跨语种情绪为何在中间层最通用：49 层逐层探测揭示的 CRIS 层与类型学轮廓

英文题目：TIMBRE: Layer-Wise Cross-Lingual Speech Emotion Recognition Across 49 Layers and 26 Corpora

会议身份：conference:interspeech:2026:conference-paper-id:marchenko26_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：#评测协议 #跨语言 #语音 #语音情感识别

评分：7.9/10 | 创新 1.4/2 | 技术严谨 1.3/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前25% | 文档类型：方法研究

👥 作者与机构

• Anatoly Marchenko：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

跨语言语音情感识别需将愤怒、高兴、悲伤与中性4类标签从源语库迁移到语言与录制条件迥异的目标语库，难点在于声学线索与语言韵律深度纠缠。该文先将26个语库统一为4类标签并提取27维声学特征与wav2vec2-xls-r-1b全部49个抽取点的平均池化表示，再用固定逻辑回归在有序语库对上训练并跨语库评测形成层深转移张量，最后按语族与韵律类型分组对比层曲线与消融贡献。与仅用末层或全层平均的已有跨语言评测不同，该文把每一层独立作为冻结特征进行跨语库探测，从而分离出通用情感层与语言专用层。在26×26跨语库矩阵评测下，wav2vec2均值池化表示的F1指标为0.355，高于27维声学特征的F1指标0.252。罗曼斯语族呈现U形相对优势而声调语言优势随深度递增，表明韵律类型塑造了跨语言转移的层级轮廓。结论仅适用于冻结线性探测下的表演类情感迁移，对自然对话与微调场景尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://doi.org/10.5281/zenodo.20584918 → https://zenodo.org/records/20662633 — 链接可访问（HTTP 200）
• 数据相关资源：https://doi.org/10.5281/zenodo.20584918 → https://zenodo.org/records/20662633 — 链接可访问（HTTP 200） 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，输出是什么，为什么跨语言情绪识别很难？

本文的输入是一句语音波形，输出是该句的情绪标签。研究把全部标签统一为 4 类，分别是愤怒、高兴、悲伤和中性，每类每个语料最多保留 500 句。目标是在一种语言语料上训练分类器后，直接在另一种语言语料上测试，测试时不接触目标语料的统计量。

对于刚进入语音情绪识别的读者，白话解释是，同一个愤怒在德语戏剧表演和俄语众包录音中听起来很不一样，通道、说话人和录音风格都会变化。如果只在一个语料内划分训练测试，模型可能记住该语料的通道或说话人习惯，换一个语言就失效。跨语料评估迫使表示抓住更通用的情绪线索。

原文使用的证据规模是 26 个语料，覆盖 23 种语言和 14 个语系，分成声调组、罗曼语组、日耳曼语组、斯拉夫语组加另外 11 个语料。声调组包括普通话、粤语、泰语、越南语共 4 个语料，罗曼语组包括巴西葡萄牙语、法语两个语料、意大利语、西班牙语共 5 个，日耳曼语组包括英语、德语两个语料共 3 个，斯拉夫语组包括波兰语、俄语两个语料共 3 个，其余涵盖突厥、印雅利安、闪米特、乌拉尔、达罗毗荼和伊朗语言。语料列举包括 ASED、CaFE、CAVES、DUSHA、EmoDB、emoUERJ、Emozionalmente、ESD 中文子集、爱沙尼亚 EEKK、Hi,KIA、JVNV、Kannada 语料、KazEmoTTS、MDER、MESD、nEMO、Oreau、PAVOQUE、RAVDESS、RESD、ShEMO、SUBESCO、Thai-SER、TurEV-DB、URDU 和 ViSEC。完整语料元数据表、每语料诱发风格、规模和标签集连同许可随公开代码和数据一起发布。

本解读的输出是一套可复述的方法流程、可核对的实验条件和带适用边界的结果。必须保留的信息包括模型名称 wav2vec2-xls-r-1b、49 个抽取点、分类器设置、归一化所用统计量来源、评价指标方向和关键数字的原始精度。修辞不增加证据，凡是原文未测量的延迟、误判率和部署成本都不做承诺。

