子带倒谱能定位说话人信息吗：日语/saN/三个音段的取证比对

英文题目：Sub-band Cepstral Analysis of Speaker-Specific Information: A Case Study of Japanese Word /saN/

会议身份：conference:interspeech:2026:conference-paper-id:ishihara26_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：#信号处理 #语音学与音系 #语音 #说话人验证

评分：5.5/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.7/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Shunichi Ishihara：机构信息未能从会议 PDF 纯文本可靠映射
• Frantz Clermont：机构信息未能从会议 PDF 纯文本可靠映射
• Can Zhang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

法庭语音比对需要判断两段语音是否来自同一说话人，并以似然比（Likelihood Ratio，LR）量化证据强度，其输入为跨时段采集的已知与未知语音对、输出为经校准的似然比，实际难点在于说话人信息在频谱上分布不均且随音段变化而难以精确定位。本研究以日语词/saN/中擦音/s/、元音/a/和鼻音/N/为对象，先提取全频带线性频率倒谱系数（Linear-Frequency Cepstral Coefficients，LFCC），再经线性变换得到各窄子带限带倒谱系数（Band-Limited Cepstral Coefficients，BLCC），随后分音段估计多变量核密度似然比并经逻辑回归校准。相对传统滤波器组子带方法，该机制无需重分析原始信号即可灵活生成任意频率区间表示，便于细粒度取证解释。在306名成年男性跨时段录音上，全频带条件下/a/的Cllr为0.38766，优于/N/的0.43473和/s/的0.68110，4个优选子带融合后性能接近全频带。结论限于男性、引用式单一词汇与宽带条件，未验证电话信道、女性与连续语音外推能力。原文未披露训练、推理或部署成本，仅说明生成式AI仅用于文字润色。

🔗 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，本文要保留什么？

本文的输入是日语单词/saN/中切分出的 3 个音段：词首擦音/s/、中间元音/a/、词尾莫拉鼻音/N/，每个音段来自 306 名日本成年男性说话人，每人在间隔 3 至 5 个月的两个录音会话中各产生两个词例，原始采样 44.1 kHz 后降采样到 16 kHz，从而把可分析范围固定为 0 至 8 kHz。目标不是做自动说话人识别的整体准确率竞赛，而是做法庭语音比较语境下的信息定位：说话人区分信息在频谱上是否均匀分布，不同音段的敏感子带是否相同，以及能否用一种不必重分析信号的方法逐个频区取出可比证据。

必须保留的信息包括实验条件、参数设置、评价指标方向与关键数字，输出是 1 篇能让研究生复述方法链条并核对条件的中文解读。需要先说明的是，资源状态是正文开源声明的唯一依据，本次没有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，只能按论文文字交代复现所需的数据划分、特征配置与比对流程。

本文不做营销式判断，所有好坏都以对数似然比代价越低越好这一明确方向为准，并在重提结果时补充新的对照与适用条件。

已有路线如何划分频带，为何本文换一条路？

已有子带研究大多基于连续语音，报告男性说话人信息量较高的区域常在低频 0.5 至 0.7 kHz 以下、中频 2 至 4 kHz 以及中高频 3 至 6 kHz 附近，并分别联系到基频与低次谐波、元音共振能量分布、清擦音与爆破谱等生理声学来源。方法上，过去常用滤波器组直接切分子带，但精确操控滤波器特性比较困难，不同切分与重叠方式会带来不可比性。另一条线是针对孤立元音/a、i、u、e、o/的研究，发现说话人敏感子带并不总是对准共振峰，例如在 8 kHz 采样下 0.6 kHz 以下与约 2 kHz 以上更强。

擦音与鼻音也被多项研究指出含有说话人信息，但系统性的子带定位仍缺失。本文选择带限倒谱系数路线，理由在原文有明确交代：通过对全带倒谱系数的线性变换灵活而精确地抽取子带信息，消除重分析原始信号的需要。这不是对滤波器组路线的全盘否定，而是为了解决法庭解释需要的颗粒度问题：希望对任意感兴趣的局部谱区都能以相同前端、相同变换逻辑生成可比的似然比，从而把系统输出与频区贡献联系起来。

