为检测保留病理：认知状态条件合成与 ASR 文本驱动的 AD 数据增强

英文题目：CoSTA: Cognitive-State-Conditioned TTS Data Augmentation Using ASR Transcripts for Alzheimer’s Disease Detection

会议身份：conference:interspeech:2026:conference-paper-id:liu26_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：#数据增强 #语音识别 #病理语音评估 #文本到语音

评分：6.6/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 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：方法研究

👥 作者与机构

• Yin-Long Liu：机构信息未能从会议 PDF 纯文本可靠映射
• Yuanchao Li：机构信息未能从会议 PDF 纯文本可靠映射
• Yiming Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Yue Li：机构信息未能从会议 PDF 纯文本可靠映射
• Rui Feng：机构信息未能从会议 PDF 纯文本可靠映射
• Jiaxin Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Shaobo Liu：机构信息未能从会议 PDF 纯文本可靠映射
• Liu He：机构信息未能从会议 PDF 纯文本可靠映射
• Yuang Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Jiahong Yuan：机构信息未能从会议 PDF 纯文本可靠映射
• Zhen-Hua Ling：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音阿尔茨海默病检测以语音波形为输入并输出阿尔茨海默病与健康对照的二分类结果，难点在于病理语音稀缺且通用语音合成会抹除停顿与构音异常等诊断线索，难以兼顾自然度与病理保真。CoSTA先在ADReSS训练子集上分别适配出认知状态条件化的CosyVoice2与F5-TTS，使合成语音保留类别相关的韵律与发音特征，再用人工转写与36路自动语音识别转写驱动合成以引入语言扰动并扩充训练集，最后用WavLM检测器学习并在测试时融合原始与合成语音的预测概率。与标准预训练语音合成增强相比，该框架显式建模认知状态并利用识别误差的非随机病理相关性来增加多样性。在ADReSS测试集上音频单模态准确率达到85.83%，相对81.67%的基线提升4.16个百分点并优于传统扰动增强。结论目前仅适用于英文Cookie Theft任务与小样本条件，跨语言与跨场景外推尚未验证。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

为什么 AD 语音检测首先缺的是病人语音？

本文输入是这篇 Interspeech 论文的正文证据与 3 张官方原图像素，目标是让刚进入语音与音频方向的研究生能复述 CoSTA 做了什么。必须保留的信息包括数据集划分与时长、两类条件化语音合成的做法、37 种文本来源的构成、增强倍率与测试时增强的操作。输出按学习依赖展开，先讲任务与已有路线，再走完方法全景与组件计算，然后讲训练构造与实验条件，最后讲结果反证与复现要点。

阿尔茨海默病会损害记忆语言与执行功能，早期筛查很重要，但正电子发射断层成像等常规手段昂贵且有侵入性。语音产生同时耦合认知与运动控制，论文把 AD 的语音表现概括为时间上的不流畅、发音不精确与词汇缺损。因此用自发语音区分 AD 与健康对照（Healthy Controls，HC）被视为有潜力的筛查手段。白话说，任务就是听一段看图说话的录音，判断说话人更像病人还是健康老人。

难点在于数据稀缺。隐私规定与病人可及性使病理语音很少，模型容易过拟合与泛化差。初学者容易误以为加更多模型参数就能解决，但论文强调瓶颈在训练分布本身缺少新的语义内容与病理说话特征。传统做法如加噪声、变调与变速，只能得到原录音的扭曲版本，没有引入新文本，也没有显式建模 AD 特有的不自然停顿等判别线索，甚至可能使检测性能下降。这就是本文要解决的矛盾：如何在不新增真实病人的前提下，造出对检测真正有用的新训练语音。

已有增强路线与本文的对照点是什么？

同输入同目标的已有路线主要有两条。第一条是信号级扰动增强，输入同样是 ADReSS 语音，目标同样是提升音频分类准确率，监督同样是 AD 与健康对照标签，运行阶段同样在训练前扩充数据。论文引用先前工作指出这类方法只做波形失真，不建模病理特质。第二条是语音合成（Text-to-Speech，TTS）用于数据稀缺场景，论文提到在自动语音识别中把文本转语音已被证明有效，但用于 AD 检测仍少有人探索。

