情感一变口音就跑偏：说话人相似度高分为何藏不住口音幻觉

英文题目：Accent-Emotion Entanglement in LM-Based Text-to-Speech Systems

会议身份：conference:interspeech:2026:conference-paper-id:hayden26_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：#主观评测 #模型评估 #零样本 #语音 #文本到语音

评分：5.6/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 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

• Matthew Hayden：机构信息未能从会议 PDF 纯文本可靠映射
• Jinzuomu Zhong：机构信息未能从会议 PDF 纯文本可靠映射
• Korin Richmond：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

零样本语音合成（zero-shot text-to-speech, ZS-TTS）需仅凭短参考音频复刻说话人音色与口音，而常用说话人相似度指标（speaker similarity metric, SSM）常掩盖口音替换等关键错误。本文以 CosyVoice 2 与 MaskGCT 为案例，研究情绪指令与情绪参考音频诱发口音漂移的口音情绪纠缠（accent-emotion entanglement）现象。方法链分三步：先以 MEAD 数据集演员语音为参考批量合成多情绪多文本样本，再用口音识别系统 GenAID 提取嵌入并计算分布熵与质心距离以筛选异常目标句，最后以内容与情绪匹配的真值对做口音相似度平均意见分（similarity mean opinion score, SMOS）听测验证。与仅报告 WavLM 与 ERes2Net 说话人相似度的已有评估不同，该流程将主观口音判断与嵌入空间可视化结合，直接暴露口音维度失效。在MEAD语料021文本Happy情绪评测条件下，CosyVoice 2的口音SMOS分数为1.17±0.49，低于MaskGCT的口音SMOS分数3.79±1.2，波动揭示了情绪对口音的系统性干扰。结论仅适用于美式口音单参考说话人主测与3种情绪，未验证跨语言与大规模多说话人外推。原文未披露训练、推理或部署成本，训练数据不可见故无法确定纠缠根因。

🔗 开源与复现资源

• 演示资源：https://accemoentangle.github.io/ — 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：只给一段音就要模仿谁在说话？

本文的研究对象是零样本语音合成。白话说，就是只给系统一段几秒钟的参考语音，再给一句新文本，系统要合成出听起来像同一个人说的新句子。英文名是 zero-shot text-to-speech，缩写为 ZS-TTS。后文统一简称零样本合成。初学者容易把这个任务理解为只要音色像就算成功，但说话人身份还包括口音、韵律、发音习惯。

口音尤其重要，它影响可懂度和身份归属，把美国口音换成英国或尼日利亚口音，即使音色接近，听感上也是换了一个人。 论文的起点是对评估方法的怀疑。当前很多零样本合成论文只报告一个说话人相似度指标。白话说，就是把合成语音和真人语音分别送进说话人验证模型，取嵌入向量算余弦相似度，分数越高认为越像。英文是 speaker similarity metric，缩写 SSM。

后文简称声纹相似度。这类指标计算快、可复现，所以被广泛使用。但它到底捕捉了音色还是口音，原文认为交代不清。作者在试用 CosyVoice 2 指令模式控制情感时，主观上听到口音大变，而文献中该系统声纹相似度并不低，这种落差促使他们做 1 次可核对的案例研究。

零样本语音合成 × 说话人相似度指标： 零样本语音合成负责只给一段参考音就模仿该说话人合成新文本，说话人相似度指标负责用说话人或自监督嵌入余弦相似度快速打分，二者搭配的理由是后者便宜且看似能量化前者的模仿程度，组合意义在于一旦指标只捕捉音色而漏掉口音，就会把口音错误误判为成功，这正是本文要拆开的地方。

本次解读的输入是论文正文证据与一张官方原图，目标是让研究生能复述比较条件、听辨做法和客观计算，不做超出证据的效果承诺。必须保留的信息包括两个被测系统、所用数据集与说话人、情感条件、目标文本筛选过程、听辨人数与流程、嵌入提取位置与可视化拟合数据。输出按学习依赖展开，先讲任务与相关路线，再讲方法全景与组件计算，然后讲实验条件、结果与反证，最后讲复现要点。凡是教学举例都会标明是例子，不把例子当作论文数字。

