音频不变只改身份描述：语音大模型情绪判断为何随之漂移

英文题目：Hidden Priors in Speech LLMs: Speaker Identity Shapes Emotional Perception

会议身份：conference:interspeech:2026:conference-paper-id:chou26_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。

会议来源：官方记录 · 官方 PDF

标签：#LoRA #公平性 #语音 #语音情感识别

评分：5.8/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Hsing-Hang Chou：机构信息未能从会议 PDF 纯文本可靠映射
• Bo-Hao Su：机构信息未能从会议 PDF 纯文本可靠映射
• Krishna Somandepalli：机构信息未能从会议 PDF 纯文本可靠映射
• Chi-Chun Lee：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音情感识别需从韵律与音色等副语言线索映射到Neutral、Angry、Happy与Sad四类标签，难点在于语音大模型同时受音频信号、提示词措辞与预训练分布调制，文本注入的说话人身份描述可能形成先验并覆盖声学证据。作者先固定同一 utterance音频不变，仅插入口音、国家与语言3类共12种身份语句构成36种提示变体，得到可控的身份条件预测分布。接着以前述分布中最佳与最差身份条件间的F1gap度量敏感性，并以逐utterance置换检验判断其是否显著超出零假设，该检验输出的显著敏感用例进入下一步声学聚焦分析。然后在音频区间上计算梯度显著性归一化累积分布及其平均绝对偏移，以检验预测翻转是否伴随声学关注重分配，最后冻结音频编码器并以轻量LoRA适配语言模型做混合提示脱敏微调。该工作与以往多任务或对抗去说话人表征不同，直接将说话人身份作为可控文本变量，从而分离声学证据与语境先验对情感判断的作用。在MSP-Podcast评测设置下，Qwen2-Audio语言条件的F1gap指标为0.1239，高于混合提示LoRA微调的F1gap 0.0025。结论仅适用于单句提示词注入的 12 种口音、国家与语言描述，未验证组合身份或真实说话人属性的外推。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

输入是什么，目标是什么，本文要回答什么？

本文的输入是同一段真实对话音频加上用英文写成的固定指令，指令要求模型从中性、生气、高兴、悲伤 4 个标签中恰好输出一个。研究者额外在指令中留出一个身份插入位，可以填入口音、国家、语言 3 类描述，也可以留空作为基础提示。目标不是提高情感识别的绝对分数，而是回答一个稳定性问题：当音频和标签集合完全不变、只改变文本身份描述时，语音大模型的情绪预测会不会系统性漂移，如果会，这种漂移是否伴随对音频证据使用方式的改变，又能否用轻量适配降低。

对刚入门的读者，要先分清声学证据与文本上下文。声学证据指韵律、强度、时长等随波形变化的副语言线索；文本上下文指提示词里关于说话人是谁、来自哪里、说什么语言的陈述。传统情感识别流水线只看前者，而语音大模型同时看两者。论文把后者固定为 12 个取值，覆盖巴西、埃及、埃塞俄比亚、法国、印度、日本、尼日利亚、瑞典、土耳其、台湾、美国、越南对应的口音、国家和语言，每个属性各形成 12 种提示变体，每条话语因此有 36 种身份条件加一种无身份基础条件。

必须保留的关键信息是实验的控制逻辑：音频固定、只扰动身份文本，任何预测变化都归因于文本先验而非声学差异。输出是可核对的量化指标与机制观察，而不是营销式判断。后续章节按学习依赖展开，先讲已有路线，再讲如何构造条件、如何度量差距、如何追踪声学焦点、如何微调、实验条件如何保证可比，最后讨论限制与复现动作。

已有路线如何看待说话人与情绪的关系？

语音情感研究长期注意到说话人差异。文中梳理了 3 条相关路线。第一条是评测视角，有工作跨口音、语言、音高探测情感模型的行为，关注模型在不同人群条件下的表现是否一致。第二条是表征学习，有工作把说话人属性加入多任务学习来提升性能，也有工作用对抗训练抑制可识别说话人的信息，以得到更具说话人不变性的情感表征。第 3 条是个体公平视角，认为说话人变异反映社会文化与生理因素的重叠，应该在个体层面而非仅群体层面考虑。

