发音方式一变，语音大模型的判断也跟着变：VQ-Bench 如何固定文本只动嗓音

英文题目：Lost in Phonation: Voice Quality Variation as an Evaluation Dimension for Speech Foundation Models

会议身份：conference:interspeech:2026:conference-paper-id:lameris26_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：#基准测试 #基准设计 #模型评估 #发声与构音 #语音情感识别

评分：6.3/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Harm Lameris：机构信息未能从会议 PDF 纯文本可靠映射
• Shree Harsha Bokkahalli Satish：机构信息未能从会议 PDF 纯文本可靠映射
• Joakim Gustafson：机构信息未能从会议 PDF 纯文本可靠映射
• Éva Székely：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为相同文本与说话人下仅发声类型不同的语音，输出为语音基础模型Speech Foundation Models即SFMs的长文本回应与语音情感识别Speech Emotion Recognition即SER的情绪分布，难点在于剥离词汇与身份后度量细微喉源变化的社会偏见效应。方法链分四步推进：先以Buckeye与VCTK参考音经零样本合成与嗓音转换得到平行语料，再设计治疗与求职等四类开放式场景提示，然后用SFMs生成回应并交由大模型裁判打分，最后用累积链接混合模型与贝叶斯多层模型分离发声与性别效应。与已有多项选择评测相比，该机制差异在于保留生成式行为并检验时间分布线索如句末嘎吱的语用功能，具有生态效度。在语音情感识别任务的Buckeye语料评测设置下，Breathy嗓音的Fearful情绪对数几率变化指标为-1.21，低于Creaky嗓音的Fearful情绪对数几率变化指标-0.94。结论仅适用于美式英语合成平行语料与所测模型族，向自然病理嗓音与非二元性别的外推尚未验证。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

输入是什么，目标是什么，先把这篇论文的任务讲清楚

这篇论文的输入是同一句话、同一个说话人，但用不同发音方式说出来的音频。输出是语音基础模型听到这些音频后给出的建议、评价和故事，以及情绪识别模型给出的情绪分布。目标不是比谁的合成音更自然，也不是比谁的识别字错率更低，而是回答一个被长期忽略的问题：当文本完全不变，只有嗓音的气声、嘎裂程度改变时，模型的行为会不会系统性改变。

对刚进入语音领域的研究生，先把两个关键词说白。语音基础模型就是直接吃原始波形、既能听内容又能听语气的语音大模型。副语言信息就是词之外的信息，比如听起来更亲近、更权威、更犹豫。论文要检验的正是第二层。作者先指出已有评测多是语音识别准确率和文本对齐推理，副语言很少被系统检验，而嗓音质量在英语里有语用和社会含义，例如气声常与亲密相连，嘎裂声常与权威或疏离相连，且已有感知研究发现女性用嘎裂声更容易招致负面评价。

因此本研究的输出是一套可核对的评测件。作者提出 VQ-Bench，包含常态、气声、嘎裂声和句末嘎裂 4 种平行发音，覆盖治疗、职业建议、面试筛选和讲故事 4 个贴近真实应用的开放式场景，外加一个 8 类情绪识别任务。论文同时声明语料与评测套件将通过项目网页公开，但本次收到的证据中没有完成可用性验证的资源绑定，所以这里只能说原文给出了发布意向，不能写成已经可用。

语音基础模型 × 副语言信息： 语音基础模型负责把原始波形直接变成可推理的表示并生成回答，副语言信息负责携带文本之外的说话方式含义，二者搭配的理由是模型若只读词就等于丢掉语气与态度，组合意义在于检验模型是否把发音方式当作影响建议、雇佣和故事判断的依据。

本解读的写法是沿着一条样本走完全程，再展开条件与统计。先讲一条语句如何从参考音频变成 4 种平行音频，再讲被测模型如何听到音频并给出长回答，再讲裁判如何打分、统计如何分离出发音效应，最后讲情绪识别如何用全部分布而非只看第 1 名来发现偏移。所有数字都回到原文核对，教学用的比喻会明确标为例子。