别人做到哪了：口音解耦和情感控制是同一回事吗？

要理解本文的增量，先分清两条已有路线。第一条是口音与说话人解耦合成，目标是主动去掉或转换参考音中的口音，例如把带口音的参考音合成标准发音，或做多口音多说话人合成。论文提到这类工作把口音幻觉定义为参考人原口音泄漏到合成里，也就是不该带入的口音被带入了。第二条是情感控制合成，目标是让合成语音听起来开心、生气或中性，做法包括给情感参考音或加文本指令。

已有情感工作讨论跨说话人、跨语种情感迁移，但作者检索后表示没有发现情感控制无意改变口音的报道。 本文与这两条路线都不同。它不做主动换口音，也不只测情感像不像，而是测情感条件是否顺带改变了口音。关键区别是幻觉口音在输入中根本不存在，既不在参考语音里，也不在指令文本里。这与泄漏式幻觉不同。

举例说明，这只是帮助理解的例子：若参考人是美国口音，指令只写让声音听起来开心，合成却出现英国或南亚口音特征，这就属于本文关心的类型。论文把这种由情感输入引起或引导的口音幻觉命名为口音-情感纠缠。 相关评估文献方面，论文引用了关于合成语音评估规范和口音相似度成对评估的讨论，指出用单一自动指标衡量多维说话人特征容易漏检。

Seed-TTS 的测试集划分、ERes2Net 说话人验证模型、WavLM 基座的相似度做法、VCTK 与 CommonAccent 口音参考数据、UMAP 降维方法都在方法部分被实际使用或作为拟合基准，而不是仅在背景中罗列。理解这些来源有助于复述后文为什么同时需要主观与客观两套口音度量。

问题到底是什么：高分背后藏着哪种具体错误？

论文提出的核心矛盾是声纹相似度高分与人耳听到的口音不一致。CosyVoice 2 是一个围绕 Qwen2.5-0.5B 大语言模型的开源合成系统，支持参考音频加文本指令的指令模式。MaskGCT 是另一个基于语言模型的零样本合成系统，公开可用且训练数据来源已知，本文测试的是其英文 Emilia 数据训练版本。CosyVoice 2 论文报告的英文声纹相似度在 test-en 和 test-hard 上与 MaskGCT 接近，甚至两个指标各胜一场，但作者此前大量试听发现 MaskGCT 口音比较稳定，CosyVoice 2 在情感指令下口音变化很大。

于是问题被收窄为可检验的形式：在固定说话人、固定文本内容、只改变情感条件的对比下，合成语音的口音是否保持一致。如果情感指令或情感参考音频导致口音漂移，且漂移方向与情感相关，那就构成口音-情感纠缠。论文强调这不只是音质瑕疵，意外去掉或替换口音会损害身份保真，更严重的是若特定情感系统性关联特定族群口音，可能强化有害刻板印象。原文举例提及的担忧是情感与特定人群的刻板链接，因此需要系统性验证。

口音幻觉 × 口音-情感纠缠： 口音幻觉指合成语音出现输入中不存在的口音，口音-情感纠缠指这种幻觉被情感内容引导或触发，二者分工是前者描述现象、后者限定诱因，搭配理由是 CosyVoice 2 的漂移不是随机噪声而是随 happy、angry、neutral 条件系统性出现，组合后把评估焦点从一般口音不准收窄到情感条件如何改变口音实现。

为避免把默认口音偏置与情感诱发漂移混为一谈，论文还记录了一个背景观察：CosyVoice 2 似乎默认偏向合成通用美式口音，而不顾参考人的原口音。但这不是本次实验的焦点，本次焦点是同一说话人内部随情感条件的变化。换句话说，即使默认口音有偏，只要 3 种情感都稳定在同一口音区，就不算纠缠；只有情感一切换，口音分布就散开或跳到别的参考点，才算命中问题。

方法全景：一个样本如何走完参考音到评分？

沿一个样本走完全流程有助于建立全局图。输入端有三样东西：一段情感参考语音、一段待合成的目标文本、一句情感指令。参考语音来自 MEAD 数据集中同一说话人的某个情感，例如开心参考音配开心指令去合成开心目标句，中性则不给指令。目标文本是 MEAD 中与参考句不同的句子。系统输出是一段新语音，内容是目标文本，期望音色和口音跟随参考人，情感跟随指令或参考音频。

