合成语音也能听出种族：听者偏向、刻板印象与可分类的声学差异

英文题目：Perceptual and Acoustic Correlates of Racial Identity in Text-to-Speech Voices

会议身份：conference:interspeech:2026:conference-paper-id:khaloo26_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 #公平性 #社会语音学 #语音属性识别

评分：5.8/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 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：应用研究

👥 作者与机构

• Noah Khaloo：机构信息未能从会议 PDF 纯文本可靠映射
• Nicole Holliday：机构信息未能从会议 PDF 纯文本可靠映射
• Sarah Creel：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究输入为全合成英语语音，输出为听者感知的说话人种族标签与人格特质评分，难点在于听者明知是合成语音时是否仍能感知种族线索，以及刻板印象是否迁移到合成音色。方法链分为四步：从EasyPeasy AI平台按美音与非裔美音分区及配图分层抽取32个音色并合成控制文本，再经144名美国Prolific听众完成人格块与种族块两阶段听辨，接着对每音色被判为黑人的比例标准化后做三聚类重标定为白人感知类与黑人感知类与模糊类，最后基于嗓音心理声学模型提取基频与共振峰与谐波源与非谐波源特征训练极端梯度提升分类器以定位声学相关物。与既往人类语音研究相比，关键差异在于显式告知被试为合成语音并检验人类相似度对社会评价的调节作用。男性黑人感知音色在专业度与能力与愉悦度与可信度上均显著低于白人感知音色，而女性音色未见显著种族效应。在说话人层面五折交叉验证任务下，精简至前15特征的模型的准确率为66%，高于全61特征模型的准确率65%。结论边界在于存在强烈白人偏置且5/9模糊类来自平台黑人女性音色，外推至其他方言或平台模型尚未验证。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

合成音为什么会带上社会身份？

这篇论文研究的问题不是合成语音像不像真人，而是听者听到全合成语音时是否能感知到种族，以及这种感知是否连带影响对说话人个性的评价。输入是文本转语音系统生成的英文语音，输出是听者给出的种族判断与个性评分，中间要回答的是信号里是否编码了可被利用的种族线索。作者把范围限定在白人美国人听感与黑人美国人听感的区分，因为人类语音中这两类变体的感知与刻板印象已有较多文献。

对刚入门的读者，先把两个变体说清楚。白话讲，主流美国英语可以理解为美国公共与媒体场景中最常被当作无标记标准的发音方式，非裔美国英语则是非裔社区中系统性存在的发音与嗓音模式，二者在元音高低、前后与双元音单化等方面有记录可查。论文引用的人类语音证据是，即使去掉句法与形态线索，听者仍能根据语音特征区分白人与黑人说话人，并且把听起来像黑人的声音在社会评价上打得更负面。合成语音越来越像真人，就把这个问题带进了教育、医疗、客服等高风险场景。

主流美国英语 × 非裔美国英语： 主流美国英语指研究中作为对照的白人美国人常关联的语音变体，非裔美国英语指黑人美国人常关联的语音变体，二者分工在于提供元音系统和嗓音质感的参照系，搭配理由是人类听者已能仅凭语音线索区分二者，组合意义是为判断合成语音是否复刻了同样的可感知种族线索提供起点。

本节需要保留的关键信息是，论文明确告知被试听的是合成语音，不是把合成当真人来骗过听者。也就是说，任务是在听者知道非人类的前提下，检验种族感知是否仍然出现，以及人类相似度是否放大个性归因。后续所有方法都围绕这个知情条件展开，不能复述成图灵测试式的真假辨别。

前人把种族编码进合成音做成了吗？

论文把相关路线分成两条。第一条是人类语音的社会感知，结论是种族可听且与个性评价纠缠。第二条是把种族编码进合成语音的尝试，结论并不一致。作者引用了两种相反结果，一种是听者对合成音的种族标签能趋同，另一种是黑人听感的合成音很难被识别，且存在把合成音判为白人的偏向。本研究更接近后者所描述的困难，但用更大的被试量与受控句子重新检验。