已有路线在测什么，为什么还缺嗓音质量这一维

第一条路线是语音基础模型的多任务理解评测。原文提到的大规模多任务音频理解与推理基准，做法多是选择题问答。选择题的好处是好算分，坏处是把模型的输出压成几个选项，语气带来的倾向可能被选项结构吃掉。作者明确引用了对选择题评测的担忧，认为语音领域的选择题问题还没有得到充分解决。

第二条路线是副语言与合成语音感知。已有工作研究了填充词、说话风格对合成语音人格感知的影响，也有人做了可控嘎裂声合成与嗓音质量转换。但这些工作多停留在合成与感知本身，没有把嗓音质量当作检验语音大模型社会偏置的维度。也就是说，能合成气声和嘎裂声，不等于知道大模型听到后会怎么做。

第三条路线是偏置与裁判方法。作者沿用了自己团队此前的语音偏置评测框架，把治疗共情、职业轨迹、领导力雇佣和故事能动性做成开放式提示，并用大模型裁判按量表打分。相关文献支持大模型裁判在开放式任务上可作为人类判断的可靠代理，但这只是统计上的代理关系，不是说裁判没有自己的偏置。论文把裁判固定为一种轻量模型，并把量表写进附录网页，这为复现留下接口。

同输入、同目标、同运行阶段的对照是这样：同样输入原始音频，同样目标是看模型是否受非词信息影响，已有选择题路线测的是知识与推理，本研究测的是发音引起的行为偏移；同样做偏置，已有文本偏置工作改的是措辞与人设，本研究固定文本只改声门源。因此它的增量不是更大的模型，而是更干净的对照维度。

要回答的具体问题与必须固定的混杂是什么

具体问题有两个。第一，当发音从常态变成气声、整句嘎裂或仅句末嘎裂时，开放式生成中的能动性、共情、领导力评价是否系统变化，变化方向是否随任务而异。第二，情绪识别的预测分布是否随发音推移，例如气声是否更偏向平静，嘎裂声是否压低某些情绪的概率。

必须固定的混杂有三项：语言内容、说话人身份、提示结构。如果文本不同，就分不清是词义还是语气在起作用；如果说话人不同，就分不清是音色还是发音在起作用；如果提示每次都换写法，就分不清是题目难度还是发音在起作用。论文的做法是同一说话人、同一文本、4 种发音平行生成，每个类别下 5 个提示保持核心结构只换情境。

还有一个前置检查。作者把性别识别当作生物特征 sanity check，逻辑是如果模型连男女这种宏观标记都分不清，就没有资格谈更细的发音敏感性。这个检查直接决定了后文结果只聚焦哪个模型。教学上可以这样理解：这相当于实验前的仪器校准，校准不过的仪器不进入正式测量。

需要提前说明的边界是性别只用了二元划分，因为源语料本身就是按男女结构组织的。论文在讨论中承认这是局限，并提出下一步应纳入性别模糊与非二元嗓音。这意味着后文所有性别不对称结论都只在该二元结构内成立，不能外推到更广的人群。

方法全景：一条语句如何走完合成、转换、评测三站

拿一条样本走完全程。起点是一段 12 秒的不间断参考语音，来自 Buckeye 的自发访谈或 VCTK 的朗读。系统先用零样本合成把要评测的提示文本说成该说话人的声音，保证内容是评测想要的治疗或面试文本，音色是该说话人的音色。接着嗓音质量转换只动声门源，把频谱倾斜、开放商和周期规整度推向目标发音的参数，同时控制音高与时长不变。终点是 4 条内容相同、说话人相同、只有发音不同的音频。

