老年语音为何让编解码器伪造检测失效：多模态表示与分布对齐的补位

英文题目：Bridging the Age Gap: Towards Detecting Neural Audio Codec Synthesized Elderly Speech Deepfake

会议身份：conference:interspeech:2026:conference-paper-id:phukan26_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：#数据集 #模型融合 #公平性 #多语言 #音频深度伪造检测

评分：7.3/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1.2/1.5 | 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

• Orchid Chetia Phukan：机构信息未能从会议 PDF 纯文本可靠映射
• Girish：机构信息未能从会议 PDF 纯文本可靠映射
• Mohd Mujtaba Akhtar：机构信息未能从会议 PDF 纯文本可靠映射
• Chi-Chun Lee：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

老年语音深度伪造检测需要区分真实老年语音与经神经音频编解码器（Neural Audio Codec，NAC）编解码重建的合成语音，难点在于老年人气息声增强与基频不稳等声学偏移会让在年轻语音上训练的检测器失效并带来诈骗隐患。该工作先用公开老年语料构建覆盖多种编解码器配置的英汉双语老年伪造数据集，再冻结多模态与语音基础模型抽取音频表征并比较下游检测性能，最后提出融合框架对齐双路表征并联合优化分类与对齐目标。与直接拼接或单模型相比，该框架用对称有界散度约束不同预训练分布进入一致空间，从而更稳定地利用互补信息并抑制分布失配带来的融合退化。在老年测试集上最佳融合平均等错误率（Equal Error Rate，EER）达到1.66%，明显优于单模型与已有基线。该结论目前仅限于编解码重建式伪造与英汉老年语料，未验证文本到语音或变声生成的跨攻击泛化。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://helixometry.github.io/ElderlyCodecFake/ — 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？要解决的老年伪造检测问题是什么？

本文输入是一段待判别的语音波形，目标是判断它是真实老年录音，还是经神经音频编解码器重建合成的老年伪造语音。学习目标读者需要先建立 3 个必须保留的信息。第一，任务名是老年编解码器伪造检测，英文为 Elderly CodecFake Detection，缩写为 ECFD，数据集名为 Elderly-CodecFake，缩写为 ECF，覆盖英语与汉语。

第二，伪造不是传统文本转语音或声码器直接合成，而是把真实老年语音送入神经音频编解码器的预训练编码器得到离散隐序列，再用对应解码器重建，语言内容与说话人身份大体保留，但留下每种编解码器特有的失真。第三，输出是二分类判决，评价指标是等错误率，英文为 Equal Error Rate，缩写为 EER，数值越低越好。本文要复述的方法起点是：先沿一个样本走完输入波形、冻结基础模型表示、轻量后端或融合模块、分类损失与对齐损失、真伪输出，再讨论数据构造与实验对照。

神经音频编解码器 × 编解码器伪造： 神经音频编解码器负责把波形压缩为离散隐序列再重建为波形，分工是音频语言模型的编码与合成底座；编解码器伪造指经该编码解码流程重建、保留内容与音色但带入编解码器失真的合成语音，分工是本文要检测的新型伪造类型；二者搭配的原因是前者的重建失真构成了后者的可检测痕迹，组合意义在于把检测目标从声码器伪影转向编解码器引入的离散化与重建伪影。

本解读默认从原文独立写作，事实只来自论文正文证据与本次收到的官方原图像素。资源状态是正文开源声明的唯一依据，本文涉及的代码与数据页面本次核验为可用，状态码为 200，地址为论文脚注给出的展示页，解读中凡写当前可用均指该次核验结果，不引申为长期有效。后续各节按学习依赖展开，先讲年龄鸿沟为何存在，再讲数据如何平行构造，再讲单模型表示与融合机制，最后讲训练条件、结果与复现动作。

已有路线走到了哪里？为什么老年仍是缺口？

已有路线可分为 3 段。早期用手工特征加传统分类器，随后用深度网络直接判别，再到用 Wav2vec2 与 WavLM 等大规模语音基础模型迁移到伪造检测，都在青年为主的基准上取得进展。针对编解码器伪造，吴等人与卢等人的工作首先指出，在传统声码器数据集上训练的模型遇到编解码器伪造会失效，并建立了初始基准与检测策略，后续又有大规模数据集与语义声学融合等跟进。但原文明确指出，这些编解码器伪造资源主要基于较年轻成年说话人，忽略了其他人口群体。

老年语音具有不同的声带与发声特性，原文列举为气息声增强、基频稳定性下降、时序模式不规则，这些差异在相关领域已足以支撑专门的老年情感与副语言基准，而编解码器伪造检测尚未补上这一环。教学例子：可以把青年模型比作只见过标准普通话朗读的听音人，突然去听带浓重年龄性嗓音的自然对话，即使伪造痕迹类型相同，底噪与音色分布变了也会误判。这个例子只用于理解分布偏移，不附加任何数值主张。