人类感知研究为本文提供了直接先例。相同语音在听者相信说话人区域背景不同时会被归入不同类别，受过训练的评分者在得知说话人身份信息后会改变感知评估，口音与异国感线索还会在受控条件下影响语用评价与可信度判断。这些结果说明，即使刺激不变，身份信念也能改变解释。

本文与上述路线同输入、同目标、同运行阶段的可比点在于，都处理真实语音到情绪标签的映射，都在推理阶段评估稳定性。但区别在于，本文把说话人身份不是当作音频自带的属性，而是当作提示词可注入的文本变量。这样做的教学意义是把混杂在音频中的身份因素解耦出来，单独检验文本通道的先验效应，而不是比较不同口音真实语音的识别难度。

为什么固定音频只改一句话能构成检验？

问题形式化为受控提示扰动设计。每条话语的音频波形保持不变，任务指令与标签空间保持不变，唯一变化的是身份插入位填入的句子。3 种模板分别是带有某种口音、来自某个国家、正在说某种语言，模板中的取值来自 12 个身份值。语言条件被明确当作文本上下文探针，即使它与音频实际语言不符也照常用，例如对英语播客音频填入正在说约鲁巴语，以此检验模型是否被文本误导。

举例说明，一条英语播客片段先配基础提示得到一个情绪标签，再分别配日本与埃塞俄比亚两种国家描述重新询问，音频没有换过。如果 2 次输出从高兴变成悲伤，就只能解释为身份文本触发了不同的内部期待。论文提出两个假设来组织检验。第一个假设是说话人身份能系统性改变情绪感知。第二个假设是这种由身份引起的预测改变伴随声学焦点的偏移，也就是模型在音频上依据的位置发生了重分布。

这个设计的严格性在于排除了声学混杂。不同真实说话人的音色、口音、录音条件本就会影响识别，无法分清是信号差异还是偏见。而固定音频的方法把因果链收窄到提示词，代价是它只检验提示可注入的身份，不检验真实声学口音带来的难度差异，复述时不能把两者混为一谈。

整体管线如何把一个样本走通？

整体管线可以沿一条样本从左向右走通。输入是一段播客音频与基础问题，基础问题询问音频表达了什么情绪。身份模块提供 3 类描述，与基础问题拼接成身份提示 A 与身份提示 B，两者音频相同、文本不同。两个提示分别送入同一个语音大模型，各自生成一个情绪标签。随后进入两个分析分支：一个分支比较不同身份下的分类性能离散，另一个分支比较同一话语在不同身份下的音频显著性分布差异。最后进入降低敏感度分支，用两种低秩适配变体重新训练语言模型，再回到同样的评测。

下图展示了从身份条件情绪识别到两个假设检验再到轻量适配的完整分工，左中右三部分分别对应条件构造、度量解释与干预，箭头表示音频固定而文本分叉的主路径。

看图路径： 1. 先从左侧输入音频和基础指令出发，沿加号走向身份提示 A 与身份提示 B 两条并行支路；2. 再看中部假设 1 用柱状差距与均方根公式度量性能离散、假设 2 用音频位置上的显著性累积曲线度量焦点移动；3. 最后看右侧基础提示与身份提示池如何分别送入带低秩适配的语音大模型形成两种微调路径

论文图 1。原论文 Figure 1：“Overall pipeline: (a) our defined speaker-identity–conditioned emotion recognition, (b–c) analyses used to examine our two hypotheses, and (d) the proposed reduction methods via…”。

从像素可见，左侧黄色为基础提示框，蓝色为说话人身份框，列出口音美国、国家美国、语言英语的示例，中间经加号形成身份提示框，绿色为语音大模型框，输出用笑脸与哭脸表情表示不同情绪。中部上方用日本与埃塞俄比亚的柱状差距示意每个情绪的最佳与最差 F1 之差及其均方根聚合，下方用两条随音频位置上升的累积曲线与双向箭头示意焦点偏移量。

右侧显示基础提示直达带适配的模型，以及身份提示池经混合后送入另一带适配模型的路径，齿轮与火焰标记表示只调语言模型的小参数更新。这种布局把构造、度量、干预 3 步放在一张图里，便于初学者定位每个公式与实验表格在管线中的位置。