关键区别在于合成目标不同。普通语音合成追求可懂度与自然度，会把含糊与停顿修平滑，恰好掩盖 AD 的声学生物标志。CoSTA 因此提出认知状态条件化（Cognitive-State-Conditioned，CS-Cond）合成，有意合成 AD 样与健康对照样两种语音。另一个对照点是文本来源。以往直觉认为人工转写（Manual Transcripts，MT）最准最好，但论文引用近期文本级 AD 检测发现自动语音识别（Automatic Speech Recognition，ASR）错误有时反而比完美转写更有判别价值。

这引出本文第二个研究问题：驱动合成时应该用人工转写还是 ASR 转写。后续实验正是围绕这两个对照组织的，一路比较预训练合成器与条件化合成器，一路比较人工驱动与 ASR 驱动。理解这两个对照，就能理解后文为什么要做 37 种文本与多种倍率的系统比较。

论文把问题拆成哪两个待验证的疑问？

论文把大目标拆成两个可操作的问题。第一，条件化是否有用：同样用合成语音扩充训练，带认知状态条件的合成器是否比直接用预训练合成器更能提升检测。第二，文本来源如何选：在 37 种文本驱动下，ASR 驱动的增强是否经常超过人工转写驱动。

形式化一点，设原始训练集为 AD 子集与健康对照子集的并集，每个样本有语音与人工文本。对每个语音可获得 37 个文本，包含 1 个人工转写与 36 个 ASR 转写。合成器根据与真实类别一致的条件信号，把目标文本与参考语音转成新的合成样本。检测模型在原始加合成的混合集上训练，在 48 人测试集上以准确率为指标评价。

举例说，一个 AD 被试的例子就是：输入他的一段看图说话录音与某一个 ASR 文本，指定 AD 条件与同类参考语音，输出一段保留该文本内容但带有 AD 样声学特征的新语音。再与原数据一起训练分类器，这就是后文自参考与交叉合成的雏形。例子不添加新数值，只帮助定位输入与输出。

CoSTA 让一个样本走完增强需要哪四步？

CoSTA 全景包含 4 个组件：条件化语音合成模型研制、多样转写池构建、语音增强策略、基于语音的 AD 检测模型。沿一个训练样本走一遍最清楚。假设取一个 AD 训练样本，先从转写池中选定它的某一个目标文本，可以是人工转写也可以是 36 个 ASR 转写之一。再选定与 AD 类别一致的条件信号与参考语音文本，送入条件化 CosyVoice2 或条件化 F5-TTS 得到合成语音。最后把原始语音与合成语音一起放入增强训练集训练 WavLM 检测模型。

测试阶段再对测试语音做 1 次转写加零样本合成，并把原始与合成 2 次预测概率平均。这条从训练增强到测试时增强的闭环是全文主线，顶行流水线已经把顺序固定下来。下图是全文总览，顶行是总体流水线，左下是两个合成器的做法，右中是转写池与增强策略，右下是检测模型结构，建议按此顺序阅读。

看图路径： 1. 先沿顶部总体流水线从 ADReSS 语音加人工文本走到增强训练集与检测模型；2. 再看左下两个语音合成分支如何分别用指令微调与认知标签处理实现条件控制；3. 再看右中转写池如何把 18 个预训练与 18 个微调 ASR 模型输出汇总为 37 种文本

论文图 1。原论文 Figure 1：“Overview of the proposed CoSTA framework.”。

从像素看，顶部浅蓝色长条明确给出从 ADReSS 语音加人工文本分叉到模型研制与转写池构建，再汇合到训练数据增强、增强训练集、模型训练与测试时增强评估。左下紫色大框并列 CosyVoice2 的指令微调路径与 F5-TTS 的认知处理加扩散变换器路径，底部还标出 CosyVoice2-AD 与 CosyVoice2-HC 两个专用变体。右上粉色框显示用 DementiaBank 微调得到 18 个微调 ASR 模型，再与 18 个预训练模型一起转写 ADReSS 得到 36 种 ASR 转写。

