先在话语内对齐模态，再沿说话人拆分情绪动力：MF-EDM 的两阶段图建模

英文题目：MF-EDM: Graph-based Multimodal Fusion and Emotional Dynamics Modeling for Emotion Recognition in Conversation

会议身份：conference:interspeech:2026:conference-paper-id:hwang26_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：#图神经网络 #多模态学习 #音视频 #语音情感识别

评分：5.7/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 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

• Sooyeon Hwang：机构信息未能从会议 PDF 纯文本可靠映射
• Eunseong Kwon：机构信息未能从会议 PDF 纯文本可靠映射
• Gahgene Gweon：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

对话情感识别（Emotion Recognition in Conversation，ERC）以对话中每条话语的文本、声学、视觉证据为输入，逐条预测离散情感标签，难点在于模态语义鸿沟与跨说话人时序演化交织。该文提出两阶段框架多模态融合与情感动态建模（Multimodal Fusion and Emotional Dynamics Modeling，MF-EDM），先由话语内图完成跨模态聚合，再由双路径图完成对话级时序建模，最后拼接分类。第一阶段将早融合向量作为多模态锚节点与三类单模态节点同图传递并定向汇聚，第二阶段将锚节点特征分别送入同说话人惯性分支与跨说话人传染分支，以分离持续与交互信号。与既有图融合相比，差异在于锚节点在传播内部参与对齐而非传播后拼接，且情感动态按心理学机制解耦为有向持续与无向多频交互。在IEMOCAP全量测试上该方法以加权F1 74.24%超过同设置复现的最强基线GraphSmile约2.88个百分点，在MELD、K-MIND、M3ED上亦一致领先。结论边界在于依赖说话人标签构图、未来窗口隐含离线假设、传染与惯性分布不同时增益不稳定，未验证说话人缺失或噪声场景。原文未披露训练时长、参数量与推理成本。

🔗 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

输入是什么，目标是什么，这篇解读要保留什么？

这篇解读的输入是论文原文证据与本次收到的官方原图像素，目标是让刚进入语音音乐音频领域的研究生能够核对并复述方法。必须保留的信息包括任务定义、2 阶段划分、句内图的节点与边、惯性与传染两条路径的边构造差异、实验条件与主结果数字。输出按学习依赖展开，先讲对话情绪识别为何需要多模态与跨话轮建模，再讲全景与组件计算，最后讲训练推理与实验反证。

对话情绪识别的任务是给一段对话中的每个话语预测一个情绪标签。对话由多个说话人轮流发言组成，每个话语同时带有文本内容、声音特征与视觉特征。初学者容易把任务理解为对单句话做分类，但论文研究的是上下文相关分类，当前话语的情绪既依赖本句 3 个模态是否一致，也依赖前文同说话人是否延续情绪以及对方说话人是否施加影响。举例来说，同样一句语气平淡的话，在对方愤怒之后与在对方平静之后可能被标注为不同情绪，这就是需要建模情绪动力的原因，这里例子只是帮助理解，不代表论文报告了该例的效果。

只用单模态会丢失互补线索，只把 3 个模态向量拼接又会模糊各自特点。论文把挑战归纳为两点，一是有效多模态融合，二是情绪动力建模。前者要解决模态语义差异与信息冗余，后者要区分个体持续与人际影响。后续方法全景将沿着一个话语样本走完从原始特征到最终预测的完整路径，实验部分则说明在哪些数据集与指标下验证了这两点。

已有融合与上下文路线各自解决了什么，还缺什么？

在多模态融合路线上，论文对比了早期融合、晚期融合与基于图的融合。早期融合在特征层拼接，能稳定整合但容易抹平模态特有线索。晚期融合先各自处理再在最后合并，保留了特有线索但在表示学习阶段缺少模态间交互。基于图的融合把单模态特征作为节点来捕捉模态间依赖，但多数方法使用均匀消息传递且没有结构化聚合中心，可能导致对齐不充分。论文的判断是缺少一个在图内引导聚合的锚点，这直接引出句内图中早期融合锚节点的设计。