然后是两条评测支路。长文本支路把 4 条音频分别送给语音大模型，让它给出建议、职业选项、是否晋升与故事，再由裁判模型按每个任务的 3 到 4 个维度打 1 到 5 分。情绪支路把 Buckeye 子集的音频送给微调过的情绪识别模型，不只记第 1 名，而是记下全部 8 个情绪的 logit 分布，再做分层回归看概率质量如何搬移。

全景里的关键安排理由是生态效度与可控性的折中。4 个任务 grounding 在已有语音大模型真实应用上，治疗看共情是否被发音左右，职业看是否把人推向理工或照护方向，面试看是否影响 shortlist、薪资与领导力背书，故事看主角的英雄能动性与关系弧。这样既不脱离应用，又能用平行音频做因果指向更强的对照。

组件一：参考语音、合成与发音参数如何分工

参考语音组件负责提供身份。Buckeye 是美国俄亥俄中部 40 人的自发访谈，VCTK 是 109 个不同口音说话人的朗读，每人 400 句音素平衡句。论文从两库各取 12 秒不间断语音作为 F5-TTS 的参考，因为这是该系统目标说话人输入的最大长度。这里的动作很具体：不是用全库训练新合成器，而是调用已有的零样本合成器做推理式生成。

合成组件负责把评测文本变成目标说话人的常态语音。F5-TTS 在此处不学习新参数，只是把文本与参考音色结合起来。这样做的好处是文本可任意设计，身份可跨库覆盖，坏处是合成本身可能引入与发音无关的瑕疵，所以后文需要用声学测量来确认 4 种发音确实被区分开。

转换组件负责只改发音。所用 VoiceQualityVC 按表格给出的目标声学参数改声门源，涉及谱倾斜、开放商与周期规整度，并控制音高与时长。常态、气声、整句嘎裂覆盖英语中高达九成的发音，句末嘎裂则单独处理：句子前半用常态参数，后半线性插值到句末嘎裂值。句末嘎裂的语言学理由是它有短语与话轮终结的语用功能，不同于整句嘎裂可能传递的疏离。

嗓音质量 × 发音类型： 嗓音质量指由喉部与声门构型决定的整体听感，发音类型指常态、气声、嘎裂声和句末嘎裂这 4 种可操作的声门目标，二者搭配的理由是只有把连续的嗓音差异离散成 4 种可合成类型，才能在固定文本下做平行对照，组合意义是让偏置检验从笼统语气落到可复现的声学操作。

为确认转换真的生效，作者测量了区分气声与嘎裂声的两个声学参数 H1-H2 与 H1-A3，并按性别画分布。H1-H2 可粗读为第一谐波与第二谐波的能量差，H1-A3 可粗读为第一谐波与高频共振峰附近能量的差，气声通常更高，嘎裂声通常更低。这两个测量是后文所有行为差异的前提，若声学上没有分开，行为差异就无从谈起。

零样本语音合成 × 嗓音质量转换： 零样本语音合成负责用 12 秒参考音频克隆出目标说话人的新语句，嗓音质量转换负责把合成后语句的声门源改成目标谱倾斜与周期性参数，二者分工是前者保住说话人与内容不变，后者只改变发音，搭配理由是避免重录带来的文本与身份混杂，组合后得到内容相同但发音平行的语料。

本研究训练了什么，没有训练什么，真实计算在哪里

本研究没有训练新的语音基础模型，也没有微调合成器与情绪识别器。F5-TTS 是直接调用的已有零样本系统，情绪识别用的是已在 8 类情绪上微调好的 Wav2Vec2 个模型，被测的语音大模型是直接调用的现成接口与开源权重。因此该节没有梯度更新、没有优化器步骤、没有参数冻结与解冻的新报告，凡原文未写的训练细节都不做推定。

真实计算发生在三处。第一处是合成与转换的推理计算，把 148 个说话人、每个 20 个提示、每种 4 种发音全部生成出来，总量达到 25 小时 17 分。第二处是被测模型的生成推理，对每条音频按 4 类任务生成长回答。第三处是裁判打分与统计建模，把自由文本变成有序分数，再用混合模型分离发音、性别与提示效应。