右中黄色框把目标文本池、参考语音文本与条件信号 3 路输入送入条件化合成器并标出 1 倍到 4 倍，右侧测试时增强框明确画出原始测试语音经 ASR 模型、微调零样本合成再做概率平均。底部灰色条给出检测模型从 7 层卷积到 24 层变换器再到加权融合、注意力池化与多层感知机的完整链路。

条件化 CosyVoice2 如何让合成带上 AD 口音？

先解释术语。语音合成就是把文本转成波形，认知状态条件就是额外告诉合成器现在要模仿病人还是健康人。CosyVoice2 本身是自回归方案，用预训练大语言模型 Qwen2.5 作为统一的文本语音语言模型，逐个生成离散语音 token。再经流匹配重建模块转成梅尔谱，最后用 HiFi-GAN 声码器转成波形。

条件化的做法是指令微调。论文为 AD 与健康对照分别设计自然语言指令，例如 AD 指令描述年长病人、不自然停顿与不精确发音，健康对照指令描述健康成人、清晰稳定与流畅语速。微调时把指令与目标人工文本用分隔符拼成统一文本提示，文本嵌入模块转成 token，配对训练语音经语音分词器转成语音 token。然后最小化给定文本提示下真实语音 token 的负对数似然。关键是分别在 AD 子集与健康对照子集上微调，得到 CosyVoice2-AD 与 CosyVoice2-HC 两个专用变体。

推理时把目标文本、对应指令与类别匹配的参考语音一起送入相应变体生成语音 token。这种类别匹配是硬约束，不能把 AD 文本送入健康对照变体，否则条件信号与监督来源就不一致。

认知状态条件 × 语音合成： 认知状态条件负责指明当前要合成 AD 样还是健康对照样说话方式，语音合成负责把目标文本转换为波形，二者搭配的理由是普通合成追求清晰流畅会抹掉停顿与含糊等病理特征，组合后合成器能保留类别特异的声学差异供检测模型学习。

这样做的安排理由在原文有明确对照：普通合成追求自然会正则掉病理，而显式条件使声学分布更接近真实类别。客观评价显示条件化模型在梅尔倒谱失真、对数基频均方根误差与音频距离上都优于预训练对应版本。需要指出，论文未报告指令文本的完整消融与梯度冻结细节，不能从模型名推定哪些参数被冻结。

条件化 F5-TTS 与检测模型各自算什么？

F5-TTS 是另一条非自回归路线，基于流匹配（Flow Matching，FM）与扩散变换器主干，把高斯噪声变换到目标语音分布，通过估计速度场实现。条件化做法是增加一个认知处理块，与文本处理块类比，用多层 ConvNeXtV2 加旋转位置编码把离散认知标签映射为稠密嵌入。再用特征聚合模块处理认知嵌入、文本嵌入、参考梅尔谱与加噪梅尔谱 4 路输入，送入带旋转位置编码的扩散变换器预测流。训练最小化流匹配损失，与 CosyVoice2 分别训练两个变体不同，这里是在混合样本上训练一个统一的条件化 F5-TTS。

推理时输入目标文本、认知标签与类别匹配的参考语音文本生成对数梅尔谱，再用 Vocos 声码器转成音频。这条路径的输入输出与 CosyVoice2 对齐，只是内部计算从自回归换成了流匹配。

ASR 转写文本 × 人工转写文本： 人工转写文本提供干净正确的内容，ASR 转写文本提供带有识别错误的文本，二者搭配的理由是 ASR 错误可能映射发音含糊等声学病理，组合使用可以比较干净驱动与含扰动驱动哪种合成语音更能扩大训练分布。

检测模型是纯音频方案。输入 16 kHz 波形，先经 7 层步长卷积以下采样因子 320 得到帧级表示，再归一化并线性投影到 1024 维，送入 24 层变换器编码器。为利用层次表示，用可学习权重加权融合所有层隐状态，再经注意力时间池化聚成定长向量。最后用 3 层多层感知机加 softmax 输出 AD 与健康对照的二分类概率，端到端用交叉熵训练。