在对话上下文路线上，代表性图方法包括多模态图卷积与多频率多模态等工作，它们建模了对话上下文但没有显式分解与说话人相关的情绪动力。心理学文献区分了情绪惯性与情绪传染，前者指个体情绪跨话轮的持续，后者指他人情绪对自己的影响，包括趋同、分歧或互补等连接形式。论文借用该区分，把话语间动力拆成同说话人持续与跨说话人交互两条路径。教学上可以这样记忆，惯性回答自己是否延续上一刻，传染回答对方是否改变了自己。

与这些基线相比，论文在两个阶段都有差异。第一阶段不再是传播后再融合，而是把早期融合节点放进消息传递内部做图内聚合。第二阶段不再是统一上下文图，而是按说话人身份与频率语义分离两张图。这种对照决定了后文复现时必须保留的比较对象，至少要包含早期晚期图融合变体以及去掉任一动力分支的消融，否则无法说明新增结构的作用。

问题如何形式化，输入输出与符号是什么？

论文把一段对话记为包含 N 个话语的序列，由 M 个说话人说出。第 k 个话语带有文本声学视觉 3 组特征，任务是为每个话语预测一个情绪标签，标签集合随数据集而变化。IEMOCAP 包含高兴悲伤中性愤怒兴奋沮丧 6 类，MELD 与 M3ED 沿用愤怒厌恶悲伤喜悦惊讶恐惧与中性等标注，K-MIND 为韩语双人对话，M3ED 为普通话多场景对话。理解符号时先记住下标 k 表示话语序号，上标 t a v m 分别表示文本声学视觉与多模态。

沿一个样本走一遍有助于建立依赖关系。假设要预测第 k 个话语，先对它的 3 个模态分别编码得到等维表示，再拼接线性变换得到多模态锚表示，并加上说话人嵌入。然后以这 4 个向量为节点建一张句内图做融合，输出更新后的锚节点特征。接着把对话中所有话语的 4 类节点分别送入惯性图与传染图做跨话语传播，各自得到一个锚节点输出，拼接后经前馈分类器得到情绪分布，取概率最大者为预测标签。先有句内表示才有跨话语传播，先有两路输出才有最终拼接，这是后文展开公式与复现的前提。

需要区分的边界是论文排除了独白式数据集，因为独白缺少说话人交互，无法评价传染路径。测试集还被划分为惯性子集与传染子集，前者指与同说话人上一话语保持相同标签的话语，后者指发生情绪转移的话语。这种划分不是训练监督，而是细粒度评价手段，用来检验两条路径的分工是否成立。

两阶段全景：一个话语如何走完融合与动力建模？

MF-EDM 的全景分为两个阶段。第一阶段是话语内多模态融合，为每个话语构建一张句内图，包含 3 个单模态节点与一个早期融合多模态锚节点，通过图消息传递完成跨模态融合。第二阶段是话语间情绪动力建模，把所有话语的句内图初始化表示分别接入情绪惯性图神经网络与情绪传染图神经网络，前者用同说话人有向时间边建模持续，后者用跨说话人无向边加多频率滤波建模交互，最后拼接两路锚节点输出做分类。

下图是全文唯一实际收到像素的总览图，阅读时应先看左右两大阶段标题，再沿箭头从左向右跟踪主路径，特别注意中部两条动力分支在说话人排布与窗口标注上的差异。

看图路径： 1. 从左侧第 k 个话语的单模态编码出发，沿早期融合箭头找到多模态节点，再看句内图三角形与中心节点的边方向；2. 对比中部上方惯性分支按说话人分两行排布与下方传染分支不分说话人排布的窗口标注差异；3. 沿右侧两路锚节点输出的拼接符号找到分类器与预测标签的汇合点；4. 核对底部图例中文本声学视觉颜色、有向边与无向多重边的符号含义

论文图 1。原论文 Figure 2：“Overview of MF-EDM for predicting the emotion of the k-th utterance.”。