需要纠正一个常见误解：没有训练不等于结果确定。合成采样、模型生成的随机性、裁判打分的波动都会带来方差，论文用随机截距与多重比较校正来吸收部分方差，但并未报告重复生成的稳定性。若复现时只跑 1 次生成就下结论，可能高估效应的稳健性。缺失的训练与推理超参数、采样温度与随机种子在原文中没有交代，这是复现时必须补记的第一项缺项。

实验条件：任务、模型、裁判与统计如何组织

长文本任务固定为 4 类，每类 5 个提示，共 20 个核心文本。治疗是情绪困扰与倦怠情境，看共情是否被发音影响；职业是兴趣情境，看是否推向理工或照护；面试是领导力提示，看是否推荐晋升与给出薪资；故事是定制叙事，看主角能动性与英雄感。每个提示跨 148 个说话人与 4 种发音展开，形成平行对照。

被测模型有两个：商业语音到语音实时接口与 LFMAudio2-1.5B。前者先做性别 sanity check，后者进入主分析。裁判是轻量大模型，按每个任务的维度打 1 到 5 分。治疗维度包括建议能动性、情绪验证与改善或退缩，职业包括角色地位、理工对照护取向与可操作性，面试包括 shortlist 决策、薪资与领导力背书，故事包括英雄能动性、困境人物与成就对关系弧。

统计上，长文本用累积链接混合模型，把发音、性别与提示作固定效应，说话人作随机截距，先检验发音与性别交互，再用方差分析做向后剔除，不显著的交互与固定效应会被去掉，显著效应再用估计边际均值做 Tukey 校正的两两比较。情绪任务只用 Buckeye 子集，因为 VCTK 设计为中性；用贝叶斯多层分类回归，以发音、性别与提示预测 8 类情绪，随机截距为说话人，跑 4 条链各 2000 步、1000 步热身，看 95% 可信区间是否不包含零。

开放式生成评测 × 大模型裁判打分： 开放式生成评测负责让被测模型自由给出治疗建议、职业建议、面试决策和故事，大模型裁判打分负责按固定量表把自由文本转成 1 到 5 分的结构化评价，二者搭配的理由是选择题会掩盖语气带来的细微倾向，而自由生成需要可比较的标尺，组合意义是用可统计的分数暴露发音引起的系统偏移。

下表把语料规模这一必须核对的事实整理成可复述的形态，比较问题是这套平行语料到底有多大、身份覆盖从哪里来，公平条件是同一文本跨说话人与发音展开，指标方向是规模越大、覆盖越广，行为差异越不容易被个别说话人主导。

该表说明主要收益是平行规模带来的可比性，148 个说话人意味着发音效应是在多人上平均的结果。代价是全合成带来的生态差距，自发语料被重说成朗读式提示，转换痕迹可能被模型当作额外线索。未胜出项在这里不是模型，而是 VCTK 在情绪任务中被主动弃用，因为其中性设计不适合测情绪推移，这是一个明确的未评测边界。

主结果一：声学上是否真的做出四种发音

在谈模型行为之前，必须先确认 4 种音频在声学上真的分开了，否则后文的行为差异可能是合成噪声。作者用 H1-H2 与 H1-A3 两个参数做检查，并按性别分别展示分布。这一步的判断标准很直观：气声应整体偏高，嘎裂声应整体偏低，常态应居中且最集中。

图 1 展示 H1-H2 随发音与性别的变化，纵轴单位为分贝，横轴为 4 种发音，每组内再分男女。读图时先沿横轴看主趋势，再比较同组内两种颜色的中心与 spread，不要把小提琴的宽度直接当成样本量，那是密度形状。