WavLM 编码器 × 注意力时间池化： WavLM 编码器负责从 16 kHz 波形逐帧抽取多层语音表示，注意力时间池化负责把变长帧序列聚合成定长向量，前者分工是保留声学与韵律细节，后者分工是按重要性加权突出病理片段，组合后 3 层感知机才能输出 AD 与健康对照的二分类概率。

初学者误区是把合成自然度等同于增强价值。论文的逻辑恰好相反：越自然可能越抹掉病理，因此需要条件化有意保留类别特异的不流畅与发音特征。

37 种文本与多倍语音是如何构造出来的？

本节讲真实的构造与训练计算，没有训练的环节会明确说明。本文确实包含神经网络训练，不是无训练论文，因此按原文交代优化器与数据流，未报告的参数冻结与梯度路径不猜测。转写池构造分两步，先微调 18 个跨四大家族的预训练 ASR 模型，包括 Wav2Vec2、HuBERT、WavLM 与 Whisper 的具体变体。选用理由是架构与训练范式多样，能产生不同的转写保真度与错误分布。

微调数据是 DementiaBank 中同样看图说话任务的 3 个子集，共 245 个样本约 3 小时。微调后用 18 个预训练加 18 个微调共 36 个模型转写 AD 数据集，每个语音得到 36 个不同 ASR 文本。再加上人工转写形成 37 个文本的池子。论文已报告的是用 AdamW、学习率为 1 乘 10 的负 5 次方、批量 8、训练 20 轮，以词错率为评价。

语音合成训练方面，CosyVoice2 用 Adam、学习率 1 乘 10 的负 5 次方、动态批量每批最多 2000 帧，经验上训练 1 轮已足够。F5-TTS 用 AdamW、同学习率、批量 8、训练 40 轮。检测模型用 AdamW、学习率 5 乘 10 的负 5 次方、批量 8、训练 30 轮，评价是 5 次独立运行的平均准确率。所有实验在 80 GB 显存的 A800 上进行。

增强倍率通过两种策略实现。2 倍时用自参考合成，参考语音与参考文本就是样本自身，合成变体保留原说话人音色但融入目标文本的语言特点。超过 2 倍时用类内交叉合成，从同类别另一被试随机采样参考语音，把甲的内容与乙的音色组合，迭代得到 3 倍与 4 倍。

自参考合成 × 类内交叉合成： 自参考合成用样本自身的语音做音色参考，类内交叉合成用同类别另一被试的语音做音色参考，前者分工是保留原说话人音色只改变文本内容，后者分工是把甲的内容与乙的音色组合以扩大多样性，搭配后才能从 2 倍扩展到 3 倍与 4 倍增强。

测试时增强不用真实标签，因此不能显式加认知条件，而是先微调一个无认知指令的零样本 CosyVoice2。对测试语音用训练增强时同一个 ASR 模型转写得到文本，再以测试语音为参考合成变体，把原始与合成分别送入已训练检测模型得到两组概率并平均。

训练时增强 × 测试时增强： 训练时增强负责用合成语音扩大训练集，测试时增强负责对测试语音再合成一个变体并平均 2 次预测，前者分工是改善模型拟合，后者分工是不用真实标签也能平滑单次判决噪声，搭配后论文报告平均约 0.98 个百分点的额外增益。

数据划分、指标与 ASR 多样性条件是什么？

AD 检测数据用 ADReSS，训练集 108 人中 AD 与健康对照各 54 人约 1.7 小时，测试集 48 人中各 24 人约 0.9 小时。每人完成饼干盗窃看图描述任务，产生一段语音人工文本对。论文把训练集按 5 比 1 随机切分为语音合成训练集 90 人与合成测试集 18 人，并按时间戳切成约 30 秒的语音文本对用于合成训练。

指标方向要先讲清：梅尔倒谱失真、对数基频误差与音频距离都是越低越好，词错率越低越好，检测准确率越高越好。百分点差值与相对百分比不同，后文增益均指百分点。下图展示 36 个 ASR 模型在 ADReSS 上的平均词错率，是理解文本多样性的关键，阅读时先分清预训练与微调再看分布宽度。

看图路径： 1. 先按图例区分浅色预训练与深色微调两组柱子；2. 再沿横轴从 Wav2Vec2 到 HuBERT 再到 WavLM 与 Whisper 比较各家族高度变化；3. 最后确认最低与最高词错率对应的模型位置与分布宽度