从像素可见，左侧第一阶段依次为单模态编码、早期融合拼接、三角形句内图，三角形顶点为文本声学视觉节点，中心为多模态节点，边符号按图例区分为有向边与无向多重边。中部第二阶段上方惯性分支按说话人 1 与说话人 2 分两行排列，当前图前后各连若干历史与未来图并标注传播层数。下方传染分支不分说话人，将前后窗口内各图连续排列。右侧分类部分将两路锚节点输出经拼接符号送入分类器得到预测标签。底部图例明确了颜色与符号对应关系，读图时应以图例为准，不把同色误认为同对象，也不猜测像素无法辨认的具体数值。

该全景的教学意义在于把融合与动力解耦。融合只在话语内部解决模态对齐，动力只在话语之间解决时间与说话人关系。复述时先说清每个话语输出什么，再说清对话级别如何连接这些输出，最后说清分类器输入是两路拼接，这样就不会把句内边与跨话语边混为一谈。

第一阶段如何编码、融合与建图？

单模态编码按已有工作抽取话语级特征。文本采用基于 RoBERTa 的模型，英文 IEMOCAP 与 MELD 用 RoBERTa-Large，韩语 K-MIND 用韩语 RoBERTa-base，中文 M3ED 用中文 RoBERTa。声音在 IEMOCAP MELD K-MIND 上用 openSMILE 的 IS10 配置，在 M3ED 上沿用基于 Wav2Vec2.0 的设置。视觉在 MELD M3ED K-MIND 上用预训练 DenseNet，在 IEMOCAP 上用 3 维卷积网络。每种模态特征再经双向门控循环单元或多层感知机编码为等维表示，这是后续建图的输入。

早期融合把 3 个单模态表示拼接后经可学习矩阵与偏置线性变换为多模态锚节点。说话人嵌入由说话人编号经单层线性得到，再加到单模态与多模态表示上以注入身份信息。这一步的动作是拼接加线性加身份偏置，输出是 4 个等维向量。

早期融合 × 句内图： 早期融合负责把文本、声音、视觉 3 个单模态表示拼接后线性变换为一个多模态锚节点，提供全局聚合目标；句内图负责把 3 个单模态节点与该锚节点放在同一张图中做消息传递，单模态之间用无向多重边交互，向锚节点用有向边汇聚。二者搭配的原因是纯拼接会模糊模态特有线索而纯图缺少聚合中心，组合后锚节点既参与图传播又作为输出，新增了结构化的模内对齐能力。

句内图对每个话语定义 4 个节点与两类边。单模态节点之间为无向多重边，捕捉两两跨模态依赖。从每个单模态节点指向多模态锚节点为有向边，把单模态线索汇聚到锚节点。锚节点既是早期融合初始化的结果，又是消息传递的聚合目标，传播后更新的锚节点特征将作为第二阶段的输入。复述时要强调边方向不可随意改为无向，因为方向表达了汇聚语义。

多模态锚节点 × 说话人嵌入： 多模态锚节点分工是承载早期融合后的联合表示并作为图内汇聚目标；说话人嵌入分工是由说话人编号经单层线性得到向量并加到单模态与多模态表示上，注入说话人身份。搭配的原因是融合需要知道话语是谁说的，否则跨话轮边无法区分同人与他人，组合后每个节点的初始特征都带有说话人条件，新增了后续惯性图与传染图按身份建边的依据。

与去掉锚节点的图融合变体相比，该设计多了一个结构化聚合中心。论文报告显示，带锚节点的句内图在 4 个数据集上都优于早期晚期与无锚点图融合变体，支持锚节点有助于对齐的判断，但具体增益幅度需结合后文主结果表核对，不在此处预支数字。

第二阶段如何用两条图路径拆分情绪动力？

第二阶段的输入是对话中 N 个话语各自的 4 类节点表示，共 4N 个节点。两条路径共享相同的句内图初始化，但边构造与传播语义不同。理解时先记住惯性只连同说话人，传染连窗口内所有人，这是两者最根本的差异。

情绪惯性 × 情绪传染： 情绪惯性分工是刻画同一个说话人情绪状态跨话轮的持续性，只连同说话人的前后话语并用有向边表达不对称延续；情绪传染分工是刻画不同说话人之间情绪的相互影响，不限说话人身份用无向边连接窗口内话语，并用多频率滤波区分趋同与分歧互补。搭配的原因是真实对话同时包含保持与转移两种动力，组合后模型能同时输出持续线索与交互线索，新增了对惯性子集与传染子集不同行为的分别解释能力。

