结构，必须用配对数据训练映射，而组合意义在于把器件物理差异转化为可比较的转换难度与特征选择问题。
下面先沿一个样本走完链路以建立依赖。输入是一句鼻式电子喉录音，时长偏长且共振特殊；它先被表示为梅尔频谱或 WavLM 特征，再送入序列到序列编码器得到隐表示，解码器据此生成自然语音谱，最后由声码器合成波形。目标是让合成谱在音质、韵律与可懂度上接近同句自然语音。读者需要先理解器件声学，再理解特征与增强，否则无法判断结果差异来自器件还是模型。 为理解两种器件的物理来源，先看器件佩戴与激励通路总览，重点是激励从哪里进入声道滤波器。
看图路径： 1. 先看最左颈式器件贴颈供电与最右鼻式器件经鼻腔耦合的佩戴位置差异；2. 再看中间两幅激励通路示意中绿色颈式激励与蓝色鼻式激励的注入点；3. 最后确认鼻腔、舌体、舌根与声带位置标注如何解释共振路径不同
论文图 1。原论文 Figure 1：“Overview of CEL and NEL speech production.”。
该图左侧显示传统颈式器件手持贴颈，右侧显示鼻式器件经鼻部佩戴，中间两幅通路图分别标出颈部注入与鼻腔入口注入的位置差异。结合正文可知，鼻式路径经过鼻腔几何结构，因而带来特有的共振与衰减，这为后文梅尔谱保留器件谱细节的讨论提供了物理依据。图中不涉及转换模型，只是任务输入差异的来源说明。
此前电子喉转换路线解决了什么，还剩什么？
同输入同目标的路线是平行电子喉与自然语音语料上的转换。早期用高斯混合模型做谱映射，在保留说话人特征的同时改善自然度；随后深度学习方法进一步提升质量，但帧级对齐误差仍限制颈式到自然的映射。序列到序列模型用注意力同时学习对齐与映射，缓解了动态时间规整的硬对齐问题，并在大规模自然语料预训练后缓解数据稀缺，这是本文基线 VTN-VC 的直接来源。
进阶路线 ETN-VC 在此基础上增加 1 次转换预训练，并引入语音编码器损失与时长调整，用于患者数据。另一支是自监督与识别辅助路线，例如用自动语音识别做时间对齐、用自监督特征做映射，以及最近邻转换与局部线性嵌入转换，它们都依赖自监督特征的内容鲁棒性。还有微调路线，即先在大规模任务上预训练转换模型，再用少量电子喉配对数据微调，但仍需要一定量配对数据。
与本文同运行阶段的可比工作包括零样本通用转换，论文报告它们在电子喉上音节错率很高，说明通用模型不足以处理此类退化语音。本文的差异是在同一框架下受控比较颈式与鼻式，并把局部线性嵌入专门改造为鼻式导向的数据增强，而不是仅改变时长或训练专用合成器。
本文把什么作为待检验的问题与对照？
本文是临床前研究，定位是用健康人模拟数据在受控条件下检验鼻式与颈式的差异，为后续患者研究提供参照。问题有二。第一，特征选择是否与器件相关，即梅尔频谱与 WavLM 第六层特征哪一个更适合鼻式到自然的转换，以及结论是否与颈式相反。第二，数据增强能否在只有少量真实鼻式配对时提供可迁移的增益，且合成时如何保留鼻式声学。检验方式是固定说话人、句集与平行配对，只改变器件与特征，保持评价指标一致。
论文明确控制了主要混杂，鼻式录于病房以贴近预期临床环境，颈式与自然语音录于录音室，作者承认环境噪声与房间混响是潜在因素，但认为在说话人与句集固定的条件下，观察到的趋势主要反映器件与表示差异。后续若在患者数据上验证，需要在同一病房条件下直接比较。
VTN 与 ETN 两套流程如何分工与衔接？
方法全景是基于变换器的序列到序列语音转换框架，基线是 VTN-VC，进阶是 ETN-VC。VTN 分 3 个阶段。先用文本到语音数据集训练文本到语音模型，得到生成能力强的解码器；再把输入切换为同批语音的声学特征并固定解码器，让编码器学会与该解码器兼容的隐表示；最后在电子喉到自然的配对集上训练编码器与解码器，把电子喉特征映射为自然特征，大规模自然预训练提供良好初始化。
ETN 在前 2 阶段之后插入 1 次额外的转换预训练，用外部合成的鼻式与合成自然配对集加真实小规模配对集联合预训练，再单独用真实配对集微调。符号上，文本与语音类型用上下标记区分，编码器解码器的输入输出类型用上标区分，隐表示记为兼容解码器的中间向量。