相关工作的对照必须注意输入与目标是否一致：连续语音的总体结论不能直接套用到单个/s/、/a/、/N/音段，孤立元音的结论也不能直接推广到擦音与鼻音。

要回答的具体问题与可检验的预期是什么？

本文把大问题拆成两个可检验的实验问题。第一个问题是分布问题：对每个音段，把 0 至 8 kHz 切成一系列窄子带，每个子带独立做法庭语音比较，哪个子带的对数似然比代价更低，预期是携带更强说话人信息的子带会产生更低的代价值。第二个问题是组合问题：把单个子带得到的似然比按两两、三三、四四融合，与全带线性频率倒谱系数基线比较，观察增加子带数量时性能如何变化，预期是少数精心选择的子带即可捕获全谱的大部分说话人区分信息。

举一个教学用的例子帮助理解，但例子中的数字不代表本文结果：假设某元音在 1 kHz 附近子带表现最好，在 7.5 kHz 附近最差，那么前者融合后应更接近全带性能，后者融合则提升有限，本文的真实检验正是用 38 个实测子带逐一验证这类预期。需要强调的是，预期不等于结论，高频能量最强的擦音区是否就是说话人信息最强的区，必须看实测曲线，而不能从发音直觉直接推定。

带限倒谱方法全景：一个样本如何走完三步？

先沿一个样本走完完整链条。输入是一段已切分好的/s/或/a/或/N/波形，采样率降采样后为 16 kHz。第一步做短时谱分析：按 25 毫秒帧长、5 毫秒帧移加窗，用 25 个在先性频率上均匀排列、相邻 50% 重叠的三角形滤波器求对数幅度谱，范围覆盖 0 至奈奎斯特频率。第二步做倒谱抽取：对该对数谱做离散余弦变换，得到全带线性频率倒谱系数向量，每帧取 14 个系数，再把每个音段中央 3 帧的系数平均，作为该音段稳定的全带表示。

第 3 步做线性变换：给定目标子带上下界，把全带倒谱向量 c 通过变换矩阵 A 映射为子带倒谱向量 c’，从而得到该子带的信息而不必回到波形重算滤波器组。本文采用线性频率而非梅尔尺度，原文理由是保证所有子带等权重，使跨频率比较公平。实际运行时，对 0 至 8 kHz 以 0.6 kHz 窗宽、0.2 kHz 步进滑动，共生成 38 个带限倒谱向量，每个向量经截断只保留两个系数，包含 0 阶项。下面的示意图把这 3 步的衔接与可重复调用关系画了出来，读图时重点看主路径与回路的区别。

看图路径： 1. 先从左上语音波形沿选择帧、滤波器组分析、离散余弦变换找到全带倒谱向量 c 的出口；2. 再看右侧线性变换盒的两个频率输入 ω1 与 ω2 如何限定输出子带；3. 确认红色虚线回路表示同一组全带系数可重复生成任意子带而不返回原始信号；4. 对照下方输出符号 c’中 0 阶项与截断长度 Nj 的标注理解每子带只保留两个系数

论文图 1。原论文 Figure 1：“The BLCC method and its main steps. M = dimension of full-band CC vector, l = the lth BLCC, N = upper bound of BLCC series = M× W where W= (ω" −”。

图 1 展示的方法主路径从左上语音波形出发，经滤波器组分析与离散余弦变换到达全带倒谱系数，再经右侧线性变换盒到达指定子带的带限倒谱系数。图中红色虚线回路的含义是同一组全带系数可以反复输入变换盒，只需更换上下界即可生成新的子带表示。右侧输出标注同时给出了子带上下界符号与截断后系数个数的含义，左侧标注给出了采样频率与变换维度等符号定义。理解该图后即可明白后文 38 次重复调用并不是 38 次重算波形，而是 1 次前端加 38 次矩阵乘法，这也是本文方法在取证颗粒度分析中的效率来源。

组件如何分工：从全带压缩到子带显微镜？

全带倒谱的优点是紧凑，缺点是全局性：每个系数都混合了整个频谱的信息，无法直接回答 1 kHz 附近与 6 kHz 附近谁更重要。带限倒谱的解决思路是把子带信息看作全带倒谱的线性函数，通过预先推导的变换矩阵把全局基函数投影到局部区间。操作上，研究者只需在前端做 1 次滤波器组与离散余弦变换，之后任意子带的抽取都是矩阵乘法。