教学上要区分同输入同目标的对照。人类语音研究与本研究同目标不同输入，前者输入是真人发音，后者输入是 EasyPeasy AI 平台生成的全合成音，不能把人类语音的准确率直接当作本研究的基线。合成语音研究之间才是同输入同目标，但平台、音色数量与句子控制不同，所以只能做定性对照，不能做跨论文的数字排名。

作者还引入人类相似度文献，指出越像真人的合成音越容易引发拟人化与更强的个性归因。这为后文把人类相似度作为协变量提供了理由，不是临时加入的额外评分。声学侧的前人工作则提示，非裔美国英语的元音如/E, æ, I/相对抬高，/eI/与/aI/单化，/A/前移，/i/集中化，以及嗓音噪声更大、可能更气声。这些都成为后文选择目标元音与嗓音质量特征的依据。

论文到底要回答哪三个可检验问题？

第一个问题是，在明确告知为合成语音的条件下，听者能否形成稳定的种族感知。操作化为每个声音被判为黑人的比例，经聚类能否分成白、黑、模糊三群，以及是否存在整体偏白的偏向。第二个问题是，感知种族是否与个性评价相关。操作化为分性别拟合混合效应模型，看感知种族在控制被试族裔与人类相似度后是否显著。第三个问题是，被判为黑与白的合成音在声学上能否被区分。操作化为用声学特征训练分类器区分两类感知标签，并解释重要特征的方向。

举个例子帮助理解流程，但例子不是论文数据。假设一个合成男声读彩虹段，100 名听者中有 70 人选黑人，则该声音的报告为黑比例较高，更可能落入黑簇；若另一声音只有 10 人选黑人，则落入白簇。论文的真实做法是对 32 个声音分别计算该比例，再做标准化与三聚类，而不是对单次判断直接计数。个性部分则是同一个声音会得到多名听者的友好度打分，再与种族簇做关联。

需要记住的边界是，论文不研究合成系统如何生成种族风格，也不开放模型结构与训练数据。平台只提供了可用声音、分区、配图与性别标注，作者明确写出未获得底层模型与训练数据信息。因此声学差异只能报告为合成输出中存在的可感知相关物，不能推断为某个建模模块的因果贡献。

从平台选音到听辨再到声学建模的全链路是什么？

沿一个样本走完全程最清楚。起点是 EasyPeasy AI 平台上的一个声音条目，带有 American 或 African American 分区、人物配图与男女标注。作者按配图种族与分区定义平台指定黑白标签，另做 11 人小规模配图核验，报告与平台一致率为 100%。配图不给被试看，只用于抽样。18 个音质差的声音被第一作者滤除，剩下池中随机抽 32 个，按黑男、黑女、白男、白女各 8 个分层，其中黑男 8 个是当时平台上限。

接着是听辨实验。144 名美国英语被试在自制网页上完成两大块，先个性块后种族块。个性块听 16 个随机声音读彩虹段前六句，对友好、专业、胜任、可信、愉悦、搞笑 6 个维度与人类相似度打 7 点量表。种族块听剩下 16 个声音读 4 个目标元音句，对种族、年龄、地区做选择，种族选项为亚裔、黑人、拉丁裔、白人。所有音频用 Praat 脚本幅度归一化到 72 分贝，只放音频无视觉线索。

最后是声学与建模。研究者切分目标元音，用 VoiceSauce 逐毫秒提取基频、第一至第四共振峰、共振峰离散度、残差第一谐波幅度等谐波源指标与倒谱峰突出度等非谐波指标，按元音三等分求均值与变异系数，再按发声类型中心化，最后用梯度提升树在说话人层面交叉验证下区分感知黑白。整个链路的监督来源都是听者行为，不是平台标签，平台标签只负责抽样分层。