已有路线在同输入同目标下各自解决了什么，还缺哪一块？

跨语言语音情绪识别已有基准 EmoBox，它评估了 10 个预训练模型在 32 个语料上的表现，但只用了最后一个 Transformer 层，没有做逐层探测。这意味着它回答了哪个模型整体更好，没有回答情绪的跨语言信息藏在模型的哪个深度。

另一条路线是 Transformer 缩小效价差距的工作，它显示 Transformer 模型改善了效价维度的识别，但没有按层评估跨语言迁移。第三条路线是只用 4 个语料的跨语言层探测，它首次把层探测与跨语言结合，但语料太少，无法观察类型学差异。

层探测本身在语音识别和音素任务上有经典结论，不同深度编码不同语言学属性。针对情绪的多模型探测工作在 7 个语料 6 种语言上发现中间层包含最多情绪信息，但只评估了语料内性能，没有评估跨语料迁移。最早把 wav2vec2 用于情绪识别的工作在 2 个语料上学习层加权，同样不是大规模跨语料逐层比较。

手工声学特征路线以 GeMAPS 为代表，把微扰、频率、频谱等参数标准化，用于情感计算。微扰测量如抖动、闪烁和谐噪比被假设为通用情绪关联量，但跨语言的消融证据稀少。韵律类型学提出声调语言用基频区分词义，从而限制基频用于情绪的自由度，预测声调说话人会依赖其他声学通道，本文数据直接检验这一预测。

本文的缺口正是把三者结合起来，对一个大型多语言模型的每一层，在几十种类型差异大的语言之间做情绪迁移探测。前人要么层数少，要么语料少，要么只做语料内评估，本文用 49 乘 26 乘 26 的张量补上这一块。

要回答的具体问题是什么，如何度量算答好了？

具体问题有 3 个。第一，在冻结表示和线性分类器条件下，跨语料情绪迁移在哪一层达到峰值，深层是否会因语言特异化而崩塌。第二，语言类型是否改变层轮廓形状，例如罗曼语组是否呈 U 形相对优势，声调组优势是否随深度增长。第三，在相同语料矩阵和相同分类器下，均值池化 wav2vec2 表示相对 27 维声学特征强多少，声学特征在什么代价下保留多少性能。

度量是跨语料 F1。对每个有序语料对，在一个语料上训练，在另一个语料上测试，取 650 个非对角对的平均值。F1 越高越好，四分类随机基线约 0.25。类型学比较用组内平均减去总平均定义相对优势，并用语料聚类自助法给出 95% 置信带。组归属与语系归属的整体对比用组内迁移与组间迁移的差值及其置信区间判断。

教学例子是，假设用德语 EmoDB 训练，用日语 JVNV 测试，分类器没有见过日语说话人和通道，如果 F1 仍明显高于随机水平，说明表示抓住了跨语言通用线索。本文把这类例子扩展到所有有序对，再按层重复，从而得到层曲线和类型分组曲线。例子中的数值仅为示意，不代表原文报告的某对具体值，具体值以结果节表格为准。

方法全景：一个样本如何走完输入到输出？

沿一个样本走一遍。输入是一句原始波形，先做两条分支中的一条。声学分支用 Parselmouth 和 librosa 抽取 27 个特征，分为微扰、频率、梅尔倒谱系数、频谱、共振峰和能量 6 组，得到一个 27 维向量。wav2vec2 分支把波形送入 wav2vec2-xls-r-1b，该模型有 48 个 Transformer 层加一个卷积特征编码器，共 49 个抽取点，对每一层把该句所有帧的 1280 维向量按时间平均，得到该层一句一个 1280 维向量。

然后进入分类阶段。跨语料实验统一用逻辑回归，L2 正则，C 等于 1.0，不按语料对调参。训练语料的向量训练分类器，测试语料的向量直接送入分类器得到 4 类预测，再与测试语料的真实标签计算 F1。这个过程对每个有序语料对重复 1 次，构成 26 乘 26 矩阵，对每一层重复 1 次，构成 49 乘 26 乘 26 张量，共 31850 次跨语料实验。

跨语料迁移 × 线性探测： 跨语料迁移负责定义泛化问题，即在一个语料上训练分类器后直接在另一个语言语料上测试；线性探测负责固定表示只训练逻辑回归，从而把性能差异归因于表示本身而非分类器容量，二者搭配的原因是避免微调掩盖层间差异，组合意义在于每一层的跨语料分数可以直接比较哪一深度更通用。