这种设计对法庭场景有直接意义：当案件双方争议焦点集中在某个频区是否可靠时，可以针对该频区单独生成证据强度，而不必改变前端重做全部实验。需要提醒初学者的是，变换本身不创造新信息，它只是把已包含在全带系数中的局部结构显式化，因此子带性能上限仍受前端频率分辨率与截断系数的限制。

全带倒谱系数 × 带限倒谱系数： 全带倒谱系数负责把整段 0-8 kHz 频谱压缩成紧凑的全局表示，带限倒谱系数负责从该全局表示中取出任意指定子带[ω1,ω2] 的局部表示，二者搭配的理由是不必回到原始波形重做滤波器组分析，只用 1 次线性变换矩阵 A 把 c 映射为 c’，组合意义是既保留倒谱的紧凑性又获得可任意定位的谱局部显微镜。

线性频率倒谱系数 × 子带划分： 线性频率倒谱系数负责在起始谱分析阶段保证各频率等权重，不引入梅尔尺度对高频的压缩，子带划分负责以 0.6 kHz 窗宽、0.2 kHz 步进在 0-8 kHz 上切出 38 个可比窗口，二者搭配的理由是只有等权重前端才能让不同中心频率的子带比较公平，组合意义是每个子带的似然比性能差异可以直接解释为信息分布差异而非尺度偏置。

回到参数细节，本文前端固定为 25 个三角形滤波器、14 个倒谱系数、中央 3 帧平均，这些选择决定了全带表示的平滑程度。子带侧固定为 0.6 kHz 宽、0.2 kHz 步进，理想系数个数按子带宽度与全带宽度之比乘以全带系数个数计算，本文计算值约为 1.05 并取整为 1，再加上 0 阶项即每向量两个系数。这种窄带加极少系数的设置意味着每个子带实验只用非常低维的表示去做法庭比较，能取得低于 1 的代价值本身就说明局部信息具有区分力，但也意味着单子带性能不能与 14 维全带基线直接比维度公平性，只能比信息定位价值。

比对与评价组件：似然比、校准与代价如何配合？

每个子带的带限倒谱向量进入法庭语音比较模块后，先用多元核密度模型估计同人与不同人假设下的得分分布，再经逻辑回归校准把得分转换为似然比。系统性能用量化似然比质量的对数似然比代价及其分解与等错误率来衡量，所有指标按子带分别计算，并在六折轮换下平均。方向必须记牢：对数似然比代价越低表示该子带的说话人区分信息越强，值低于 1 表示该子带仍提供有用信息，高于均值则表示相对偏弱。

校准的作用是保证似然比的数值大小可以直接解释为证据强度，而不是未经缩放的相似度分数。初学者常把等错误率与代价混为一谈，本文同时报告二者但以代价曲线为主线，等错误率只作参考，因为代价同时惩罚区分错误与校准不良，更贴合法庭对证据强度的要求。

似然比 × 对数似然比代价 Cllr： 似然比负责对每个子带回答检材与嫌疑样本在同人假设与不同人假设下的相对支持程度，对数似然比代价 Cllr 负责把整组似然比的准确性与校准度压缩为越低越好的单一代价，二者搭配的理由是法庭取证比较需要可校准的证据强度而非硬判决，组合意义是用 Cllr 随子带中心频率的变化曲线直接读出哪个频区更具说话人区分力。

鼻音共振峰 × 反共振： 鼻音共振峰负责在低频约 0.3-0.5 kHz 附近形成由鼻咽腔长度、耦合与阻尼决定的能量集中，反共振负责在约 1.5-2 kHz 附近造成能量凹陷并改变频谱倾斜，二者搭配的理由是鼻音/N/的说话人差异同时体现在峰的位置与谷的深度上，组合意义是解释为何/N/的敏感子带集中在 4 kHz 以下并在 0.5-1 kHz 与 3.5 kHz 附近出现局部最优。

以鼻音为例可以把声学组件与评价联系起来：低频共振能量反映鼻咽腔的个体稳定性，预期低频子带代价较低；反共振造成的能量谷在不同说话人之间位置不同，预期 1.5 至 2 kHz 附近曲线会有波动；词尾/N/从齿龈到小舌的发音变异则可能在 3.5 kHz 附近留下个体差异。这些都是待检验的解释，不是先验结论，实际曲线是否出现对应谷底需要看下一节的实测结果，不能把发音描述当作性能证明。