序列到序列模型 × 注意力对齐： 序列到序列模型分工是把变长输入编码为隐表示再解码为变长自然谱，允许时长变化；注意力对齐分工是在编码解码之间自动学习帧级对应，替代动态时间规整的硬对齐，搭配理由是电子喉与自然语音时长差异大，固定帧映射会引入对齐误差，组合意义是让映射与时长重排联合优化，这正是鼻式喉语速偏长时仍能转出接近自然时长的关键。
为看清阶段如何堆叠，先看四行流程图，区分固定、初始化与新增预训练的位置。
看图路径： 1. 先沿纵向四行确认从解码器预训练到编码器预训练再到转换预训练与微调的主路径；2. 再看第二行标注 fix 的解码器与第三行到第四行标注 init. 的初始化箭头；3. 最后对照右侧括号区分哪两行属于 VTN、哪三行扩展为 ETN
论文图 2。原论文 Figure 2：“The training process of VTN-VC and ETN-VC models.”。
该图从上到下依次是解码器预训练、编码器预训练、转换预训练与转换训练。图中第二行解码器标有固定含义，第三行输入为合成鼻式、输出为合成自然，第四行输入为真实鼻式、输出为真实自然，且第三行到第四行的编码器与解码器之间各有一条初始化箭头。右侧括号标明上面两行构成 VTN，上面三行加左侧括号构成 ETN 扩展。这种画法直接对应正文的训练安排，复现时不能把合成预训练与真实微调合并为一步。
两种输入特征与声码器各承担什么计算？
组件按样本路径展开。输入特征二选一，80 维梅尔频谱或 1024 维 WavLM-Large 第六层特征。梅尔频谱是对短时谱做梅尔滤波组与对数压缩后的包络表示，保留共振峰与谱倾斜等细节；WavLM 特征是自监督模型中间层的上下文表征，对音素内容更稳定，但预训练以自然语音为主，可能欠表示鼻式特有谱线索。编码器把变长特征序列映射为隐序列，解码器经注意力加权隐序列自回归生成自然谱，声码器把谱还原为波形。
波形重建用 ParallelWaveGAN 工具训练的 HiFi-GAN 声码器，在 COSPRO 集上按特征类型分别训练。论文报告两种特征声码器在测试集上客观性能非常接近，因此不太可能引入评价偏置，这一点对公平比较很关键。
梅尔频谱 × WavLM 特征： 梅尔频谱分工是直接保留声谱包络细节，对鼻式电子喉特有的中高频共振更敏感；WavLM 特征分工是提供在大规模自然语音上预训练的内容表征，对音素区分更鲁棒，二者搭配比较的理由是判断内容鲁棒性与器件特异谱保留哪一个更重要，组合意义在于揭示特征选择是器件相关的，不能把颈式喉结论直接搬到鼻式喉。
教学例子仅为理解分工。假设输入是一段鼻式喉元音，梅尔谱路径会保留其中高频亮带的位置与强度，解码器需要学会把它改写为自然元音的共振结构；WavLM 路径则先把该段映射为更接近音素的内容向量，解码器更依赖内容重构自然谱，但可能丢失器件特有细节。此例不附加任何数值效果，只说明为何后文会出现可懂度与自然度的权衡。
合成配对数据如何构造并送入哪一步预训练？
训练与构造分为合成自然语音生成、合成鼻式语音生成与两步转换训练。合成自然语音用预训练 F5-TTS 模型，把 TWnews 语料中的一万句音素均衡普通话文本转为语音，以训练集第一句自然语音作参考音。论文说明也试过基于 CosyVoice 架构的 Breezy Voice，但对目标文本生成的普通话停顿过长，因此最终选用 F5-TTS。合成鼻式语音遵循局部线性嵌入转换流程，把合成自然语音逐帧转为配对的合成鼻式语音，字典由真实鼻式与自然配对训练句构成。
近邻检索用 WavLM 第六层特征，因为该层在最近邻转换中对自然语音表现最好，且在电子喉转换中已验证有效；重构时有两种策略，一是重构转换后的 WavLM 特征，二是用检索到的近邻对应的梅尔频谱重构转换后的梅尔频谱。与需要训练专用电子喉合成器的方法不同，该方法不训练新合成器；与仅改变时长的增强不同，该方法可从一万句生成多样配对并保留器件声学。随后 ETN 把合成配对集与真实鼻式配对集联合用于第 3 阶段转换预训练，再单独用真实集微调。
数据增强只用于 ETN，不用于 VTN 基线。