关键信息条件是归一化统计量来源。旗舰逐层实验对单层表示用训练语料统计量做 z 分数归一化，任何跨语料实验都不使用测试语料统计量。声学跨语料实验直接用原始声学特征值，不做归一化。消融实验是例外，它是语料内 5 折交叉验证，用训练折内统计量做 z 分数归一化，并对核支持向量机做网格搜索，这部分只用于特征重要性，不用于跨语料主比较。

表示组件：27 维声学向量与 1280 维深层向量各自算什么？

声学向量先用白话解释。微扰组描述声音周期间的抖动和噪声，包括抖动、闪烁和谐噪比。频率组描述基频均值、基频标准差和浊音占比。梅尔倒谱系数取 0 到 12 共 13 个系数，描述音色包络。频谱组包括频谱质心、带宽、滚降和过零率。

共振峰组为第一到第三共振峰。能量组为均方根能量。英文名分别为 perturbation、frequency、MFCC、spectral、formants 和 energy。

深层向量是 wav2vec2-xls-r-1b 各层的均值池化输出。白话解释是，卷积编码器先把波形变成帧级特征，Transformer 层逐层加入上下文，每一层都可以抽出一套帧表示，平均后得到句表示。维度固定为 1280，与层数无关。

均值池化 × 单层表示： 均值池化负责把一句语音所有帧的 1280 维向量按时间平均成一句向量，单层表示负责只取 49 个抽取点中某一层的向量，二者搭配的原因是主比较需要一句一个向量才能做逻辑回归，组合意义在于既能得到跨 48 层平均的基线，也能得到逐层曲线从而定位 CRIS 层。

组合机制的搭配理由是，主比较要求公平。实验 1 用 27 维声学特征做 26 乘 26 跨语料逻辑回归，实验 2 把特征换成跨 48 层平均的 wav2vec2 表示但分类器完全相同，实验 3 把特征换成 49 层中某一层的表示并加上训练集归一化。这样性能差异只能来自表示本身，而非分类器调参。消融实验单独用核支持向量机做语料内 6 组留一组消融，用于回答哪组声学特征更重要，不与跨语料主结果混用指标口径。

本研究训练了什么，没有训练什么，真实计算发生在哪里？

本研究没有训练或微调 wav2vec2-xls-r-1b 的任何参数，也没有训练新的神经网络。上游编码器全程冻结，只做前向推理抽取特征。真实训练的只是每个语料对上的线性分类器，即逻辑回归，固定超参数 C 等于 1.0，遵循 EmoBox 惯例，避免按对调参带来的乐观偏差。

因此不存在反向传播进入骨干网络的梯度路径，不存在学习率调度、早停和参数重置问题。监督来源是源语料的人工情绪标签，统一到 4 类后每类最多 500 句。推理阶段是目标语料的前向特征抽取加逻辑回归预测。

表演强度 × 诱发方式： 表演强度负责描述情绪表达的夸张程度，如戏剧化表演相对克制朗读，诱发方式负责描述语料采集方式，如表演、朗读、众包和自然发生，二者搭配的原因是同一语言内部不同语料的迁移差异可能大于语言之间差异，组合意义在于说明整体可迁移性更多由单个语料的表达风格驱动而非语系归属。

需要区分的另一类训练是消融用的语料内支持向量机。它用径向基核，在训练折内网格搜索 C 和伽马，做 5 折交叉验证，每次留出一组声学特征观察 F1 下降量。这部分有超参数搜索，但仅用于特征重要性排序，不能与跨语料逻辑回归的数字直接比较。原文未报告硬件预算和 wall-clock 时间，复现时应把主要成本记为 49 层特征抽取与 31850 次逻辑回归拟合，而非梯度训练。

实验条件：数据划分、协议、基线与聚合口径如何对齐？

数据划分为跨语料有序对。26 个语料两两配对，去掉对角线自测，剩余 650 个跨语料方向。每个方向独立训练一个分类器并在目标语料上算 F1，再做大平均。层曲线是先对 650 个方向平均得到每层一个 F1，再看层间趋势。类型曲线是按语言组对输出方向分组平均，例如声调组作为训练源或测试目标的平均，原文图 2 为按组平均的输出跨语料迁移。