本研究有没有训练神经网络？真实计算是什么？

本研究没有训练神经网络，也没有更新任何可学习的权重，因此不存在优化器、梯度路径、冻结与解冻、早停或重置时机的报告项。这不是遗漏，而是方法性质决定的：带限倒谱抽取是解析的线性变换，法庭比较后端是基于背景数据的密度估计与逻辑回归校准。真实计算过程分为两类。第一类是特征构造计算：对每个音段做滤波器组分析、离散余弦变换、中央 3 帧平均，再做 38 次矩阵乘法得到 38 组 2 维向量，全程确定性可重复，给定相同波形与相同参数即得相同向量。

第二类是比对统计计算：把 306 名说话人随机分成三批各 102 人，按测试集、背景集、校准集三角色轮换构成六折，每折对每个子带用背景集估计多元核密度、用校准集拟合逻辑回归，再在测试集上产生 102 组同人比较与 10302 组不同人比较的似然比并计算平均代价。由于划分涉及随机分批，复现时必须固定随机种子或保留原文分批表，否则折平均会有微小浮动。

未报告项应明确指出：论文未给出核密度带宽选择细节、逻辑回归正则化设置与具体硬件耗时，因此不能从方法名称推定其运行速度或内存占用，也不能把无训练等同于全流程无随机性。

数据、划分与参数如何保证可比？

数据来自日本警察科学研究所的麦克风录音库，覆盖日本全国招募的成年男性母语者，平均年龄 39.9 岁，标准差 15.5 岁，目标词/saN/以单独发音形式录制，每人两个会话各两个词例。降采样到 16 kHz 的理由在原文有明确说明：虽然取证中电话信道可用频带更窄，但科学研究需要保留高频以分析擦音/s/在该区域最强且最有结构的能量。

分帧与滤波器设置在前文已交代，此处强调公平条件：3 个音段共用同一前端、同一子带网格、同一六折划分与同一后端流程，唯一变量是音段本身与子带位置，因此跨音段与跨子带的代价差异可以解释为信息分布差异。评价按子带独立进行，38 个子带各跑完六折后再平均，避免单次划分的偶然性。

下表把与复现最相关的人数与比较对数量整理为五列，读表前先确认问题是样本规模与每轮比较量是否足以支撑代价估计，公平条件是三批轮换角色、指标方向是代价越低越好。

表后需要解释主要收益与代价。每折 102 组同人比较保证了同人分布有基本样本量，10302 组不同人比较保证了不同人分布估计稳定，六折平均进一步降低划分方差，这是本文曲线波动仍可解读的前提。

代价是该库仅含成年男性，且为干净麦克风录音，与电话信道下的取证条件不一致，因此高频结论不能直接推广到带限信道。未胜出项在此阶段就已出现：擦音样本的高频能量虽强，但其全带基线明显差于元音与鼻音，说明能量强不等于区分力强，这为后文子带曲线的意外谷底埋下伏笔。

主结果：哪个音段更强，敏感子带在哪里？

全带基线先给出总体排序，读表前的问题是 3 个音段在完整频谱下谁的说话人区分力更强，公平条件是同前端维度与同后端流程，指标方向是平均对数似然比代价越低越好。

表后解释是元音/a/最优，鼻音/N/次之，擦音/s/最弱，且原文报告校准相关的分解值较小，表明似然比校准良好。

但全带排序只是起点，子带实验显示所有子带的代价值都低于 1，说明每个窄带都含有一定有用信息，只是分布不均，且三音段都在接近 8 kHz 的上端出现代价上扬，最后 1 kHz 相对偏高。分音段看，/s/在 1 至 2 kHz 附近出现明显谷底，2.5 kHz 后趋于平稳并在 4 kHz 与 6.5 kHz 附近有小谷；/a/波动最大，最强单子带在 5 至 6 kHz，其中 5.2 至 5.9 kHz 子带代价为 0.76044，同时在约 1.1 kHz 与 2.5 kHz 对应第二与第三共振峰区域出现谷底，而 3.5 至 4.5 kHz 相对偏弱；/N/的信息更集中于 4 kHz 以下，最突出谷底在 0.5 至 1 kHz，接近成年男性第一鼻共振约 0.3 至 0.5 kHz 的能量集中区，并在 3.5 kHz 附近另有局部最优。