身份条件如何构造，差距指标如何计算？

构造部分的动作很具体。指令模板固定为询问音频情绪并要求恰好输出 4 个标签之一，身份句插在中间。留空即基础提示，填入即身份条件。每个属性 12 个值，每个话语因此有 36 个身份提示。为保证可比，所有模型都用确定性解码，温度为 0，候选数为 1，首个生成词元决定约束标签输出。

度量第一个假设的工具是 F1 差距。对一个属性内的 12 个描述值，先对每个情绪分别取 12 个条件下的最大 F1 减最小 F1，得到该情绪的极差，再对所有情绪的极差平方平均后开方。数值越小表示跨身份越一致，越大表示身份敏感越强。为判断差距是否超出随机波动，对每条话语在 12 个身份变体上做置换检验，原假设是打乱身份分配不改变该话语的预测分布。

语音大模型 × 语音情感识别： 语音大模型负责把音频表征和文字指令统一成遵循指令的生成接口，分工是提供声学证据和上下文条件的联合推理；语音情感识别负责把这段音频映射到 Neutral、Angry、Happy、Sad 4 个离散标签，分工是给出可评测的分类目标；两者搭配的理由是传统情感识别只看音频，而语音大模型允许在提示词里注入说话人描述，从而可以把音频固定、只扰动文本来观察预测是否漂移，组合意义是把情感判断从单纯声学映射变成音频加文本先验的联合决策，也因此暴露了身份文本的干扰通道。

跟踪第二个假设的工具是基于梯度的显著性。先取模型首个预测词元对应的标签逻辑值，对输入嵌入序列求梯度显著性，每个词元向量对隐维度取绝对值求和得到标量。再只保留音频区间并在该区间内归一化为和为 1 的分布，沿时间累加得到累积分布函数。两个身份提示的累积分布在音频位置上逐点相减取绝对值再平均，得到焦点偏移量。数值越大表示显著性在音频上的分配越不同。随后按两个提示的预测是否发生转移分组，并在同一话语内打乱偏移分数做 50,000 次置换，再用错误发现率校正 16 个转移组的多重比较。

说话人身份描述 × 隐藏先验： 说话人身份描述指提示词中插入的口音、国家、语言 3 类陈述，例如说话人来自日本或带有埃塞俄比亚口音，分工是提供与音频无关的文本上下文；隐藏先验指模型在预训练和指令调优中内化的、对特定身份与情绪的关联期待，分工是解释为何相同音频会得到不同情绪标签；搭配理由是人类感知研究已发现区域背景信念会改变相同语音的类别判断，语音大模型同样把文本身份当条件信号，组合意义是把身份描述变成可控探针，用来触发并度量原本不可见的先验。

F1 差距 × 置换检验： F1 差距负责量化同一属性下 12 个身份取值中最好与最差情绪 F1 之间的离散程度，再对所有情绪取均方根，分工是给出一个越小越稳定的敏感度数值；置换检验负责判断这个差距是否超出身份无关时的随机波动，分工是在每个话语内部打乱 12 个身份的预测分布来构造零假设；搭配理由是只看差距大小无法排除采样噪声，必须有统计基线，组合意义是把观察到的离散变成可判定是否系统的证据，显著才支持身份确实改变了预测。

显著性累积分布 × 声学焦点偏移： 显著性累积分布负责把对首个预测词元的梯度显著性在音频区间内归一化并沿时间累加，分工是刻画模型在音频哪些位置投入更多依据；声学焦点偏移负责比较同一话语在两种身份提示下的累积分布平均绝对差，分工是给出焦点重分布的强度；搭配理由是只看标签变没变不能说明模型是否换了依据，需要看音频内部的注意力式证据是否同步移动，组合意义是把标签漂移和证据使用变化联系起来，检验预测改变是否伴随对语音证据依赖方式的改变。

初学者容易误把 F1 差距当成准确率本身。它不是平均性能，而是最好与最差条件之间的 spread，必须与平均宏 F1 一起看。高平均 F1 加小差距才是又准又稳，低差距但低平均 F1 只是稳定地不准。

没有从零训练时，适配到底更新了什么？

本研究没有从零训练语音大模型，预训练模型的权重保持原样，评测时直接调用。唯一的训练发生在降低敏感度的干预阶段，且只针对一个模型做轻量适配。动作是冻结音频编码器，只在语言模型的查询、键、值、输出投影与门控、上投影、下投影上加秩为 8、缩放为 16、丢弃率为 0.1 的低秩旁路，训练 10 个轮次。梯度只流经语言模型侧的融合与变换，不更新声学前端。