声音样本与听辨任务是如何构造的？

平台指定标签的构造需要细读。作者把落在 African American 分区且配图为黑人者视为平台黑，把落在 American 分区且配图为白人者视为平台白，性别直接取描述中的男女标注。图像帮助作者判定但不呈现给被试，这一步隔离了视觉对听觉判断的污染。被试构成是美国代表性抽样，论文报告白人占 54%，黑人占 11% 左右，亚裔、拉丁裔与其他的比例也被给出，男女与年龄段分布同样报告，6 名未完成者被剔除后剩 144 人。

感知种族标签 × 平台指定标签： 平台指定标签指 EasyPeasy AI 网页上 American 与 African American 分区加人物配图所隐含的黑白划分，感知种族标签指本研究用听者报告为黑人的比例经聚类重新划分的白、黑、模糊 3 类，前者分工是抽样时的分层依据，后者分工是后续个性与声学分析的真实分组依据，搭配理由是平台划分不等于听者实际听感，组合意义是用听者行为校正采样标签，避免把合成平台的营销分类当作感知事实。

听辨协议的控制值得复述。个性块用彩虹段前六句，保证长段自然语流下的社会评价；种族块用 4 个目标元音句，且刻意避开与非裔美国英语相关的音系特征，如 fortition、r 删除、鼻音舌尖化、音节尾鼻液删除等，目的是让线索只来自嗓音与元音质量，而非方言形态句法。每名被试个性块与种族块各听 16 个声音，64 试次中性别通过 7 点量表从女性感到男性感评估，种族为四选一。实验在 2025 年 8 月 20 日合成声音，幅度统一，流程固定先个性后种族，避免种族问题污染个性评分的顺序设计也应保留。

下表把被试与声音抽样的关键规模放在一起，阅读时先看问题是样本是否分层均衡，再看数字是否支持后续分性别建模。表前比较问题是，个性与种族两块是否每人听到不重叠且性别种族平衡的声音集合，公平条件是随机抽样加分层，指标方向是数量均衡而非评分高低。

表后解释是，32 个声音按四格各 8 个保证了性别与平台种族的抽样均衡，每人两块各 16 个且不重叠保证了个性评分与种族判断来自不同声音，避免同一声音的重复曝光带来记忆效应。代价是每块每名被试只听到全部声音的一半，单个声音的评分人数少于 144，需要后文用被试与声音随机截距来吸收变异。未胜出项是平台黑女声音后文多落入模糊簇，说明抽样均衡不等于感知均衡，这是理解性别差异结果的前提。

声学特征集与切分计算是如何定义的？

声学侧的理论框架是嗓音的心理声学模型，强调可解释的时域与谱域维度。白话讲，不直接丢频谱图给黑箱，而是先选听觉上有意义的量，再看哪些量能区分感知标签。具体包括基频、第一至第四共振峰、共振峰离散度即相邻共振峰平均间距，谐波源指标包括残差第一谐波幅度、第二至第四谐波等校正后差值，以及高频段能量差，非谐波指标包括倒谱峰突出度、次谐波谐波比与能量。残差第一谐波幅度被特别说明为经均方根能量归一化的第一谐波幅度，比常用谱倾斜 H1-H2 更相关于声门状态。

残差第一谐波幅度 × 谱倾斜： 残差第一谐波幅度指经均方根能量归一化的第一谐波幅度，用于反映声门状态，谱倾斜指高低频能量分布如 H2*-H4* 与 H2 kHz*-H5 kHz* 等差值，反映声门收缩与发声方式，前者分工是捕捉低频声源差异，后者分工是捕捉跨频段能量衰减，搭配理由是二者都属于与元音无关的嗓音质量维度，组合意义是共同解释为何被判为黑人的声音在低频和谐波结构上系统性偏低。