局部线性嵌入语音转换 × 数据增强： 局部线性嵌入语音转换分工是用真实鼻式喉与自然语音构成的字典做近邻检索与线性重构，把合成自然语音逐帧变成合成鼻式喉语音；数据增强分工是把一万句文本对应的合成对偶数据送入转换预训练以弥补只有 240 句真实配对的不足，搭配理由是不训练专用电子喉合成器也能扩充多样文本覆盖，组合意义是让预训练先见过器件声学，再用小量真实数据微调。
需要指出的缺项是，论文未报告优化器类型、学习率、批量大小与早停轮数等超参数细节，也未说明梯度在固定解码器阶段的具体阻断实现之外的更多训练曲线，因此复现时只能按序列到序列语音转换框架的默认配置与局部线性嵌入默认配置起步，并以本文数据划分为准。
数据、划分、基线与指标如何保证可比？
数据包含 5 类 16 千赫兹普通话语音，自然、颈式、鼻式、合成自然与合成鼻式。自然、颈式与鼻式由同一健康说话人朗读 320 句 TMHINT 句集录制，每句 10 个字，以减少器件使用与说话人差异。划分是 240 句训练、40 句开发、40 句评测的配对结构。前 2 阶段预训练用 COSPRO 集 45,000 句，转换预训练用 10,000 对合成鼻式与合成自然对偶数据，音节识别器训练用 MATBN 集。模型实现基于序列到序列转换框架，特征二选一。
评价分客观与主观，客观包括梅尔倒谱失真、基频均方根误差、基频相关系数、平均时长差、字错率与音节错率，分别考察音质、韵律与可懂度；字错率用 Whisper-Large 计算，音节错率用自训练普通话音节识别器计算。主观是随机化可懂度二选一测试。另报告 3 个现成神经评估分，语音语义保真度、整体质量与可懂度预测分。指标方向是失真、误差与错率越低越好，相关系数与质量分越高越好。
字错率 × 音节错率： 字错率分工是用 Whisper-Large 识别汉字序列衡量整体可懂度；音节错率分工是用普通话音节识别器衡量发音层面的保真度，搭配理由是汉字识别受语言模型补偿影响，而音节错误更贴近声学映射质量，组合意义是两者同向下降才能说明转换真正改善了发音而非仅靠语言模型猜词。
下表整理数据规模与特征配置等复现关键条件，表中数字与单位保留原文写法，阅读时注意训练对偶与预训练语料的层级关系。
| 条件 | 指标 | 真实小规模 | 大规模预训练 | 特征配置 |
|---|---|---|---|---|
| 配对划分 | 训练/开发/评测句数 | 240/40 paired CEL–NL (or NEL–NL) utterances | 45k utterances (44 hours) | 80-dim Mel-spectrograms (16 kHz) |
| 合成预训练 | 合成对偶规模 | 10k sNEL–sNL utterance pairs | 10,000 phonetically balanced Mandarin Chinese sentences | 1024-dim WavLM features (the 6th layer of WavLM-Large) |
该表说明真实转换训练只有数百句量级，而预训练与合成增强提供数万句量级支撑，特征维度与采样率决定了编码器输入形状。表后需要强调，病房与录音室环境不同是已知差异，比较时不能把噪声改善误读为映射改善；作者用固定说话人与句集控制主要混杂，但严格复现仍应记录录音环境与设备链。
鼻式与颈式的主结果呈现什么相反趋势？
主结果按器件分别比较。论文报告，未处理原始语音中鼻式各项指标与识别错误均差于颈式，但整体转换难度相当。关键是特征偏好相反，梅尔频谱更适合鼻式到自然，WavLM 特征更适合颈式到自然。作者的有限解释是鼻式有独特中高频共振与低频衰减，而主要在自然语音上预训练的 WavLM 可能欠表示这些线索；这属于支持性解释而非因果证明，仍待验证。
零样本通用转换作为反证，音节错率很高，说明通用模型不足以处理电子喉退化。频谱观察显示鼻式语速偏长，而合成与转换语音因帧级转换与序列对齐而跟随自然时长，转换后梅尔谱更接近自然语音。 为建立像素级直觉，先看六行梅尔频谱对照，重点是时长、谐波结构与共振亮带的变化。