协议细节按 4 个实验编号。实验 1 是声学跨语料，用原始值逻辑回归。实验 2 是 wav2vec2 跨层均值池化跨语料，分类器与实验 1 相同。实验 3 是旗舰逐层跨语料，对 49 层独立重复实验 1 协议，单层表示用训练语料统计量做 z 分数归一化，共 31850 次。实验 4 是声学消融，在 25 个语料上做语料内核支持向量机 5 折交叉验证，语料集合与前 3 个实验不完全相同，因许可和标签覆盖约束多了 3 个、少了部分语料，细节见发布数据。

基线包括四分类随机约 0.25、第 0 层输入级性能、27 维声学特征和跨层均值池化表示。聚合对象必须核对清楚，组内迁移在第 15 层的计算只覆盖 4 个分组的 15 个语料，44 个组内对相对 166 个组间对。统计方法为语料聚类自助的差值 95% 置信区间。缺项是原文未给出每语料划分的随机种子和每对 F1 方差全表，复现应固定随机种子并保存 650 对矩阵以便重算组平均。

主结果：跨语料迁移在哪一层见顶，深层崩塌有多大？

先看层曲线的教学价值。该图横轴为层编号，纵轴为 650 个跨语料方向的大平均 F1，曲线先升后降，深层陡降。粉色高亮带标出 12 到 18 层的平台区，红点标出第 15 层最早达到峰值。像素上起点在 0.26 附近，10 层附近接近 0.38，峰值接近 0.39，40 层之后快速跌回 0.30 以下。

看图路径： 1. 先看横轴层编号 0 到 48 与纵轴跨语料平均 F1，确认起点接近 0.26 附近；2. 再看 10 层附近快速爬升段与 13 到 18 层浅粉色高亮 plateau 区；3. 接着找到标为 L15 数值为 0.392 的红点，确认其为最早达到峰值的层；4. 最后看 40 层之后陡峭下跌段，确认末端回落到接近起点水平

论文图 2。原论文 Figure 1：“Cross-corpus transfer F1 by wav2vec2 layer.”。

该图显示的定量关系是，从第 0 层经过第 10 层到第 15 层逐步上升，之后缓慢下降，45 层急剧崩塌到接近起点。原文把第 15 层定义为跨语言表示整合层，即 CRIS 层，为跨语言表示整合地层，位于约 31% 深度。12 到 18 层为宽峰平台，推荐取第 15 层或平台内任一层作为冻结特征抽取点，而非惯用的最后一层或全层平均。深层大于 40 层崩塌到输入级性能，解释为对预训练语言分布的语言特异化。

下表把曲线上 4 个可核对锚点放在同一指标下比较，指标均为跨语料大平均 F1，越高越好，条件为单层均值池化表示加固定逻辑回归。表前已说明公平条件是同一 650 对矩阵和同一分类器，表中数字直接来自正文连续句，精度保留原文写法。

表后解释是，主要收益在中间层。从第 0 层约 0.263 到第 15 层 0.392 提升明显，而第 45 层 0.296 相对峰值下降 24.6%，几乎抹去深层上下文带来的好处。代价是该推荐是平台内的点估计，15 层与 18 层到小数点后 4 位打平，换模型如 HuBERT 或 WavLM 时 CRIS 层可能移动。未胜出项是上层大于 40 层的表示，它们在跨语料条件下不如中层，不能用最后一层默认部署。

声调语言 × 基频： 声调语言负责提供一种韵律约束，即普通话、粤语、泰语、越南语用基频区分词义，基频负责同时承载声调和情绪两种功能，二者搭配的原因是当基频的词汇负载升高时情绪编码必须寻找其他通道，组合意义在于解释为何声调组随层数加深相对优势上升，与非基频通道被模型逐步利用的假设对应。

声学特征与深层表示在同一矩阵上差多少，谁在哪些语料上反超？

这个问题测的是表示差距，不是分类器差距。比较条件是同一 26 乘 26 矩阵、同一逻辑回归 C 等于 1.0，一边是 27 维声学特征，一边是 wav2vec2 跨层均值池化 1280 维表示。指标方向仍是跨语料大平均 F1 越高越好。

结果是均值池化 wav2vec2 平均 0.355，声学特征平均 0.252，相对高出 41%。声学特征保留均值池化基线的 71.0%，复杂度低 3.7 乘 10 的 7 次方倍，该比值为上游编码器参数量约 10 的 9 次方相对特征维度 27。相对最优单层第 15 层 0.392，声学特征保留 64.3%。按测试语料计数，声学特征只在 26 个中的 3 个上更高，其余 23 个均为 wav2vec2 更高。