计算过程按元音 token 展开。对每个元音，用 VoiceSauce 逐 1 毫秒帧提取上述变量，用中位绝对偏差法阈值 3.5 剔除帧级离群点，按性别内最小最大归一化，再按元音总时长三等分对应起始、中点、偏移，分别求均值与变异系数，变异系数定义为标准差除以均值。举例即论文所给 150 毫秒元音切成 3 段各 50 毫秒，每段对每个变量求均值与变异系数。之后按发声类型如气声、嘎裂声等中心化，发声类型由第一作者看语图与波形判定，目的是减少发声类型带来的方差。每元音每变量在 3 位置的中心化均值与变异系数加上元音独热编码，共同作为分类器特征，全量时共 61 个特征。

需要保留的缺项是，论文未报告具体目标元音句的文本与切分边界如何标注，只说针对特定元音并避开方言音系特征。复现时不能自行编造句子，只能按元音集合/æ, ε, i, ɪ, ɑ/与双元音/æI, εi/的方向去设计等价控制句，并在报告中标明句子不同。

梯度提升树训练了什么，没有训练什么？

本研究没有训练文本转语音模型，也没有微调任何语音合成权重。合成声音直接调用 EasyPeasy AI 现成音色，底层结构与训练数据未知。唯一的监督学习是后 hoc 的诊断分类器，用于检验声学特征能否区分被试感知为黑还是白的声音，不能理解为合成系统的种族合成模块。

真实训练的是基于 XGBoost 包的梯度提升决策树。白话讲，梯度提升是串行加很多棵浅树，每棵拟合前文残差，逐步降低损失。输入是上一节的声学均值与变异系数加元音独热与全零负对照，目标是感知黑白二分类，模糊声音被排除，且因黑女感知音太少只用男性感知音训练。交叉验证在说话人层面划分，同一说话人的所有 token 进同一折，避免说话人泄露。网格搜索加五折交叉验证重复 50 次选超参数，选平均测试准确率（%）最高者，最终用 50 轮提升、最大深度 4、学习率 0.1、最小子权重 1、gamma0，全量拟合后再算特征重要性增益。

下表把优化与提取的关键配置放在一起，阅读时关注可复现的数值而非泛泛流程。

表后解释是，这些超参数是诊断分类器的容量控制，不是合成音质的控制。深度 4 与 50 轮属于小模型，配合说话人级交叉验证，意在小样本下保持泛化。代价是 61 个特征相对 32 个声音中的男性子集仍然偏多，因此后文用前 15 特征的精简模型验证泛化。全零特征作为负对照，若其增益居前则说明流程有泄漏，论文未报告其居前，可视为 sanity check 通过。未报告项是网格的具体候选范围与每折样本量，复现时需按同等说话人级五折重复 50 次的口径重做，不能改为随机 token 级划分。

评价按什么分组，用什么模型与指标？

感知标签不是多数投票的硬阈值，而是对每个声音计算被报告为黑人的比例并标准化，再做三聚类。结果解释为白约 0% 到二十，模糊约二十到五十，黑约五十到一百。黑簇分布更宽，说明黑感知音的评分者变异更大，且整体偏向判白。性别一致性作为前置校验，平台男女与被试男女评分一致率为男性 98.6%、女性 93.6%，因此后文用平台性别当真实性别。

个性评价用线性混合效应模型，分女性感知音与男性感知音各自拟合。固定效应为感知种族、被试族裔与人类相似度，随机截距为被试与声音。被试族裔包括白、黑、亚、拉丁裔与多种族。6 个性维度分别建模，不是合成总分。声学评价指标是分类准确率，方向是越高越能区分，另看增益排序与归一化时间曲线。

需要强调的公平条件是，个性块与种族块声音不重叠，个性评分不受当 trial 种族选项的直接启动；声学建模排除模糊音且只用男性音，避免性别不平衡污染种族效应。统计上人类相似度在所有个性模型中显著为正，说明拟人化本身推高评价，必须在解释种族效应时同时保留这一协变量。

听者能听出种族吗，个性评价有何差异？

报告显示听者总体能形成种族感知，但有偏白偏向。聚类后黑簇上限到 100% 但下限只到约 50%，白簇集中在低比例区，模糊带介于其间。多数模糊音中 5/9 为平台黑女，说明黑女合成音最难被稳定识别，这与人类语音中黑女难识别的文献一致。性别校验的高一致率支持后文分性别讨论种族效应。