随后进入评估分支。主观分支取合成语音和同内容同情感的真人录音配对，请听众只按口音相似度打分，称为口音 SMOS。客观分支把合成语音送进 GenAID 口音识别系统，在倒数第二层取出音嵌入向量，不直接用分类概率做结论，而是用向量做三件事：算每种条件下 100 条样本的概率分布熵以看混乱度，用 UMAP 降到 2 维看是否偏离真人质心与北美参考点，算每条样本到本条件质心的平均余弦距离以量化离散度。熵高、分布散、距离大都指向口音不稳定。

指令模式 × 上下文学习模式： 指令模式负责同时接受参考音频加 Make this sound x 这类文本指令来控制情感，上下文学习模式负责只给参考音频做情感和音色提示，二者分工是前者引入显式情感文本、后者只依赖音频示例，搭配比较的理由是 CosyVoice 2 可用指令而 MaskGCT 只能用情感参考音频，组合后才能判断漂移来自指令文本、参考音频还是系统本身。

具体到两个系统，MaskGCT 不支持指令微调，所以只给情感参考音频；CosyVoice 2 的开心和生气条件同时给情感参考音频加 Make this sound x 指令，中性条件不给指令。这种不对称是原文明确说明的安排，复述时必须保留，不能写成两者都用了指令。目标文本经过两轮筛选，先用熵扫一遍 9 个候选句各合成 100 次，再选出 021、022、023、026、0275 个有代表性的句子进入听辨与可视化，021 是 CosyVoice 2 熵很高的例子，023 是两系统与真值熵接近的例子。

组件与计算：听辨选句和嵌入分析各自算什么？

听辨组件的任务是锚定感知。论文只用 1 名参考说话人 M007 做听辨真值，理由是预算有限。M007 是男性，试点中被评为与 CommonAccent 数据集中若干美式说话人最相似，这保证了真值本身落在美式区，便于判断漂移。参考语音固定用 MEAD 第一句，目标文本用上述 5 个句子。合成与真值在内容和情感上配对，听众被明确要求只按口音打分。

听辨样本不是随机抽的，而是先算每条合成嵌入与真值的余弦相似度，选最低者代表最可能幻觉的样本；若 MaskGCT 样本有严重伪影影响口音判断，则顺延选次低者。30 名被试通过 Prolific 招募，性别平衡，年龄 25 至 64 岁，母语为英语，分布在英国、美国、南非、爱尔兰和澳大利亚，每人做 30 组条件加 5 个注意力检查，报酬按每小时 12 英镑计。 客观组件的任务是扩大覆盖。听辨只用 30 条合成，客观则对 M007 之外的 M012、W018、W0333 名说话人也各合成批量样本，每名说话人、每个目标文本、每种情感、每个系统各 100 条。

嵌入来自 GenAID 倒数第二层，真值同样走一遍该流程。UMAP 空间拟合自 CommonAccent、VCTK 和 MEAD 真值嵌入，再把 50 个随机口音参考点和各情感真值质心画进去，这样合成点的偏离可以直接对照已知口音区。质心距离是对同一系统同一情感下所有样本到其质心的平均余弦距离，距离越大说明同条件内部越散。

口音 SMOS × GenAID 口音嵌入： 口音 SMOS 负责让人只按口音相似度给合成与真人配对打分，GenAID 口音嵌入负责在倒数第二层取出向量以计算分布熵、UMAP 位置和质心距离，二者搭配的理由是主观分锚定真实感知、客观向量覆盖大批量样本，组合意义是用小规模听辨验证新客观量，再用大批量客观量确认听辨不是个例。

熵计算是另一路客观信号。对每个条件下 100 条样本，先得 13 种口音上的概率分布，再按分布算平均熵。熵低意味着系统每次都指向同一口音，熵高意味着在多种口音间摇摆。论文用它做初筛，也在讨论部分拿它与 SMOS 对照，指出高 SMOS 大多对应低熵，从而给新客观量一个可理解的听感锚点。复述时要注意熵、UMAP、质心距离三者对象不同：熵看分类不确定性，UMAP 看位置漂移，质心距离看内部离散，不能混为同一个指标。