看图路径： 1. 先看横轴四种发音与纵轴 H1-H2 分贝值的对应关系；2. 再对比每组内绿色男性与紫色女性小提琴的中心与宽度；3. 重点观察气声整体上移而女性嘎裂声明显下移的分离；4. 最后看常态组最窄最接近零而嘎裂组分布最宽的差异

论文图 1。原论文 Figure 1：“The H1–H2 values for the synthesized prompts for each voice quality by gender.”。

从可见内容看，常态组男女都贴近零且分布最窄，说明基准最稳定。气声组男女都整体上移，女性中心更高且向上拖尾更长。整句嘎裂组出现明显性别分离，女性大幅下移到负值区，男性则相对居中且 spread 更大。句末嘎裂组男性接近零附近，女性则下移到负值区但幅度小于整句嘎裂的女性。这支持转换确实改变了声门特征，且效应在女性嘎裂声上更极端。像素不能精确读出的具体分贝数值不硬写，结论只到方向与分离程度。

图 2 展示 H1-A3 随发音与性别的变化，纵轴同样为分贝。这个参数对气声更敏感，读图时重点看气声是否与其他 3 组拉开距离，再看嘎裂声的性别差异是否复现。

看图路径： 1. 先看横轴四种发音与纵轴 H1-A3 分贝值的对应关系；2. 再对比气声组男女都整体上移而常态组都贴近零；3. 重点观察女性嘎裂声与句末嘎裂声向下分离的幅度；4. 最后看男性嘎裂声分布相对集中而女性分布更分散

论文图 2。原论文 Figure 2：“The H1–A3 values for the synthesized prompts for each voice quality by gender.”。

从可见内容看，气声组男女都明显上移到高分贝区，与常态组拉开清晰间隔，常态组男女都贴近零。嘎裂组再次出现性别分离，女性大幅下移，男性轻微上移或居中。句末嘎裂组男性接近零上，女性下移到负值区。两张图合在一起的判断是声学操纵有效，且女性嘎裂声的声学偏移更大，这为后文性别不对称提供了一个声学背景，但不能直接说声学差就等于偏置大，行为还取决于模型如何解读。

累积链接混合模型 × 贝叶斯多层分类回归： 累积链接混合模型负责处理裁判给出的有序 1 到 5 分并控制说话人与提示差异，贝叶斯多层分类回归负责处理情绪识别输出的全部情绪概率分布，二者分工对应两种输出形态，搭配理由是生成评分是有序等级而情绪是多分类分布，组合意义是同时看到发音对长文本判断和对情绪概率质量的推移。

主结果二：开放式生成中发音如何改变评价

通过声学校准后，核心发现进入行为层。商业实时接口在性别检查中把所有样本都判为男性，作者称之为无意义的连贯：文本流畅但与副语言输入正交。因此后文主结果只聚焦能可靠识别性别的 LFMAudio2，这不是挑选有利模型，而是校准失败的模型不进入细粒度测量。

在 LFMAudio2 上，发音效应几乎遍在。除角色地位与情绪验证外，其余维度的发音主效应显著。方向因任务而异：职业任务中气声与句末嘎裂更偏理工取向，整句嘎裂更偏照护取向，所有非模态发音都提高了可操作性；面试任务中几乎所有非模态发音都压低 shortlist、薪资与领导力背书，只有一个例外是 Buckeye 上整句嘎裂的 shortlist 反而上调；故事与治疗任务中非模态发音多提高英雄能动性、成就取向与建议能动性，同时压低困境人物的某些评分。

一个值得复述的细节是句末嘎裂更像气声而不像整句嘎裂。作者的解释是整句嘎裂可能被读作疏离或权威，而句末嘎裂是美式英语常见的短语终结 prosodic 标记，可能被读作会话能力或平静。这提示模型敏感的不只是有无非模态发音，还有它在时间上的分布，这是一个待验证的解释，不是已证明的因果。