两种变体只差训练时的提示分布。基础提示变体全程不带任何身份信息；混合提示变体每个训练样本随机抽一个属性与一个身份值，且控制每个情绪类内各属性与各身份值出现次数相等，使情绪、属性、身份值的联合频率近似均匀。这样构造使身份陈述在训练中无法预测情绪标签，鼓励模型依赖声学证据。训练数据来自播客训练集，按每情绪约 10800 条构造近似平衡集，数量不足的情绪用过采样补足。

低秩适配 × 混合身份提示微调： 低秩适配负责冻结音频编码器、只在语言模型的注意力投影和前馈变换上加小秩旁路，分工是以很少参数改变声学表征与文本上下文的融合方式；混合身份提示微调负责在训练时对每个样本随机抽一个属性和一个身份值、并保证情绪、属性、身份值联合近似均匀，分工是让身份陈述与情绪标签去相关；搭配理由是若只用无身份提示微调，模型可能没见过身份干扰，而混合提示直接让身份不可预测，组合意义是用轻量更新鼓励模型依赖声学证据而非文本身份先验，从而降低提示敏感度。

需要指出的缺项是原文未报告优化器类型、学习率、批量大小与硬件耗时，也未说明是否早停或如何选择轮次。复述时不能从模型名称推定这些实现，只能说在给定秩与轮次下观察到敏感度下降。把无训练等同于确定性求解也是误解，确定性解码只保证同一提示下输出稳定，不保证跨提示稳定，而本文恰恰研究跨提示的不稳定。

数据、采样与评测条件如何保证可比？

数据来自两个真实对话音频的情感语料。英语部分用播客版本 1.12 的测试划分，中文部分用另一播客全集作为互补。为了控制标签不平衡并使跨数据集可比，采用固定的类别平衡采样协议，只保留中性、生气、高兴、悲伤 4 个情绪，每个情绪从每个数据集中抽 2000 条，共 8000 条用于评测。微调则用英语播客训练划分，按上述平衡目标构造。

评测条件保持一致。所有预训练模型包括音频指令模型、 omni 指令模型、通用音频语言模型与小型语言模型都在同一指令模板与同一身份变体下评测，报告宏平均 F1 与 F1 差距，差距方向是越小越好。显著性分析用可解释库在音频区间计算梯度，成对比较同一话语的不同身份提示。统计上第一个假设用逐话语置换检验，显著阈为 0.005；第二个假设用话语内 50,000 次置换加多重校正，校正后阈值同样为 0.005。

资源状态需要如实说明。本次未发现来源绑定且完成安全验证的代码、模型或数据资源，因此不得声称代码、模型或数据已公开。复现只能依据文中描述的采样数、模板句式、解码设置与适配位置自行搭建，不能依赖假设可下载的权重或脚本。

身份文本是否系统性改变情绪预测？

要回答的比较问题是：在音频、指令、标签空间、解码都固定的条件下，只换身份描述会不会拉开性能差距。公平条件是同一模型、同一数据集、同一属性内的 12 个取值互相比较，指标是宏平均 F1 越高越好、F1 差距越小越好，统计显著性用逐话语置换判断。

下表整理了跨模型与跨属性的主结果，数值保留原文精度，星号表示在 0.005 水平下显著高于零假设预期。

结果报告显示，所有预训练模型的 F1 差距都在置换检验下显著高于零预期，支持身份线索单独就能改变情绪预测。敏感度还随属性变化，语言场景通常在口音、国家、语言三者中差距最大。较强的模型差距较小，例如通用音频语言模型在英语语言属性上差距为 0.0388，同时宏 F1 为 0.5632，提示更强的情绪识别能力可能伴随更弱的身份离散，但差距依然显著，不能说偏见消失。

下图从边际预测分布提供另一视角，它不看对错，只看模型把多少样本判成每个情绪，堆叠高度变化即表示身份在重新分配标签。

看图路径： 1. 先确认图例中蓝色中性、橙色生气、绿色高兴、红色悲伤四段堆叠的含义；2. 再横向比较同一属性内 12 个身份缩写柱子的红色与蓝色段高度变化；3. 最后纵向对比上排英语数据与下排中文数据在悲伤段排序上是否保持一致