看图路径： 1. 先纵向比较自然、颈式、鼻式三行频谱的谐波清晰度与时长差异；2. 再比较两种合成鼻式喉行中哪一行保留了中高频共振亮带；3. 最后看最下一行转换结果是否恢复出类似自然语音的时变共振纹理
论文图 3。原论文 Figure 3：“Mel-spectrograms of NL, CEL, NEL, sNEL, and ETN- VC-converted speech.”。
该图从上到下依次为自然、颈式、鼻式、直接合成的梅尔谱、经 WavLM 特征重构波形再转回的梅尔谱，以及梅尔谱 ETN 转换结果，横轴为秒级时间、纵轴为赫兹级频率。可见鼻式行明显更长且中高频有持续亮带，颈式行有固定基频的横向谐波线，自然行则有清晰的时变共振纹理；直接合成梅尔谱较好保留了鼻式中高频共振，而经 WavLM 重构的版本该共振较弱且低频噪声更多；最下一行转换结果恢复出接近自然的纹理。
这与正文关于梅尔谱保留器件特征的判断一致，但像素不能读出精确数值，定量结论仍以错率表为准。 下表用原文连续句覆盖的数字比较可部署策略与通用模型的错率，指标方向为越低越好，比较条件是同一评测划分上的转换输出。
| 条件 | 指标 | 可部署转换策略 | 通用零样本对照 | 原文对象 |
|---|---|---|---|---|
| 鼻式增强前后 | CER | from 72.0% (see Table 1) to 63.0% | 71.8% and 84.8% | VTN-VC Mel vs ETN-VC Mel, SeedVC |
| 鼻式增强前后 | SER | from 58.8% (see Table 1) to 53.8% | 85.0% and 99.5%, 84.0% and 101.5% | VTN-VC Mel vs ETN-VC Mel, MKL-VC and Vevo |
表后解释主要收益与代价。梅尔谱 ETN 相对梅尔谱 VTN 在字错率与音节错率上同时下降，支持数据增强对鼻式有效的判断。
但通用零样本的音节错率普遍高于 70% 甚至超过 100%，说明未针对电子喉训练的模型不可直接部署。未胜出项是 WavLM 系统在神经质量分上更高，却在可懂度错率与听感偏好上落后，构成明确的自然度与可懂度权衡，不能只看一侧指标下结论。
增加合成数据与更换合成谱策略带来什么变化？
消融按增强规模与合成谱策略组织。论文报告 ETN 无论用梅尔谱还是 WavLM 都优于对应 VTN，且随 TWnews 合成规模从 1 千到 5 千到 1 万增加而改善，梅尔谱 ETN 始终优于 WavLM ETN。合成谱策略比较显示，直接用局部线性嵌入合成梅尔谱能更好保留鼻式中高频共振，而先重构 WavLM 特征再声码再转梅尔谱的路线会丢失该共振并引入低频噪声，中间路线即梅尔谱到波形再到梅尔谱也有类似问题但程度较轻。这支持鼻式导向增强应结合 WavLM 检索与梅尔谱重构的选择。
主观二选一进一步确认，梅尔谱 VTN 与 ETN 分别优于各自 WavLM 对应，梅尔谱 ETN 优于梅尔谱 VTN。神经评估分则呈现反例，WavLM 系统在整体质量与可懂度预测分上更高，语义保真度差异很小，说明仪器预测的流畅自然度不等于真实可懂度。在医疗语境下，论文明确优先字错率、音节错率与人工听评，而非仅看非侵入式质量分。 为量化听感偏好，先看 3 组可懂度投票条形图，注意每组 A 与 B 的指代不同。
看图路径： 1. 先确认纵轴三组对比分别对应哪两种模型与哪两种特征的配对；2. 再横向读出每组蓝色 A 段、橙色 B 段与绿色无偏好段的百分比；3. 最后比较梅尔谱作为 A 时是否在三组中都获得高于 WavLM 的投票
论文图 4。原论文 Figure 4：“A/B test results on intelligibility. The bars represent the percentage of subjects’ voting for each system.”。