个性结果分性别。女性感知音中感知种族不是任何维度的显著预测因子。男性感知音中被归为黑的声音在愉悦、专业、可信、胜任上显著低于被归为白的声音，系数分别为 -0.64、-1.09、-0.53、-0.67，均在 p 小于 0.05 水平，友好与搞笑无差异。被试族裔在所有模型中不显著。人类相似度在男女所有维度均为显著正预测，p 小于 0.01。图前导读如下，图中上下排分别展示女性与男性感知音在 6 个维度上的平均评分与误差线，三色对应感知白、黑、模糊，纵轴为平均评分，横轴为个性维度，阅读时重点比较同维度内三色高低。

看图路径： 1. 先看上下两排分别对应女性感知音与男性感知音，横轴为六个个性维度；2. 再对比每组内蓝色白、红色黑、灰色模糊三根柱子的高低与误差线；3. 重点观察男性排中专业与愉悦维度红色柱明显低于蓝色柱，而女性排差异较小；4. 注意搞笑维度整体评分最低，说明该维度与其他五个不在同一量级

论文图 1。原论文 Figure 1：“Mean ratings across personality traits across as- signed genders.”。

看图后解释要落在机制上。男性排中专业维度的红色黑柱明显低于蓝色白柱，与回归中 -1.09 的最大负效应对应；愉悦维度同样红低于蓝，与 -0.64 对应。女性排中三色差异小且误差线多重叠，与无显著效应的报告一致。搞笑维度男女均低，说明该维度基线不同，不能与其他维度直接比绝对值。

像素不能读出精确到小数点的柱高，论文的定量依据以后文回归系数为准，图只用于看模式与不确定性。这一模式支持种族刻板印象在合成音中出现，但仅在男性音中可检出，可能与黑女音多为模糊导致种族信号不稳定有关，这属于有限解释而非因果证明。

人类相似度 × 个性归因： 人类相似度指听者在 7 点量表上对合成音像真人程度的评分，个性归因指对友好、专业、可信、胜任、愉悦、搞笑的评分，前者分工是度量拟人化强度，后者分工是度量社会评价，搭配理由是越像真人越容易触发社会刻板印象，组合意义是检验种族感知与拟人化是否共同推高或拉低个性判断。

哪些声学差异与黑白感知对应？

声学分类在男性感知音上报告全特征平均测试准确率为 65%，61 个特征含元音独热与全零对照。重要特征的可视化显示残差第一谐波幅度起始段增益最高，其次为 F1 中点、F1 起点、共振峰离散度起点与高频谱倾斜偏移段等。论文进一步展示跨归一化时间的均值曲线，被判为黑的声音在倒谱峰突出度、低频谐波差与高频能量差上偏低，在 F4 上偏高，残差第一谐波幅度上黑白全程分离最稳健。元音相关的 F1 与 F2 差异具有元音特异性，如/æ/、/ε/、/i/的 F1 约 100% 赫兹量级的局部差异，以及/æI/在 F1 与 F2 上均有差异，图示用原始赫兹值以便解释。

图前导读如下，第一张为嗓音质量五宫格，横轴归一化时间，纵轴归一化均值，红为黑青为白，阴影为 95% 置信区间，重点看分离是否全程存在。第二张为 7 个元音的 F1 与 F2 轨迹，同样红黑对青白，观察哪些元音分离、哪些重合。

看图路径： 1. 先确认五宫格横轴均为归一化时间，纵轴为归一化后均值，红色为黑、青色为白；2. 再看残差第一谐波幅度宫格中两条曲线全程分离且置信带几乎不重叠；3. 对比 F4 宫格中红色高于青色，而其余三格中红色低于青色；4. 观察 CPP 等曲线随时间的拱形走向，确认差异是全程存在而非仅在起止点