情绪惯性图神经网络在句内图基础上增加同说话人时间边，连接当前序号前后过去与未来窗口内的同说话人话语。边为有向，允许不对称消息传递以反映持续性。节点特征经图卷积层加残差连接更新多层后，取多模态锚节点特征作为惯性输出。超参数包括传播层数与过去未来窗口大小，按数据集分别调优。

情绪传染图神经网络同样扩展句内图，但不按说话人限制边，而是在过去未来窗口内构建无向边，体现相互影响的互惠性。传播采用多频率滤波机制，低频分量建模趋同对齐，高频分量建模分歧或互补连接。多层传播后同样取锚节点特征作为传染输出。两路输出拼接为情绪动力特征，再经全连接与 Softmax 得到情绪分布，取最大概率为预测类别，训练用交叉熵加 L2 正则优化。

情绪惯性图神经网络 × 情绪传染图神经网络： 情绪惯性图神经网络负责在同说话人时间边上做图卷积加残差传播，取多模态锚节点特征作为惯性输出；情绪传染图神经网络负责在跨说话人无向边上做多频率滤波传播，取锚节点特征作为传染输出。搭配的原因是两者输入同一句内图初始化但边构造与滤波语义不同，组合时将两个锚节点特征拼接后送分类器，新增了在完整集上互补而在子集上各有优势的可验证分工。

这种分离使评价可以按子集展开。在惯性子集上仅保留惯性路径通常优于仅保留传染路径，在传染子集上则相反，完整模型在全集上取得最好效果。复述时应说明完整模型并非在每个子集都最高，因为跨说话人消息有时会稀释同说话人连续信号，是否稀释与数据集惯性传染比例有关。

训练监督、优化与窗口如何设置？

训练阶段有明确的监督与优化过程，不是无训练的检索或规则系统。监督来源是每个话语的人工情绪标签，模型输出情绪分布后用交叉熵损失衡量与真实标签的差距，并加 L2 正则约束参数。优化在 PyTorch 中实现，在单张显卡上运行。论文未报告优化器类型与学习率调度细节，这是复现时的缺项，不应从模型名称推定具体优化器。参数冻结与更新方面，原文未说明 RoBERTa 声学视觉特征抽取器是否微调，只说明了 utterance 级特征按已有工作抽取后再经编码器映射，因此复现时应先按特征离线抽取加编码器训练的流程搭建，并在记录中注明该不确定性。

图构造依赖说话人标签与窗口超参数。惯性分支的过去未来窗口与传染分支的过去未来窗口按数据集分别设置，传播层数批量大小与丢弃率也分别调优。例如 IEMOCAP 的惯性传播层数与窗口与其他数据集不同，MELD K-MIND M3ED 各有自己的批量与丢弃配置。复现时不能用同一组窗口跑所有数据集，而应按论文表格逐数据集设置。推理时对每个话语输出两路锚节点拼接后的分类结果，不需要额外搜索，窗口内的未来话语按原文为全对话或固定数值，复现时需保留该条件以保证可比性。

需要指出的缺项是梯度路径与重置时机未详细说明，图卷积残差的具体归一化与传染分支多频率滤波的实现细节只引用了已有工作。复述时应如实说明这些引用，不补写拿掉某层后必然怎样的推测。训练资源方面原文只给出单卡型号，未给出时长与显存占用，因此不能承诺训练成本得到改善，只能说硬件预算信息有限。

在哪些数据、划分与指标下比较，条件是否一致？

实验使用 4 个多模态对话情绪基准。IEMOCAP 为英语双人对话，151 段对话约 7.4K 话语。MELD 为英语多人对话，1433 段对话约 13.7K 话语。K-MIND 为韩语双人对话，816 段对话约 70K 话语。M3ED 为普通话对话，990 段对话约 24.4K 话语并沿用 MELD 标签集。