性别效应集中在面试任务，女性声音在薪资与领导力背书上系统低于男性，且在两库一致。这是论文最强的公平警示：即使固定文本与发音类型，性别本身仍带来雇佣相关惩罚。下表把模型与任务这一层整理出来，比较问题是谁通过了校准、谁进入了主分析，公平条件是同一性别提问法，指标方向是通过校准才能谈偏置。

表后需要说清代价与反例。主要收益是 LFMAudio2 提供了可分析的偏置信号，代价是结论暂时只来自单一开源模型，不能推广到所有语音大模型。未胜出项是商业接口，它不是表现稍差，而是在第一步就失效，这反而说明细粒度声学敏感性在当前模型格局中并不普遍，评测框架的价值正在于筛出这种失效。

主结果三：情绪识别的概率质量如何被发音搬移

情绪任务的测法比只看准确率更细。作者记录全部 logit 分布，用贝叶斯回归看每种发音把概率质量从哪些情绪搬到哪些情绪。测什么很明确：以常态男性为参照，气声、嘎裂、句末嘎裂与女性分别如何改变各情绪的对数几率。与谁比也很明确：不是跨模型比，而是同一模型内跨发音比。条件一致性来自只用 Buckeye 子集，避免 VCTK 中性设计稀释情绪信号。

关键数字是可信区间不包含零的那些效应。气声提高平静与中性，降低恐惧与惊讶；整句嘎裂降低恐惧与快乐；句末嘎裂降低恐惧；女性提高恐惧与惊讶。教学例子是：即使第 1 名仍是中性，气声也可能让平静的概率大幅上升而恐惧下降，这种推移在只看 top-1 时会被漏掉。

下表把这些推移整理成可运行的对照形态，比较问题是相对常态男性参照，哪种发音把哪种情绪推高或压低，公平条件是同一说话人随机截距与同一提示结构，指标方向是估计为正表示该情绪更可能被选中，区间不包含零才算有意义。

表后解释主要收益与限制。收益是方向与文献一致：气声偏向非攻击、友好与平静，嘎裂声压低某些高唤醒情绪。代价是情绪标签本身来自微调模型的预测，不是人类真实情绪，推移反映的是模型的情感解读，不是说话人的真实感受。未胜出或未报告的情绪如愤怒、厌恶、悲伤在此没有有意义效应，不能说发音对它们无影响，只能说在当前样本与模型下区间覆盖了零。原文还报告马尔可夫链为 4 条链各 2000 步、1000 步热身且收敛良好，这为可信区间提供了计算可信度。

反证与消融：交互、语料与例外是否动摇结论

第一个反证是交互。作者先在模型中放入发音乘性别交互，再做向后剔除，结果只有故事任务的英雄能动性在 Buckeye 上保留了交互，其余都被剔除。这意味着多数维度上发音效应与性别效应可加，不需要用复杂的交互来讲故事。教学上这是一个简化结论的动作：能用加法解释，就不硬说女性气声有独特放大。

第二个反证是跨语料一致性。长文本结果在 VCTK 与 Buckeye 上高度一致，尽管一个是朗读、一个是自发访谈的重说。这支持效应不是某个库的口音或录音条件驱动的。但一致不等于无条件成立，面试中 Buckeye 整句嘎裂的 shortlist 例外上调提醒我们，总体趋势不等于每组都成立。

第三个反证是维度选择性。角色地位与情绪验证没有显著发音效应，说明模型不是对任何量表都随意漂移。若所有维度都显著，反而更像裁判的系统噪声。正是这种有显著、有不显著的格局，让发音效应的任务特异性更可信。

还有一个隐性消融是裁判与提示。若换裁判或换提示措辞，效应的大小可能变化。原文固定了裁判与提示写法以保证内部一致，但没有报告换裁判的稳健性。这是复现时最值得补的第二项验证：同一批生成换一个裁判或人类小样本抽查，看方向是否保持。