论文图 3。原论文 Figure 2：“Mean WER (%) of 36 ASR models on ADReSS dataset.”。

从像素看，横轴从左到右列出 Wav2Vec2 各变体、HuBERT、WavLM 与 Whisper 各尺寸，纵轴为词错率百分比。每组两根柱子中深色微调柱普遍低于浅色预训练柱，说明微调一致改善识别。柱顶数值跨度很大，从最低约 26.36% 到最高约 68.55%，这种大幅方差正是转写池多样性的来源。原文报告微调后所有模型词错率都下降，且数值范围与上图一致。这支持把 36 种转写都送入合成器做比较，而不是只选最准的一个。像素较小的柱顶数字不宜逐个硬读，本文只引用原文明确给出的总体范围。

主结果在什么基线与对照下成立？

要回答测什么、与谁比、条件是否一致。测的是在固定 ADReSS 测试集上的音频分类准确率，对比的是只用原始 108 个样本训练的基线，与用原始加合成共 216 个样本的 2 倍增强模型。公平条件是检测模型结构与训练流程相同，唯一差别是训练集是否加入某一种合成器与某一种文本驱动的合成语音。

下表整理核心数字关系，比较问题是条件化合成与 ASR 驱动是否带来可部署的增益，指标方向是准确率越高越好，基线为只用原始训练集的模型。

表后解释主要收益与具体代价。收益是条件化模型在 37 种文本来源下超过基线的比例显著高于预训练模型，条件化 CosyVoice2 为 28 比 37 而预训练 CosyVoice2 仅 7 比 37。条件化 F5-TTS 为 24 比 37 而预训练 F5-TTS 为 16 比 37，且 ASR 驱动超过人工转写驱动的比例在 4 个合成器下分别为 19 比 36、20 比 36、23 比 36 与 22 比 36。代价是并非所有 ASR 驱动都赢，仍有约一半以下配置未超过人工转写，且传统扰动中变调反而使准确率下降。未胜出项必须保留：预训练 CosyVoice2 加人工转写仅 80.83，低于基线，部分小模型驱动也在基线附近徘徊，说明合成器与文本必须搭配选择。

增强倍率与测试时增强的边界在哪里？

论文进一步做增强因子分析，用类内交叉合成从 1 倍做到 4 倍，固定用条件化 CosyVoice2 与 3 个高性能 ASR 文本。问题是合成比例越高是否越好，条件是同一合成器与同一文本来源，只改变原始与合成的混合比例。下图显示倒 U 形趋势，是判断何时该停的关键证据，横轴是倍率纵轴是准确率，重点看峰的位置与下滑段。

看图路径： 1. 先确认横轴为增强倍率从 1 倍到 4 倍纵轴为准确率百分比；2. 再比较三条高性能 ASR 驱动曲线与红色平均曲线在 1.5 倍到 2.5 倍的峰形；3. 最后观察超过 2.5 倍后所有曲线同步下滑的幅度

论文图 2。原论文 Figure 3：“Impact of augmentation factor on AD detection ac- curacy.”。

从像素看，4 条曲线都从 1 倍约 81.7 起步，在 1.5 倍迅速爬升，其中紫色曲线在 1.5 倍达到约 85.00 的局部峰。橙色与红色平均曲线在 2 倍达到约 85.00 与 84.58，蓝色曲线在 2.5 倍达到约 84.58，随后所有曲线在 3 倍到 4 倍同步下滑到约 81 至 82。原文总结最优区间在 1.5 倍到 2.5 倍，平均最好在 2 倍即原始与合成 1 比 1 混合。过多合成会使检测模型过拟合合成器的生成特征而非真实病理，这一点用可能与待验证表达更为稳妥。

下表聚焦测试时增强的增量，比较问题是固定 2 倍训练增强后，再加测试时合成与概率平均是否还有收益，指标方向仍是准确率越高越好。

表后说明适用条件与限制。测试时增强对 3 个高性能配置都提升约 1 个百分点，最终最好达到 85.83。但它依赖与训练增强时同一个 ASR 模型转写，且需要额外 1 次合成与 2 次前向推理，开销未在原文量化。未评测边界是若测试 ASR 模型与训练不一致或零样本合成质量差，收益是否还成立，论文没有给出该消融。