论文图 3。原论文 Figure 2：“Emotion prediction distribution from Qwen2-Audio for each speaker identity of (a) MSP-Podcast and (b) BIIC- Podcast.”。

从像素可见，上排为英语播客、下排为中文播客，每排 3 组分别对应口音、国家、语言，横轴为 12 个身份缩写，纵轴为情绪占比。蓝色中性段与红色悲伤段随身份起伏明显，例如在口音条件下埃塞俄比亚对应更高的悲伤段，而日本与法国对应较少的悲伤段，且悲伤段的相对排序在 2 个数据集间保持一致，比其他情绪更稳定。这支持身份描述在受控提示下可重复地把预测推向悲伤，但这只是分布偏移的描述，不是正确率的证明，也不能推广到真实口音语音的难度比较。

预测改变时声学依据是否同步移动？

第二个比较问题是：当两个身份提示给出不同情绪标签时，它们的音频显著性分布差异是否大于预测不变的成对比较。公平条件是同一话语内部比较，指标是累积分布平均绝对差越大表示焦点重分布越强，统计用话语内置换加多重校正。

下表把文中点名的关键数字放在同一框架下，便于核对转移组与未转移组的差异方向。

表后解释需要同时给出主要趋势与代价。报告显示，大多数非对角转移的偏移显著区别于话语内随机基线，而对角未转移通常与基线不可区分，支持预测改变更常伴随声学焦点变化。但存在反例：个别转移不显著，个别未转移却显著，例如中文口音下中性保持不变仍有 0.034 的显著偏移。这说明相关性不是因果，不能说焦点移动导致标签改变，也不能说标签不变则焦点一定不变。原文还点名具体语言 F1 离散作为佐证，约鲁巴语下生气 F1 为 0.5808，英语为 0.5414，土耳其语降至 0.4322，同一音频只因语言描述不同就拉开约 0.15 的差距，提示声学模糊时文本先验更容易主导。

初学者应注意，显著性是梯度解释工具，不是模型真实注意力的直接读数。它支持伴随关系，不证明模型先移焦点再改标签。未测量误判率细节与延迟时，也不应承诺该分析能改善这些量。

换了提示训练方式，敏感度如何变化？

本节按可运行策略组织消融：比较对象是未适配的预训练模型、基础提示微调与混合提示微调，条件是同一评测集与同一身份属性，指标仍是宏 F1 越高越好、F1 差距越小越好。核心是看降低敏感度是否需要混合身份训练，还是无身份训练已足够。

从像素看显著性热图的行列含义需要先确认。横轴与纵轴都是成对比较两侧的预测标签，对角线为 2 次预测相同，非对角线为发生转移，颜色越深数值越大。

看图路径： 1. 先确认横轴与纵轴都是成对比较两侧的预测标签，对角线为预测不变、非对角线为预测改变；2. 再观察深色格与浅色格的数值差异，重点看非对角线是否普遍比对角线更大；3. 最后对比口音国家语言三列与上下两排数据在显著标记分布上的异同

论文图 2。原论文 Figure 3：“2”。

解释该图可见，上排对应英语播客、下排对应中文播客，每排三块对应口音、国家、语言。对角线格如高兴保持高兴多在 0.021 至 0.030 的浅色区间，非对角线如中性对生气多在 0.044 至 0.050 的深色区间，且多数带显著标记。这与上一节表格一致：转移组偏移更大，未转移组多接近基线。语言列的深色对比往往更鲜明，与语言属性差距最大的主结果呼应。但同样要保留未胜出项：少数转移格颜色较浅且不显著，不能把总体趋势说成每组都成立。

回到微调消融，两个低秩变体都大幅降低差距。例如英语语言属性上混合提示把差距从 0.1239 降到 0.0025，置换检验下与零分布无显著差异，表明在该协议下身份敏感度被强烈抑制。基础提示微调也有接近的降低，多数设置下同样不显著，唯一例外是中文口音仍显著但数值很小为 0.0039。这说明即使训练时从未见过身份句，仅靠提升声学任务拟合也能减少对文本的依赖，但混合提示在统计上更彻底。代价是需要额外微调且宏 F1 本身发生变化，不能把差距缩小直接等同于部署中情绪准确率的同等提升，也未验证组合身份或更细身份描述是否同样被抑制。