边界与未验证的推测：哪些话不能说满

已报告的是行为差异与分布推移，有限解释的是对句末嘎裂更亲和的语用解读，未验证的是这种解读是否真来自模型内部的韵律 competence。原文用可能一词提出假设，没有因果证据，不能写成模型理解了短语终结。同样，气声与亲和、嘎裂与权威的对应是与文献一致，不是本研究证明了人类感知机制。

缺失证据不是技术错误，但必须点名。性别只覆盖二元，病理嗓音、年龄、口音与非母语者的影响未测；延迟、成本、误判率未测，不能承诺该评测能改善这些量；商业模型的失败只在一个接口上观察到，不能推广为所有商业模型都不敏感；长文本结论只来自单一开源模型，换模型可能改变方向与大小。

相关性与因果也要分开。平行音频让因果指向更强，但合成痕迹仍可能混杂。例如女性嘎裂声的声学偏移更大，若合成质量在该组更差，模型可能对低质量音频给出更保守的雇佣评价，而不完全是对嘎裂社会含义的反应。原文控制了音高与时长，但没有对可懂度与自然度做逐组的等价性报告，这是解读雇佣惩罚时必须保留的谨慎。

最后是裁判偏置。轻量裁判被当作人类代理，但裁判自身可能对某些措辞有偏好。若被测模型学会了迎合裁判的文风，分数差异可能部分来自文风而非发音。论文用固定量表与多维度来缓解，但没有人类对照来量化这一层，这是开放式评测共有的边界。

复现先做什么，需要哪些信息条件

复现的第一步是重建平行语料。按原文顺序：从两库取 12 秒参考，用 F5-TTS 合成 20 个提示的常态语音，再用嗓音质量转换按目标参数生成气声、整句嘎裂与句末嘎裂，其中句末嘎裂前半常态、后半线性插值。接着测量 H1-H2 与 H1-A3，确认气声上移、嘎裂下移、常态居中，否则不要进入行为分析。

第二步是固定评测协议。被测模型逐条听音频，按治疗、职业、面试、故事生成长回答，问题措辞与原文保持一致；裁判按 1 到 5 分量表打分，维度与原文一一对应；统计用累积链接混合模型，发音、性别与提示为固定效应，说话人为随机截距，显著性做 Tukey 校正。情绪支路只用 Buckeye 子集，记录全部分布，用四链各 2000 步、1000 步热身的贝叶斯多层回归。

信息条件上，关键超参数是转换的目标声学参数表、裁判模型版本与提示、被测模型的采样设置。原文给出了参数来源与裁判名称，但未给出随机种子与温度，复现时应固定种子并多次生成取平均。资源状态方面，本次没有可用性验证通过的代码与数据绑定，因此不能写成代码已公开，只能按原文的发布意向去项目页核对，记录访问日期与版本号后再谈可运行性。

何时值得尝试这套方法，一句话收束

当你的应用要让语音模型做涉人决策，如简历初筛、晋升建议、心理支持或角色叙事，且输入包含自发或多样的嗓音质量时，这套固定文本只动发音的平行评测值得尝试。它能以较低成本暴露模型是否把气声听得更亲和、把整句嘎裂听得更疏离，以及是否对女性给出更低的薪资与领导力评价。

不值得盲用的情况也有。若你的任务只是识别词内容，或输入已严格限定为播音式常态语音，发音维度的收益可能很小；若你的模型连性别都分不清，应先修声学敏感性，而不是直接做偏置归因。复现时先做声学校准，再做小样本人类抽查，最后才扩大到全量裁判打分，还需补换裁判、换被测模型与纳入更多嗓音多样性的验证。

回到中心矛盾：语音大模型能直接听波形，本应既听词又听语气，但本研究的证据显示，语气确实在影响判断，且影响方向带有与人类相似的社会偏置。VQ-Bench 的价值不是给出一个分数排名，而是提供一把可复用的尺子，让后来的模型在更敏感时仍能被同一套平行音频检验。

⚖️ 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