有没有训练：本研究训练了什么、调用了什么？

本研究没有训练新的语音合成模型，也没有微调 CosyVoice 2 或 MaskGCT。两个系统都是直接调用已有模型做推理，区别只在条件给法。论文明确说明 MaskGCT 用的是英文 Emilia 数据训练的公开版本，CosyVoice 2 用的是开源版本。没有报告学习率、优化器、梯度路径、参数冻结或更新安排，因为本研究不包含训练阶段，不能从模型名字推定这些实现。缺项就是缺项，复述时应指出原文未公开 CosyVoice 2 指令微调数据的构成，这正是后文只能推测根因的原因。

真实计算过程发生在评估侧。GenAID 口音识别系统被当作固定特征提取器使用，取其倒数第二层输出作为口音嵌入，不做训练。UMAP 只是降维可视化工具，拟合数据是 CommonAccent、VCTK 和 MEAD 真值嵌入，不是合成语音的训练。熵、余弦相似度、质心距离都是确定性统计计算，没有可学习参数。批量合成总量为 5400 条的初筛，加上听辨精选与多说话人扩展，计算量主要在推理与嵌入提取，而非梯度更新。

把无训练等同于输出确定是错误的，语言模型采样本身会带来随机性，这也是每条件合成 100 次的原因。 关于根因，论文只给出待验证的推测，不作为结论。一种可能是 SenseVoice 自动情感标注把口音特征误当情感，例如把某些口音的中性语音标成生气，导致指令数据中特定情感 over-represent 特定口音；另一种可能是数据本身不平衡，例如中性指令数据中英国说话人偏多。两者都缺乏训练数据证据支持，论文明确表示没有训练数据就无法定位根因，这也呼应了作者主张公开训练信息。

实验条件：数据、划分、基线与指标方向如何对齐？

数据方面，测试用 MEAD 英文视听数据集，含 60 名演员演绎 8 种情感各 3 档强度。实验只用开心、生气、中性，开心和生气取强度 2，中性只有一档。参考说话人 M007 用于听辨，M012、W018、W033 用于客观扩展，1 男 2 女。参考语音候选是 13 句跨情感公共句中的前 3 句，003 因明显更短被排除，试点显示参考内容对口音影响很小后随机选 001。目标文本候选是剩余 10 句，025 因涉及种族内容可能干扰口音感知被排除，剩下 9 句各合成 100 次做熵扫，再选 5 句进入主评估。

比较条件方面，基线不是传统消融，而是把 MaskGCT 当作对照系统。两者都是基于语言模型的零样本合成，但只有 CosyVoice 2 走指令加音频双条件，MaskGCT 只走音频条件，因此情感参考音频是两者共有的，指令文本是差异项。内容配对上，听辨要求合成与真值同内容同情感，客观可视化中各情感质心取 5 个目标文本平均，这样情感效应不会被文本差异污染。公平性限制是只用 1 名说话人做听辨，多说话人只做客观，结论外推到所有说话人时需要谨慎。 指标方向需要 1 次讲清。

口音 SMOS 越高越好，分数高表示与真人口音更相似。GenAID 概率熵越低越好，低熵表示口音指向集中。UMAP 上越靠近真值质心和北美参考点越好，远离到印度、南亚、尼日利亚、英国区则为漂移。质心余弦距离越小越好，小距离表示同条件内部稳定。声纹相似度作为背景指标，越高表示说话人嵌入越接近，但本文恰恰证明它与上述口音指标可能背离。

演示页地址在资源状态中显示当前可用，论文称部分试听和散点图见演示页，但正文结论不依赖演示页也能复述。

主结果：情感一切换，口音分布散开在哪里？

听辨之前先明确比较问题：在内容和说话人固定、情感逐档切换时，哪个系统的口音相似度更稳定，代价是什么。公平条件是同内容同情感配对、只评口音、样本按最低嵌入相似度选取。指标方向是 SMOS 越高越好。下表整理了论文表 2 中 5 个目标文本上的口音 SMOS 均值与标准差，完整覆盖开心、生气、中性三档，列数满足宽表要求，数字保留原文写法。