哪些结论只是有限解释与未验证推测？

区分 3 类表述。直接报告的是数字：条件化模型客观指标更低、2 倍增强下超过基线的比例更高、ASR 驱动多数超过人工驱动、2 倍平均最好、测试时增强平均再提升约 1 个百分点并达到 85.83。有限解释的是机制：论文把 ASR 优势归因于非随机识别错误保留了发音含糊等病理声学特征，从而增加训练多样性。

这种解释用支持表达，因为错误分布与病理的因果链没有逐错标注验证。未验证推测是过多合成导致过拟合生成器特征，用可能与待验证表达，论文给出去向合理但没有分离伪影类型与比例的对照。缺失证据不是技术错误，但不能承诺未测量的量。

原文未报告误判率分布、延迟、推理开销与统计显著性，也未报告跨语言与跨任务泛化，因此不能说该方法已降低漏诊率或可直接部署。训练资源只报告 A800 与轮数批量，未给出总时长与合成耗时，推理开销与输出帧率更未讨论。总体趋势不等于每组每步都成立，例如个别 ASR 驱动仍低于人工驱动。原文表头与算术没有发现需要标注的冲突，但引用客观指标时要注意梅尔倒谱失真等是合成保真度代理指标，不能当成人耳评价。

要复现 CoSTA 先做什么与保留什么条件？

复现先做数据与信息条件核对。ADReSS 训练 108 人与测试 48 人的划分、合成训练 90 人与合成测试 18 人的 5 比 1 切分、约 30 秒切分、DementiaBank 3 个子集 245 样本约 3 小时的 ASR 微调数据，这些是结果可比的前提。关键超参数要保留：合成侧 CosyVoice2 学习率 1 乘 10 的负 5 次方与 1 轮、F5-TTS 同学习率批量 8 共 40 轮。

检测侧学习率 5 乘 10 的负 5 次方批量 8 共 30 轮并取 5 次平均，ASR 微调学习率 1 乘 10 的负 5 次方批量 8 共 20 轮。增强时注意类别匹配，目标文本、条件信号与参考语音必须与样本真实类别一致，跨类参考只允许在同类内换说话人。测试时增强必须用与训练增强相同的 ASR 模型，否则概率平均的输入分布就会变化。

资源状态是正文开源声明的唯一依据。本次收到的证据中未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，不得声称代码模型或数据已公开。复现应按论文描述自行实现并检查是否可运行。先跑通基线 81.67 附近，再跑 2 倍条件化 CosyVoice2 加微调后高性能 ASR 驱动，验证是否进入 84 至 85 区间，最后再加测试时增强看约 1 个百分点的增量。还需补的验证包括不同随机种子下的方差、与传统增强在同一代码库下的并行对照、以及换 ASR 模型时的稳定性。

何时值得尝试 CoSTA 与还需补哪项验证？

何时值得尝试很具体。当只有 100 人量级病理语音、传统扰动已无增益、且能获得同一任务的额外文本转写数据时，可以尝试认知状态条件化合成加 ASR 驱动增强。优先选条件化 CosyVoice2 而非预训练合成器，优先在微调后词错率中等偏低但仍保留多样性的 ASR 模型中挑选目标文本。

倍率先从 2 倍即 1 比 1 混合开始，再向 1.5 倍与 2.5 倍小范围搜索。测试阶段若能承担 1 次额外合成与 2 次推理，可加上零样本合成的概率平均。论文特有的误解要澄清。第一，转写越准不等于增强越好，人工转写干净但与原语音语言高度重叠，ASR 错误反而带来诊断相关的扰动。

第二，合成越多不等于越好，超过约 2.5 倍后准确率回落，说明合成语音不能替代真实分布。第三，自然度指标好不等于检测增益大，条件化目标是有意保留病理特征。未来工作指向跨语言病理合成与用合成数据训练统一理解模型，但跨语言是否保留原有增益仍待验证，部署前还需补延迟成本与误判分析。

⚖️ 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