论文排除了 CMU-MOSEI，因为其为独白而非交互对话。测试集还统计了惯性与传染子集数量，用于细粒度评价，4 个数据集的两类数量差异较大，这是解释子集结果时的重要条件。

评价指标为加权 F1 与准确率，数值越大越好。加权 F1 考虑了类别不均衡下的平均效果，准确率衡量整体命中比例，两者需同时核对，不能只看其一。比较条件方面，4 个图基线均在相同实验设置下重新实现，包括 MMGCN MM-DFN M3Net 与 GraphSmile。融合变体比较保持其他组件不变，仅替换第一阶段融合模块。动力消融分别去掉惯性或传染分支，并在全集与两个子集上报告效果。这种一致设置使比较更公平，但仍需注意特征抽取器随语言而变化，跨语言差异不能完全归因于图结构。

复现时的数据与配置核对清单包括数据集语言与对话类型、标签集合、惯性传染划分定义、批量丢弃层数与窗口、单卡环境。原文未报告统计显著性检验与多次随机种子聚合方式，因此不能把小幅差距解读为必然显著，只能报告论文显示的数值与支持的判断。

主结果测了什么，谁最高，代价与未胜出项是什么？

主结果要回答的问题是在相同设置下，2 阶段框架是否在 4 个多语言基准上同时取得最高的加权 F1 与准确率。比较对象是 4 个重新实现的图基线，指标方向为越高越好。下表整理论文报告的核心数字，MF-EDM 行来自摘要与贡献中的连续原句，基线行来自结果表中的连续行，单位为百分比并保留原文精度。

表后解释需要同时说明收益与代价。论文报告显示 MF-EDM 在 4 个数据集的加权 F1 与准确率上均高于 4 个基线，覆盖双人与多人、英语韩语普通话等条件，支持 2 阶段框架有效且鲁棒的判断。其中 M3ED 上的领先幅度相对明显，而 K-MIND 上与 M3Net 的差距较小，说明在超大规模韩语双人数据上优势收窄。未胜出项是基线内部比较，GraphSmile 在多数数据集上优于 M3Net 与 MM-DFN，但仍低于 MF-EDM。限制是原文未测量延迟与推理开销，未报告误判率分布，因此不能承诺该方法在部署成本上更优，也不能把总体趋势推广为每类情绪都最优。重提数字时新增的信息是语言与对话类型的适用条件，而不只是重复最高值。

该表达到五列并形成比较闭环，数字与单位由绑定引文覆盖，裸值保留原表写法而不擅自追加百分号，百分比保留原文小数精度而不四舍五入。

融合变体与动力消融分别证明了什么，反例是什么？

消融要回答两个问题，一是第一阶段锚节点是否必要，二是第二阶段两条路径是否互补。融合比较保持其他组件不变，仅把句内图替换为早期晚期与无锚点图融合。动力消融分别只保留传染或只保留惯性，并与完整模型在惯性子集传染子集与全集上对比。下表聚焦 IEMOCAP 与 MELD 的动力消融，列出惯性子集传染子集与全集的加权 F1，便于看出分工，完整准确率数字见绑定引文。

表后解释需点明分工与反例。论文报告显示，在惯性子集上仅惯性路径一致优于仅传染路径，在传染子集上仅传染路径更有效，支持两者分工的判断。在全集上去掉任一模块都会降低性能，支持互补的判断。融合变体方面，无锚点图融合通常优于早晚期拼接，而带锚节点的句内图进一步优于无锚点变体，支持锚节点作为结构化聚合中心有益的判断。

具体反例是完整模型在部分惯性子集上略低于仅惯性模型，例如 MELD 惯性子集完整为 74.60 而仅惯性为 74.72，说明跨说话人消息有时会稀释连续信号。另一边界是 K-MIND 与 M3ED 的子集趋势与上述一致但数值不同，表明惯性传染比例会影响联合设计的效果。未评测的边界包括说话人标签缺失时的表现，论文只在未来工作提及自动说话人归因，当前不能推定鲁棒性。