该图三行分别比较梅尔谱与 WavLM 的 VTN、梅尔谱与 WavLM 的 ETN、以及梅尔谱 ETN 与梅尔谱 VTN，蓝色为 A、橙色为 B、绿色为无偏好，横轴为百分比。可见前两组中蓝色梅尔谱段均大于橙色 WavLM 段，第 3 组中梅尔谱 ETN 也高于梅尔谱 VTN，但绿色无偏好占比均超过 3 分之一，说明优势存在但并非压倒性。结合正文 30 名母语听众的设置，该图支持梅尔谱更适合鼻式可懂度的判断，同时提醒个体差异与无偏好比例不可忽略。 下表交代主观评价的人群条件，人数、性别与年龄决定了结论的适用边界。
| 条件 | 指标 | 样本规模 | 人群构成 | 听音条件 |
|---|---|---|---|---|
| A/B intelligibility tests | 30 participants (native Mandarin speakers | 18 males and 12 females | aged 20–50 | self-reported normal hearing) |
表后需说明，未评测边界包括患者真实语音、自然度平均意见分与更广泛的自监督层数扫描，论文把这些列为未来工作；当前听评仅针对健康模拟者语音的可懂度偏好，不能推广为患者自然度结论。
哪些结论还不能推广到患者与部署？
限制分 3 层。数据层是单健康说话人、320 句受控集与病房录音条件，患者构音、手术创伤与佩戴稳定性的变异均未覆盖，作者明确下一步需采集患者鼻式数据并做正式感知评价。方法层是仅比较梅尔谱与 WavLM 第六层，未做层扫描与其他编码器，声码器虽经控制但仍是分开训练，训练超参数与计算开销未报告，不能承诺延迟与成本改善。
评价层是可懂度改善仍有限，最优字错率仍在 60% 以上，神经质量分与真实可懂度方向不一致，且通用零样本对照表现很差，说明当前系统远非开箱即用。缺失证据不是技术错误，相关性也不是因果，鼻式共振解释目前是有限解释，需要用特征可视化或受控消融进一步验证。
要复现这套鼻式转换先做什么、按什么顺序做？
复现先固定信息条件。再谈代码状态，证据清单中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；演示网站在原文以链接形式提及，但本次未能确认可达，复现应以论文文字与受控数据划分为准。第一步准备同一说话人的平行鼻式与自然各 320 句，按 240 句训练、40 句开发、40 句评测划分，并记录病房与录音室环境差异；颈式对照若要复现也需同句集平行录制。
第二步准备 COSPRO 集 45,000 句用于前 2 阶段预训练，准备 TWnews 一万句文本并用 F5-TTS 合成自然语音，以首句训练自然语音作参考音。第三步用真实鼻式配对构建局部线性嵌入字典，以 WavLM 第六层检索近邻并直接重构梅尔谱，生成 1 千、5 千、1 万三档合成对偶以检验规模趋势。第四步在序列到序列框架中先做文本到语音解码器预训练，再固定解码器训练编码器，接着用合成加真实联合做转换预训练，最后仅用真实微调，全程分别训练梅尔谱与 WavLM 两套输入与各自声码器。
评价时同时计算倒谱失真、基频误差与相关、时长差、字错率与音节错率，并组织母语听众可懂度二选一，不能只用神经质量分代替人评。若缺少患者数据，应明确标注当前为临床前健康模拟结论。
何时值得尝试梅尔谱鼻式路线，还需补哪项验证？
综合判断是特征选择与器件绑定。当输入是鼻式电子喉且目标优先可懂度时，值得尝试梅尔谱输入加局部线性嵌入合成梅尔谱增强的 ETN 路线，因为它在受控条件下同时降低字错率与音节错率并获得听者偏好；当输入是颈式或目标优先流畅自然度时，WavLM 路线可能更合适，但需接受可懂度代价。常见误解是自监督特征一定优于传统谱特征，本文反例表明预训练域偏向自然语音时，器件特有共振可能被欠表示。
另一误解是合成数据越多越好，本文虽显示规模趋势向好，但未报告饱和点与计算成本，不能无限外推。还需补的验证是患者鼻式数据的正式可懂度与自然度评价、跨说话人泛化、多层自监督特征扫描，以及在相同病房条件下的端到端延迟与稳定性测试。只有补齐这些，才能把临床前趋势转化为可用助听方案。
⚖️ 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