论文图 4。原论文 Figure 3：“Mean structure across normalized time for the top features used in the classifier. Shaded ribbons show 95% CI across mean values.”。

看图后解释是，残差第一谐波幅度宫格中青线长期位于约 0.7 附近，红线位于约 0.5 附近且置信带几乎不重叠，支持低频声源差异最稳健的判断。F4 宫格红高于青，与其余嗓音指标红低于青形成反向，这与增益排序中 F4 起点居前十一致。倒谱峰突出度与高频谱倾斜的分离幅度小于残差第一谐波幅度，且在起止端置信带更宽，说明噪声与高频差异存在但不确定性更大。这些都是报告的相关性差异，不能直接读成发声更气声或更紧的因果标签，论文也只说与喉部构型与声门收缩相关文献一致，仍待验证。

精简特征与元音特异性能否站住？

论文用前 15 特征重拟合作为精简验证，同样说话人级交叉验证下平均测试准确率为 66%，略高于全量的 65%。作者据此认为精简集泛化更好，且验证了这些特征不是全量过拟合的偶然排序。从学习依赖看，这一步相当于消融的反向操作，不是逐个拿掉，而是只保留重要者看性能是否保持。若全零对照增益居前或精简后大跌，则应怀疑泄漏或排序不稳，但报告未出现这种情况。

图前导读如下，增益条形图横轴为增益，纵轴为 15 个特征加位置与统计量后缀，条形越长贡献越大，重点看首名与第二梯队的差距。元音轨迹图横轴归一化时间，纵轴赫兹，红黑对青白，重点看差异方向是否随元音翻转。

看图路径： 1. 先看横轴为增益，纵轴为 15 个特征，条形越长表示分裂时降低损失贡献越大；2. 确认最顶部残差第一谐波幅度起始段条形远长于第二名，约为 0.15 附近；3. 再看 F1 中点、F1 起点、共振峰离散度起点紧随其后构成第二梯队；4. 注意底部 F1 变异系数偏移段等增益最小，说明中点与起点比变异性更重要

论文图 3。原论文 Figure 2：“Gain values for acoustic features used in the model fit to the entire data.”。

看图后解释是，增益图首名残差第一谐波幅度起始段远超其他，约为 0.15 附近，第 2 名 F1 中点约 0.07 附近，说明低频声源起始信息最具区分力。F1 起点、中点与共振峰离散度起点紧随，支持元音开口与声道长度信息同样重要。未胜出项是底部 F1 偏移变异系数等增益最小，说明动态变异性不如均值位置重要。代价是增益来自全量拟合，交叉验证准确率才是泛化依据，不能把条形长度直接当作测试性能。

看图路径： 1. 先确认布局为上下两行共七个元音，每列为一个元音的 F1 与 F2 随归一化时间变化；2. 重点看左上æ的 F1 青色高于红色，而æi 的 F1 红色高于青色，方向相反；3. 再看 i 元音的 F1 红色明显低于青色且置信带分离，而同列 F2 红色反而偏高；4. 注意ɑ与ɪ等元音两条曲线基本重合，说明差异具有元音特异性而非全局偏移

论文图 2。原论文 Figure 4：“Raw F1 and F2 values access time for Black versus White-rated voices. Shaded ribbons represent 95% CI around mean values.”。

第二张图后解释是，/æ/的 F1 青高于红，而/æI/的 F1 红高于青，方向翻转证明不能用全局共振峰高低概括种族差异。/i/的 F1 红明显低于青且分离清晰，与非裔美国英语高元音抬高的文献方向可对照，但论文仅报告局部约 100% 赫兹差异，未做逐元音显著性检验。/ɑ/与/ɪ/等基本重合，说明多数元音位置无差异，这是重要的负结果。边界是这些曲线来自男性感知音聚合，未纳入女性与模糊音，不能推广到全部 32 个声音。