下表把大平均与按测试语料的输入方向平均放在一起，输入方向平均指固定测试语料、对 25 个训练源平均。表前公平条件已对齐为相同分类器和相同矩阵，表中胜负按输入 F1 比较。

表后解释是，主要收益属于深层表示，但在 3 个语料上声学特征反超，分别是土耳其 TurEV-DB、韩语 Hi,KIA 和西班牙语 MESD，其中前两者恰是 wav2vec2 最弱的迁移目标，MESD 差距仅 0.294 对 0.292。深层大胜的例子包括日语 JVNV 的 0.210 对 0.495、德语 EmoDB 的 0.338 对 0.613、普通话 ESD 的 0.244 对 0.503。代价是深层表示需要约 10 亿量级上游参数，而声学特征是近零成本可解释基线，约为三分之二的跨语料质量。未评测边界是该比较用均值池化而非最优单层，若换成第 15 层差距会更大。

类型轮廓与特征消融：相对优势如何随深度变化，哪组特征最重要？

类型分组曲线把层曲线按语言组拆开。需要先澄清，图注明确指出罗曼语 U 形曲线和声调晚期上升指的是每组相对总平均的相对优势，而非图中绝对曲线的高度。绝对曲线上 4 组都呈先升后降，但相对位置随深度变化。阴影带为 95% 语料聚类自助置信区间，像素上各带大面积重叠，与 4.2 节组归属整体对比微弱的结论一致。

看图路径： 1. 先对照图例确认四条线：罗曼语红色圆点、声调组绿色三角、日耳曼蓝色方块、斯拉夫紫色菱形；2. 再看纵轴为按韵律类型分组的平均跨语料 F1，横轴为层数，比较各线绝对高度；3. 注意每条线周围半透明阴影为 95% 语料聚类自助置信带，观察它们大面积重叠；4. 最后比较罗曼语线在中段明显偏低而声调组在深层相对上扬，理解相对优势而非绝对值

论文图 1。原论文 Figure 2：“Mean outgoing cross-corpus transfer F1 by language group and wav2vec2 layer; shaded bands are 95% corpus- clustered bootstrap CIs (the bands overlap, consistent with the weak…”。

像素可见的内容是，罗曼语红线在浅层相对较高，中段低于总平均，深层部分回升。原文量化为第 0 层优势正 0.041，第 15 层负 0.023，第 35 层正 0.004。解释为浅层抓住罗曼语内元音音质相似性，中层抽取语言通用情绪特征时聚类优势消失，深层重新编码语言特异模式时部分重聚。声调组绿线从第 0 层负 0.004 到第 15 层正 0.055 再到第 35 层正 0.075，随深度单调上升。解释为基频词汇负载降低其情绪可用性，模型越来越依赖非基频通道，从而在遗传距离大的语言间形成趋同表示，但声调本身在这些语言间是区域扩散，限制遗传推断。

微扰特征 × 梅尔倒谱系数： 微扰特征负责刻画抖动、闪烁和谐噪比等逐周期不稳定性，梅尔倒谱系数负责刻画共振峰包络和音色，二者搭配的原因是消融要区分音质粗糙度通道与音色通道对情绪的贡献，组合意义在于发现梅尔倒谱系数普遍最重要而微扰特征只在罗曼语组系统性有效，提示通道的跨语言通用性不同。

消融结果是梅尔倒谱系数普遍最重要，平均下降 0.097。微扰呈语言依赖效用，罗曼语 5 个语料平均下降 0.033 且全部为负，非罗曼语 20 个平均下降 0.007，曼惠特尼检验 p 小于 0.001，d 等于负 2.7，样本为 5 对 20。组归属整体对比微弱，第 15 层组内迁移 0.410 对组间 0.425，差值 95% 区间负 0.061 到正 0.029 包含零，语系内 0.393 对语系间 0.407，区间负 0.071 到正 0.036 同样包含零。个别小组数值高如声调组内 0.447、日耳曼语系内 0.479，但后者 n 等于 3 且受表演型 EmoDB 驱动，样本太少。结论是整体可迁移性由单语料表达力和诱发风格驱动，而非组或语系归属。