下面的三面板曲线把这些起伏与均值线、优劣子带标记放在同一坐标下，读图时不要把曲线向下直接当成绝对性能优秀，还要看纵轴范围在不同面板是否相同宽度。

看图路径： 1. 先确认三面板纵轴同为 Cllr 且向下为性能变好，横轴为子带中心频率；2. 比较每面板水平虚线均值与黑色折线的起伏以定位局部最低点；3. 观察粉色竖带是否落在折线谷底、灰色竖带是否落在 7 kHz 以上高 Cllr 爬升段；4. 注意/b/面板在 5-6 kHz 的大幅下探与/c/面板低频段整体低于高频段的形态差异

论文图 2。原论文 Figure 2：“C##$ values from the sub-band FVC experiments are plotted against the sub-band centre frequencies for /s/ (a),”。

图 2 上中下三面板分别对应/s/、/a/、/N/，横轴为子带中心频率，纵轴为该子带的对数似然比代价，黑色折线为实测值，水平虚线为各音段均值，粉色竖带为融合后表现最好的 3 个子带组合，灰色竖带为融合后表现最差的组合。可见/s/面板整体位置最高且谷底在低频，/a/面板在 5 至 6 kHz 下探最深但在高频末端急剧上升，/N/面板低频整体低于高频并向右上爬升。三面板右侧灰带都落在 7 kHz 以上，印证了高频末端信息偏弱的共性。粉色带在/s/中分散、在/a/中对准第二第三共振峰区、在/N/中全部位于 4 kHz 以下，这种分布差异正是本文要报告的核心现象。

融合子带能逼近全带吗？多少个才够？

实验二把单个子带的似然比按二、三、四分组融合，读图前的问题是增加子带数量能否弥补单子带维度不足，公平条件是融合只用已有的子带似然比而不引入新的全带特征，指标方向仍是代价越低越好。组合总数随融合数快速膨胀，原文给出两两 703 种、三三 8436 种、四四 73815 种，超过 4 个因计算约束未探索。结果是融合 4 个子带时提升显著，所得代价明显低于最佳单子带，并接近各自的全带基线，表明少数精心选择的子带即可捕获全谱大部分说话人区分信息。

但接近不等于超越，且不同音段的差距不同：/a/与/N/经四带融合后已非常接近全带线，而/s/即使融合 4 个仍与全带线有可见距离，说明擦音的信息更分散或更难用少数窄带概括。优劣组合的位置也具启发性：表现最差的组合都包含 7 kHz 以上的高频子带，这些子带彼此相邻且信息重叠、本身偏弱；表现最好的组合则彼此拉开，恰好落在单子带曲线的局部谷底。对/s/而言 3 个最优子带分散在全谱，支持其信息宽分布的判断；对/a/而言前两个落在第二第三共振峰区； 对/N/而言 3 个都低于 4 kHz，与鼻音低频重要性一致。

看图路径： 1. 先确认横轴为融合子带个数 1 至 4，纵轴为 Cllr 且向下为变好；2. 比较红色 S 线、蓝色 a 线与黑色 N 线的起点高低与下降斜率；3. 查看水平虚线表示的全带基线与融合 4 个子带后曲线的接近程度；4. 注意/s/线即使融合 4 个仍高于自身全带线的反例含义

论文图 3。原论文 Figure 3：“Per-segment C##$ values for the most speaker-sensitive sub-band combinations. Horizontal”。

图 3 横轴为融合子带个数从 1 到 4，纵轴为最优组合的代价值，3 条折线分别对应/s/、/a/、/N/，3 条水平虚线为各自全带基线。可见三线都随融合数单调下降，但/s/起点最高、下降后仍高于自身基线，/a/与/N/起点较低且在 4 个时几乎触及基线。该图不支持把末步结果推广为融合更多一定超越全带，因为超过 4 个未做实验，也不支持把总体下降趋势理解为任意组合都变好，因为图中所画仅为每级最优组合，随机或含高频弱带的组合可能明显更差。