哪些结论有边界，什么还没验证？

直接报告的部分是：在固定音频、12 个身份取值、3 类属性、4 个情绪、两个播客数据集、确定性解码条件下，身份文本单独引起显著的 F1 离散，且预测转移更常伴随更大的音频显著性重分布，轻量适配能把离散降到接近随机水平。有限解释的部分是：语言属性差距最大可能因为语言陈述唤起更强的交际上下文期待，在声学模糊时引导先验解释；较强识别能力伴随较弱敏感度可能因为声学证据更扎实而更少依赖文本。这些是与数据一致的解释，不是因果证明，用支持而不用证明来表述。

未验证的推测必须标明。真实说话人包含比重叠的口音、地域、生理、社会文化属性更丰富的身份，组合多个或更细粒度的身份提示尚未探索，不能把单属性结论推广到组合提示。显著性偏移与标签改变的相关性不能推出因果方向，也不能推出干预焦点就能修正标签。训练资源、推理开销、输出帧率与实际延迟未报告，不能承诺适配改善了这些量。百分点与相对百分比不同，比较时只用原文的 F1 与差距数值，不自行计算相对提升。

另一个边界是语言探针的构造。它故意让文本语言与音频语言不符来检验误导效应，这在教学上很清晰，但在部署中用户很少这样写提示。复述时要说明这是一种压力测试，不是日常提示的代表。把自动指标当成人评、把分布偏移当成正确率提升，都是常见的误读，需要避免。

要复现这套检验，先做什么？

复现的第一步是重建数据与采样。按文取英语播客测试划分与中文播客全集，每个数据集每个情绪抽 2000 条共 8000 条，保持 4 类平衡。训练适配时用英语播客训练划分，按每情绪约 10800 条构造平衡集，不足则过采样。保留关键超参数与信息条件：解码温度为 0、候选数为 1，适配秩为 8、缩放为 16、丢弃率为 0.1、训练 10 轮，只调语言模型的 7 组投影，冻结音频编码器。

第二步是重建提示。基础指令固定为询问音频情绪并要求恰好输出 4 个标签之一，身份句用 3 种模板分别填入 12 个值，形成每话语 36 个身份条件。语言条件即使与音频语言冲突也保留，作为文本探针。评测时对每个属性分别计算每情绪最佳减最差再做均方根，得到 F1 差距，并做逐话语置换检验。显著性部分取首个预测词元的标签逻辑值对输入嵌入求梯度，在音频区间归一化累加后算成对平均绝对差，按转移分组做话语内置换与多重校正。

第 3 步是核对缺项。原文未给出优化器、学习率、批量、硬件与随机种子，也未公开经验证的代码与权重，本次也未能确认可达的公开链接，因此复现报告应明确写出这些缺项与替代选择，而不是编造划分或超参数来凑成一致。若只能做最小复现，优先跑通固定音频加 12 个语言描述的离散检验，因为该属性效应最大、最容易观察到 0.58 与 0.43 量级的 F1 拉开。

何时值得尝试这套方法？

当你的语音交互需要把情绪识别暴露给用户，且提示词里可能带入说话人背景描述时，这套固定音频的检验值得先跑一遍。它用很小的动作回答一个部署前问题：模型是听声音做判断，还是在听身份讲故事。如果在你的数据上也看到语言或国家描述拉开可观差距，就应谨慎把身份文本直接拼进提示，考虑在指令中明确要求依据声学证据，或用混合身份微调让身份不可预测。

选择适配策略时看成本与目标。若只想快速降低敏感度且已有标注语音，基础提示微调已能大幅缩小差距；若要统计上与随机基线不可区分，混合提示更彻底，但要按情绪、属性、身份值做均匀采样，否则身份仍可能与标签相关。两种方法都只动语言模型，保留了声学前端，适合参数预算有限的研究生环境，但别忘了验证宏 F1 是否同步保持或提升，避免稳定但不准。

最终判断要回到证据等级。论文显示的是提示可注入身份的先验效应与可干预性，不是真实口音人群的公平性结论，也不是因果机制的证明。后续还需补组合身份、更细描述、跨语言泛化与人工听感对照，才能把实验室的压力测试连到真实服务的体验改进。

⚖️ 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 interspeech-2026 论文汇总