该表同样达到五列以上，数字来自结果表连续行，百分点差值不在表内计算，避免把不同指标混放。

哪些结论有直接证据，哪些只是可能，还缺什么验证？

论文直接报告的是 4 个数据集上的加权 F1 与准确率最高值、融合变体排序以及动力子集分工，这些有表格数字支持，可以用报告显示来表述。有限解释是锚节点改善对齐与多频率滤波区分趋同分歧，这些有变体与子集趋势支持，但缺少对注意力权重或频谱分量的直接可视化验证，因此只能说结果支持该解释。未验证推测是自适应门控能平衡两条路径，这在结论中作为未来扩展提出，没有实验，应表述为可能待验证。

缺失证据不是技术错误，但复述时要明确边界。原文未报告多次运行方差与显著性检验，未报告训练时长显存与推理延迟，未报告每类情绪的误判矩阵，也未在说话人标签噪声条件下测试。相关性不等于因果，传染子集上完整模型更好不能证明传染边必然引起情绪转移，只能说跨说话人建模与转移预测相关。总体趋势不等于每组都成立，完整模型在全集最高但在个别惯性子集略低就是例证。

另一个特有误解是把多模态锚节点当成简单的后期拼接。实际上锚节点参与了图消息传递并作为传播后输出，其初始化来自早期融合但更新依赖单模态有向汇聚与跨话语传播。还有一个误解是把惯性传染当成标签规则，实际上子集划分只用于评价，训练监督仍是原始情绪标签，模型并不知道当前话语属于哪个子集。

要复现应先做什么，需要保留哪些超参数与信息条件？

复现的第一步是按语言准备离线特征与说话人编号。文本按数据集选择对应 RoBERTa，声音按数据集选择 openSMILE 或 Wav2Vec2.0 设置，视觉按数据集选择 DenseNet 或 3 维卷积网络，然后经双向门控循环单元或多层感知机映射为等维表示。必须保留说话人编号，因为惯性图按身份建边，缺少该信息就无法区分两条路径。资源状态方面，本次未发现来源绑定且完成验证的开源代码模型或数据，不得声称代码模型或数据已公开，复现应按论文文字搭建并记录缺项。

第二步是搭建第一阶段句内图。动作是拼接 3 个单模态表示经线性得到锚节点，加上说话人嵌入后构建四节点两类边，无向多重边连单模态之间，有向边汇聚到锚节点。核对点是锚节点参与传播且传播后取锚节点输出，早期晚期无锚点变体应作为对照保留，以便验证锚节点增益。

第三步是搭建第二阶段双路径。惯性路径按同说话人过去未来窗口建有向边，传染路径按窗口内全体话语建无向边加多频率滤波，层数批量丢弃与窗口按数据集表格逐个设置，不能混用。例如批量均为 32 但丢弃率与层数窗口各不相同，IEMOCAP 与 MELD K-MIND M3ED 的过去未来取值不同。分类器将两路锚节点拼接后经前馈与 Softmax 训练，损失为交叉熵加 L2。还需补做的验证包括多次种子方差、说话人噪声鲁棒性、推理延迟测量以及每类情绪细粒度分析，这些在原文中未报告，补上后才能判断可部署收益。

何时值得尝试这个框架，一句话如何记住它？

当对话数据同时提供文本声音视觉且带有说话人编号，当任务需要区分自己延续与对方影响时，该框架值得尝试。双人客服医疗访谈等多轮场景中惯性与传染并存，两路分离有助于诊断错误来源。多人会议或语言切换场景中窗口与特征抽取器需重新调优，不能直接套用原文窗口。如果说话人标签不可靠，应先解决自动说话人归因，否则惯性边的构造基础不成立。如果只有单模态或独白数据，则传染路径与锚节点设计的价值会大幅下降，不必强行使用完整框架。

用一句话记住它，先在话语内用锚节点对齐 3 个模态，再在话语间用两张图分别记住自己与倾听他人，最后拼接做决定。复述方法时沿样本路径检查输入表示组件目标输出是否闭环，复述实验时同时核对数据集模型阶段指标单位与聚合对象，数值相同不代表指标相同。保留关键超参数与信息条件，区分论文直接报告与待验证推测，这样就能在不夸大成本与效果的前提下，把该方法讲清楚并可动手复现。

⚖️ 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