哪些边界没有测，哪些解释还只是可能？

首先是人群与材料边界：研究仅用男性说话人与单一单词/saN/的 3 个音段，原文明确说明聚焦男性的实践动机是其在刑事案件中占比更高，但这意味着结论不能直接推广到女性、儿童或连续语音，也不能推广到电话窄带条件。其次是前端边界：仅用线性频率倒谱与三角形滤波器组，未比较线性预测或梅尔尺度，子带网格固定为 0.6 kHz 宽与 0.2 kHz 步进，其他宽度与重叠可能改变谷底位置。

再次是后端边界：密度估计与校准的具体超参数未完全披露，六折平均虽降低方差但仍依赖随机分批，复现时需保留分批细节。解释层面需要区分 3 类表述。直接报告的是代价数值与排序，例如/a/全带最优、高频末端偏弱。有限解释的是与已知声学的对应，例如/N/低频谷底与鼻共振的一致性、/a/在第二第三共振峰区的谷底与既往元音研究的呼应，这些有文献支持但仍属相关性而非因果证明。

未验证推测的是/s/在 1 至 2 kHz 强信息的来源、/a/在 5 至 6 kHz 高共振峰的发音基础、跨语言差异与协同发音的影响，原文用可能与待验证的语气处理，初学者不应把它们当作定论。缺失证据不是技术错误，没有测量延迟、算力或误判率时，不应声称该方法改善了这些量。

要复现这条链条，先做什么、记什么？

复现的第一步是数据准备：获取相同结构的录音，即每人两个会话各两个/saN/词例，按音段切分出/s/、/a/、/N/，降采样到 16 kHz 并记录切分边界与会话间隔，因为非同时录音带来的会话内变异是取证比较的关键条件。第二步是前端重放：用 25 毫秒帧、5 毫秒帧移、25 个线性均匀三角形滤波器、每帧 14 个线性频率倒谱系数，对每音段取中央 3 帧平均，得到全带向量，核对维度与数值范围是否与原文一致。

第 3 步是子带生成：实现从全带到子带的线性变换矩阵，按 0 至 8 kHz 上 0.6 kHz 窗、0.2 kHz 步进生成 38 组变换，对每组取含 0 阶项的两个系数，验证子带上下界与中心频率的对应关系无偏移。第四步是比对重放：把 306 人随机分成三批各 102 人，按测试、背景、校准轮换跑六折，每折产生 102 组同人与 10302 组不同人比较，先用背景集做多元核密度估计，再用校准集做逻辑回归校准，最后在测试集上计算各子带的对数似然比代价及其分解与等错误率并做六折平均。

记录项必须包括随机种子与分批表、核密度与校准的实现版本、子带网格定义与截断规则，否则曲线谷底位置难以逐点对齐。还需补做的验证是女性与连续语音上的重复、电话窄带下的重测，以及不同子带宽度与梅尔尺度下的敏感性分析，只有这些通过后才能讨论法庭呈现时的可解释性主张。

何时值得尝试这种子带显微镜，如何向法庭解释？

当案件问题是系统给出的似然比主要来自哪个频区、某个频区是否可靠时，这种带限倒谱分析值得尝试，因为它允许在不改变前端的前提下对任意频区单独生成可比的证据强度，并把全带结论拆解为若干子带贡献。当问题只是追求整体识别准确率时，直接用全带或现代嵌入系统可能更直接，不必为每个案件都跑 38 个子带。

向非技术听众解释时，可以说该方法像给频谱加了一组可滑动的窄窗，每个窗口独立回答 1 次支持程度，再把窗口结果融合起来看整体，但必须同时说明比喻的边界：窗口之间信息有重叠，高频窗口在本文 3 个音段中普遍偏弱，敏感窗口位置因音段而异且不总是符合发音直觉。对/s/而言不要因其高频能量强就认定高频最具个体性，实测最强区在 1 至 2 kHz 附近；对/a/而言不要只看第一共振峰，第二第三共振峰区与 5 至 6 kHz 高频区更值得关注。

对/N/而言低频是重点，但反共振与发音位置变异也会在中频留下个体痕迹。最终的取舍是只用少数拉开距离的最优子带即可接近全带性能，但选择必须基于数据驱动的融合搜索而非事后挑选，超过 4 个子带的组合在本文因计算约束未验证，不能承诺更多一定更好。

⚖️ 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