哪些结论站得住，哪些只是探索性提示？

站得住的是层曲线的整体形状。在 650 对大平均下中间层峰值与深层崩塌明确，第 15 层 0.392 与第 45 层 0.296 的差距远大于平台内波动。同样站得住的是同一分类器下深层表示平均优于声学特征，以及声学特征只胜 3 个语料的计数，因为条件完全对齐。

探索性的是类型学轮廓。罗曼语基于 5 个语料且含两个法语语料，声调组基于 4 个语料且其中两个为汉藏语系，语料规模与分组共变，5 个罗曼语料中 4 个是全集中最小之列，4 个声调语料都是最大之列。原文明确提示这些模式应视为探索性。置信带重叠也支持组归属整体对比微弱，不能把某层的组间排序推广为每对都成立。

其他限制包括 25 个语料为表演、朗读或众包表演，仅 URDU 为自然发生，因此结论主要关于表演情绪迁移。层推荐是宽峰内的点估计，12 到 18 层为平台。只探测 wav2vec2-xls-r-1b 一种模型，CRIS 层在其他自监督模型可能移动。逻辑回归可能低估各层容量，相对微调的排序可能变化。语内差异如 EmoDB 与 PAVOQUE 的差异可超过语间差异，选源语料时不能只看语系标签。

要复现这套 31850 次实验，先做什么，需要什么信息条件？

先准备数据与标签。按原文 26 语料清单获取音频，把标签映射到愤怒、高兴、悲伤、中性 4 类，每类每语料上限 500 句，保留诱发方式、规模和许可元数据。资源状态是正文开源声明的唯一依据，当前代码与数据集链接可用，地址为 Zenodo 的 20584918，状态码 200，可写当前可用已公开，复现应从该地址获取代码和语料元数据表。

再跑特征抽取。对声学分支用 Parselmouth 和 librosa 按 6 组抽 27 特征，跨语料时用原始值，不引入目标语料统计量。对深层分支用冻结的 wav2vec2-xls-r-1b 抽 49 个点，每句每层做时间均值得到 1280 维向量，逐层实验用训练语料均值方差做 z 分数归一化。

然后跑分类矩阵。对每个有序对训练逻辑回归 L2 且 C 等于 1.0，不调参，记录 650 对 F1。对 49 层重复得到 31850 次，再算大平均层曲线和分组曲线，用语料聚类自助算 95% 区间。消融分支单独用核支持向量机在 25 语料上做 5 折交叉验证和 6 组留一组消融，注意该集合与主矩阵不完全相同。还需补的验证是固定随机种子、报告 650 对标准差、补测另一自监督模型和自然语料上的层曲线，以检验 CRIS 层是否稳定。

何时值得用第 15 层，何时用声学特征就够了？

当任务是多语言部署且允许加载冻结 wav2vec2-xls-r-1b 时，值得尝试第 15 层或 12 到 18 层平台内任一层的均值池化表示，而不是默认最后一层或全层平均。原文证据是峰值 0.392 出现在第 15 层，深层 45 层跌到 0.296，平台外尤其是大于 40 层损失大。做法是冻结骨干，只在源语言上训练线性头，直接迁移到目标语言，归一化只用源语料统计量。

当计算或可解释性约束排除自监督模型时，27 维手工声学特征是透明 fallback。它保留均值池化基线 71% 的质量，复杂度低 3.7 乘 10 的 7 次方倍，但在 26 个测试语料中只胜 3 个，且胜幅至多 0.025。如果目标接近土耳其 TurEV-DB 或韩语 Hi,KIA 这类深层弱目标，可先试声学基线再决定是否加载大模型。

常见误解是把类型学相对优势当成绝对性能排序。原文图 2 的罗曼语 U 形与声调晚期上升都是相对总平均的优势变化，且置信带重叠，不能推出任一深层上声调语料绝对高于其他组。另一个误解是把组内平均高当成同语系必然互助，整体组内 0.410 对组间 0.425 区间包含零，真正拉开差距的是 EmoDB 这类戏剧化表达相对 DUSHA 这类众包克制表达，以及泰语到 EmoDB 达 0.562 这类高表达目标的组合。选源语料应优先看表达强度和诱发方式，而非只看语系标签。

⚖️ 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