表前这段提出比较问题与公平条件已满足十五字以上要求，此处表后解释主要收益与代价。

MaskGCT 全部十五格都在 3.33 以上，跨情感跨文本稳定；CosyVoice 2 则从 1.17 到 4.13 大幅摆动，最低出现在 Happy 配 021 的 1.17，最高出现在 Happy 配 027 和 Neutral 配 021 的 4.13 附近，说明同一系统内换一句文本或换一种情感就可能从严重幻觉变为基本正常。标准差对比更直接，CosyVoice 2 为 1.16，MaskGCT 仅 0.26，前者一致性明显更差。未胜出项也要点名：CosyVoice 2 在 Neutral 配 021 和 Happy 配 027 上拿到 4 分段高分，证明不是全军覆没，这种文本依赖性恰恰说明不能用平均分一句话概括。 下面这段是图前导读，长度满足三十字以上。

图 1 左右并排显示说话人 M007 的口音嵌入核密度，颜色区分开心、生气、中性，黄色方块与十字标出已知口音参考点，重点看左侧是否比右侧更发散以及颜色是否跳到远端口音区。

看图路径： 1. 先对比左右两块面板的等高线扩散范围，确认左侧是否明显更散；2. 再找每种情感颜色与黄色方块口音参考点的相对位置；3. 核对 Ground Truth-Happy、Angry、Neutral 三星标是否都落在北美区；4. 观察左侧蓝色、橙色、绿色是否延伸到印度、南亚、尼日利亚、英国区

论文图 1。原论文 Figure 1：“Kernel density estimation showing density of accent embeddings in a 2D UMAP space for synthesised and ground truth utterances.”。

图后解释针对可见内容，长度满足四十五字以上。右侧 MaskGCT 的三色等高线紧紧围绕真值三星标和 US 1、US 2、US South、Canadian 等北美参考点，生气团偏上但仍在北美附近，没有大面积外溢。左侧 CosyVoice 2 的三色大面积铺开，蓝色开心团同时覆盖北美区和印度南亚区，橙色生气团向上发散并在尼日利亚、香港、东非附近形成次峰，绿色中性团向下延伸到英国、爱尔兰、澳大利亚区。这种按颜色分区的跨区占据正是口音随情感走的像素证据，与 SMOS 摆动相互印证。

反证与交叉验证：单看余弦相似度会误判哪一句？

论文没有做传统消融，但做了两组交叉验证，作用相当于反证。第一组是余弦相似度、UMAP 与 SMOS 三者对同一句的裁决。CosyVoice 2 在目标文本 021 中性条件被选入听辨的那条样本，与真值嵌入余弦相似度仅 0.70，按单一客观量会判为异常。可 UMAP 上它恰好落在中性云团的北美期望位置，看似正常。听辨给出 4.13 高分，证明 UMAP 是对的、余弦是误报。

若没有小规模听辨，这个误判无法被纠正。这说明任何单一客观距离都需要感知锚点，论文因此主张主客观并用不是装饰，而是纠错机制。 第二组是质心距离的多说话人重复。比较问题是 M007 上的高离散是否只是个例，公平条件是对 4 名说话人、三档情感分别算同条件质心距离，方向是越小越稳定。下表为论文表 3 的整理，保留原文裸值写法，列数满足宽表要求。

表后解释覆盖收益、代价与未胜出边界。CosyVoice 2 在每个条件下都是三者中最大，Happy 档在 4 名说话人上达到 0.052 至 0.058，真值与 MaskGCT 多在 0.010 至 0.029 区间，证实高离散可重复。代价是 Neutral 档差距较小，例如 M007 中性三者为 0.034、0.035、0.026，几乎拉不开，说明中性条件下仅看该距离可能低估问题。未评测边界是听辨只做 M007，W018 等 3 人的漂移只有客观证据，没有感知确认，外推时应表述为客观支持而非感知定论。

边界与代价：哪些结论不能从本文推出？

先说直接限制。听辨只用 1 名男性说话人 M007，原因是预算约束，论文已明示。客观扩展到 3 名说话人，但感知验证没有跟上，因此不能说所有说话人的人耳感知都与 M007 一致。目标文本只选 5 句，参考语音固定一句，参考内容影响虽经试点称很小，但并未给出完整数字。MaskGCT 样本若有严重伪影会被剔除并顺延，这保证了口音可判读，却也可能轻微抬高其听感分，复述时应保留这一筛选细节。