共振峰 × 倒谱峰突出度： 共振峰指 F1、F2、F4 等声道共振频率，反映元音开口与舌位，倒谱峰突出度指谐波性相对噪声的突出程度，反映嗓音清浊与噪声，前者分工是捕捉元音相关的种族差异，后者分工是捕捉全元音平均的嗓音质量差异，搭配理由是论文同时检验元音系统与嗓音质量两条通路，组合意义是区分种族线索来自说什么元音还是怎么发声。

哪些结论不能推广，缺了哪些验证？

首先是样本与建模范围。声学分类只用男性感知音，因黑女感知音过少且多为模糊，女性侧的声学差异未被建模，个性侧女性无种族效应也不能读成女性合成音无偏见，更可能是种族信号本身不稳定。其次是平台依赖。声音采自单一平台、合成日期固定、底层模型与训练数据未知，18 个低质声音被滤除，8 个黑男是当时上限，这些都限制了向其他系统与音色的推广。

其次是测量与推断。种族选项只有亚、黑、拉丁、白 4 类，年龄与地区虽问但未报告分析；人类相似度为单题 7 点量表，不能拆成自然度、亲切感等多维；个性差异为相关性，虽控制了被试族裔与人类相似度并加随机截距，但未操纵声学特征做因果干预，不能说调低某特征必然改变种族感知。准确率 65% 到六十六属于中等可分，离可部署的种族标注相去甚远，不应被当作分类器产品。

最后是资源状态。本次未发现来源绑定且完成验证的开源代码、模型或数据，不得声称已公开。复现只能按论文文字重做听辨与特征流程，不能期待下载即运行。伦理上作者已警示，存在刻板印象即意味着在敏感场景部署种族标记语音需谨慎，避免强化有害偏见。

要复现这条链路先做什么？

先重建听辨部分。按黑男、黑女、白男、白女各 8 共 32 的思路准备音色，个性块用长段如彩虹段前六句，种族块用避开方言音系特征的目标元音句，幅度归一化到 72 分贝，只放音频。被试招募美国英语无言语听力障碍者，记录种族、性别、年龄、地区与 AI 接触，流程固定先个性后种族，个性用 6 维度加人类相似度 7 点量表，种族用四选一。每人两块声音不重叠，目标是复现偏白偏向与男性负效应，而非追求某一绝对准确率。

再重建声学部分。对目标元音逐 1 毫秒帧提取基频、第一至第四共振峰、离散度、残差第一谐波幅度等与倒谱峰突出度等，按性别归一化、中位绝对偏差阈值 3.5 去离群、按三等分求均值与变异系数、按发声类型中心化。分类只在男性清晰感知音上做说话人级五折重复 50 次的网格搜索，最终配置 50 轮、深度 4、学习率 0.1、最小子权重 1、gamma0，全量与前 15 精简分别报告 65% 与 66% 附近的准确率，重点看残差第一谐波幅度与谱倾斜方向是否复现。

还需补的验证是，女性与模糊音的声学建模、跨平台与跨日期的稳定性、逐元音差异的统计检验，以及对声学特征的因果操纵听辨。只有补了这些，才能判断差异是稳定编码还是单平台单批的偶然相关。

何时值得借鉴，何时应该停手？

当你的任务是审计合成语音的社会偏见或理解嗓音质量如何被听者利用时，这套先听辨聚类再声学诊断的流程值得借鉴。它用最小的建模代价揭示了可感知的分组与可分类的信号，并把人类相似度作为协变量，避免把拟人化红利误读成种族效应。残差第一谐波幅度、低高频谱倾斜、倒谱峰突出度与 F1、F2、F4 的组合，可作为检查合成音色是否无意携带种族线索的起点。

当你的目标是合成特定种族风格或做种族分类产品时，应该停手。论文的准确率不高、女性侧未建模、平台单一且有偏白偏向，直接部署会放大刻板印象并带来伦理风险。作者的结论也是双向的，一面说合成音能编码人类相关的细粒度差异，另一面警示开发者在敏感场景慎用。入门者应把这篇读成测量与警示，而非种族音色合成指南。

⚖️ 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