再说指标与因果边界。声纹相似度与口音 SMOS 的背离在本文是报告的事实，但背离不等于证明声纹模型完全不编码口音，只能说在此案例中它未能反映大幅口音变化。熵与 SMOS 的对齐是支持性观察，不是因果证明，不能反推降低熵必然提高感知分。根因讨论属于可能与待验证，SenseVoice 误标或数据不平衡都只是推测，没有训练数据就无法定案。论文明确表示架构相似的两系统表现分化，更可能源于数据而非架构，但这同样是推断语气。

最后是成本与风险边界。论文未测量推理延迟、实时率、训练能耗，也未给出误判率统计，因此不能承诺新评估组合更便宜或更快，只能说小规模听辨并不必然昂贵到不可行。情感与口音的刻板关联风险被作为动机提出，但本文没有做社会偏见量化，把它写成已证实的偏见结论就越界了。正确表述是本文报告了情感条件系统性改变口音实现的现象，其公平性影响值得后续专门验证。

复现先做什么：按什么顺序才能对上原文条件？

复现的第一步是对齐模型与数据。调用 CosyVoice 2 开源版本与 MaskGCT 英文 Emilia 版本，不做任何微调。准备 MEAD 数据集，锁定 M007、M012、W018、W0334 名说话人，情感取开心强度 2、生气强度 2 和中性，参考句用 001，目标句先用 9 句做熵扫再收敛到 021、022、023、026、027。CosyVoice 2 开心与生气要同时给情感参考音频加 Make this sound x 指令，中性不给指令；MaskGCT 全程只给情感参考音频，不加指令。

把这些条件写进脚本头部，任何把两者都改成指令的做法都会偏离原文。 第二步是跑批量合成与嵌入提取。每名说话人、每句目标文本、每种情感、每个系统各合成 100 条，初筛总量量级为数千条。全部送进 GenAID 取倒数第二层嵌入，同时保留 13 类口音概率以算平均熵。UMAP 拟合必须用 CommonAccent、VCTK 和 MEAD 真值嵌入，参考点随机取每口音 50 条，质心取 5 句目标文本平均后再降维。

质心距离按同系统同情感分组计算，不要跨情感混算，否则离散度会被情感间差异污染。 第三步是做小规模听辨。按嵌入与真值余弦相似度选最低者，遇伪影顺延，配对同内容同情感真值，只问口音相似度。被试需母语英语、覆盖多国口音区，加入真值对真值的注意力检查。代码与权重方面，论文未给出统一开源仓库，演示页当前可用可用于试听对照，但不能替代本地复跑。

缺项清单包括 CosyVoice 2 指令数据构成、参考内容影响的完整数字、多说话人感知分，这些补上后才能谈更强的泛化结论。

收束：何时值得用这套口音评估，何时不必？

当你的零样本合成引入了情感、风格或指令控制，且声称说话人相似度很高时，本文这套组合最值得尝试。先跑批量熵扫看是否有情感档明显发散，再对可疑格做 UMAP 与质心距离，最后用 30 人的口音 SMOS 锚定一小批样本。这种先客观预警、再主观确认的顺序，既避免对每条样本都做听辨，也避免被单一余弦分数误导。口音保真要求高的场景，如有声书、跨地域助手、身份克隆评估，应把口音单列为必测项，而不是藏在声纹总分里。

当任务本身就是主动换口音，或参考与目标口音预期不同时，不要直接套用本文阈值。此时偏离北美参考点可能是设计目标，而非幻觉，需要先定义期望口音区再谈漂移。同样，若系统只做中性朗读且无情感控制，口音-情感纠缠的检验动力较弱，但口音评估本身仍有价值，只是无需按情感分档。 回到中心判断，论文用可核对的数字表明声纹相似度不是口音的代理变量。CosyVoice 2 在部分文本上能拿到 4 分段口音分，在另一些组合上跌到 1 分段，而 MaskGCT 稳定在 3 分段以上。

质心距离上前者在开心档普遍超过 0.05，后者多在 0.03 以下。这种同一系统内部的条件依赖性提醒研究生：报告平均分之前，先按情感与文本切分看看分布，平均数很容易把结构性错误磨平。

⚖️ 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