原文用可视化支持该判断，细节在问题一节结合原图说明。

年龄差异长什么样？真伪判断难在哪里？

本节要回答的比较问题是：在相同语料与相同编解码器条件下，青年与老年语音是否本来就分属不同分布，以至于检测器不能直接搬运。论文给出 TIS 语料的可视化证据，左为真实语音，右为编解码器伪造语音，两幅子图都按青年与老年着色。导读如下：读者应先把左右子图当作两个独立条件，横纵轴是降维后的可视坐标，不代表频率或时间物理量，颜色才是年龄身份，点密度只反映样本聚集，不直接等于检测难度。

看图路径： 1. 先确认左右两幅子图分别对应真实语音与编解码器伪造语音；2. 再看绿色青年点团与橙色老年点团是否各自成团且互不重叠；3. 最后比较左右两图分离模式是否一致以判断年龄差异独立于真伪

论文图 1。原论文 Figure 1：“t-SNE Plots for Real Speech (a) and CF Speech (b) samples for TIS Corpus[28]; Clear separation of Young and Elderly Speech can be observed in both Real and CF scenarios”。

从本次收到的原图像素看，左图与右图都呈现绿色青年点形成若干紧凑团块、橙色老年点形成右侧大片连续云的格局，两类颜色之间有清晰空隙，即使右图已加入编解码器重建失真，年龄分离模式依然存在。这支持原文判断：年龄差异同时存在于真实与伪造场景，不是伪造过程偶然引入的。因此检测难在两层叠加，一层是真伪之间的编解码器失真很细微，另一层是老年与青年基线分布先错开，旧模型学到的青年真伪边界平移到老年空间会系统性偏置。未验证的推测是多模态预训练见过老年人脸与场景因而更懂老年声音，本文将其当作待检验假设处理，不在此时当作结论。

整体方案如何组织？单模型与融合各管什么？

方法全景可沿一个样本走一遍。输入波形先重采样到 16 千赫兹以兼容各基础模型，送入冻结的基础模型，只用音频编码器分支，取最后隐层经平均池化得到定长向量。单模型路线把该向量直接送 AASIST 或 1 维卷积后端做二分类。融合路线同时走两个不同的冻结基础模型分支，各自经 1 维卷积、最大池化、展平与投影到共享维度，再经 softmax 转成概率分布求詹森香农散度对齐损失，同时把对齐前的特征拼接送全连接网络做分类，总损失是分类交叉熵与对齐损失的加权和。

导读如下：看总览图时先找底部输入与顶部输出的主干，再找中间黄色对齐模块与灰色拼接模块的分合位置，注意虚线表示损失回传，不是前向数据流。

看图路径： 1. 先沿底部输入波形向上追踪两条基础模型分支的主路径；2. 再看一维卷积与最大池化后展平特征在哪里进入詹森香农散度模块；3. 最后看拼接特征如何进入全连接网络并同时产生分类与对齐两路损失

论文图 2。原论文 Figure 2：“Proposed Framework: BONSAI; JSD stands for Jensen- Shannon Divergence”。

从本次收到的原图像素看，底部波形分叉到左右两个标有雪花冻结符号的基础模型框，各经表示条、1 维卷积与最大池化框、展平条后，一路水平进入中间黄色 JSD 框做分布对齐，一路垂直进入顶部灰色 Concat 框做拼接，再经浅蓝色 FCN 框到输出，右侧虚线标出分类损失与对齐损失汇成总损失。这张图把后文 3 个细节 1 次定位：冻结意味着基础模型参数不更新，可训练的是卷积、投影与分类部分；对齐发生在投影后、拼接前；最终监督同时来自真伪标签与表示一致性。原文报告融合中语言绑定与图像绑定的组合最强，具体数字留到结果节对照。

用了哪些基础模型？表示维度与冻结方式是什么？

基础模型分两类，共 5 个。语音类为 Wav2vec2、WavLM 与 Whisper，均用基础版本。Wav2vec2 用对比学习自监督训练，在编解码器伪造检测中已与 AASIST 搭配见效；WavLM 用掩码预测加语音去噪自监督，在语音处理基准与伪造检测中表现强；Whisper 用多任务监督预训练，覆盖 96 种语言，与前两者以英语为中心不同，近期在伪造检测中居前。

多模态类为 LanguageBind 与 ImageBind。LanguageBind 把视频、深度、音频、红外等模态对齐到冻结语言编码器；ImageBind 把图像、音频、文本、惯性测量、深度、热成像等映射到以图像为中心的共享空间，用 InfoNCE 目标实现无显式配对监督的跨模态泛化。原文只用多模态模型的音频编码器分支，不用图像或文本分支。所有音频先重采样到 16 千赫兹，从冻结模型的最后隐层取表示并平均池化，嵌入维度为语言绑定、Wav2vec2、WavLM 是 768 维，图像绑定是 1024 维，Whisper 编码器是 512 维。

冻结的含义是这些维度与权重在下游训练中不更新，梯度只流经后端的卷积、投影与分类层，原文未报告解冻对照，因此不推测解冻会更好。

多模态基础模型 × 语音基础模型： 语音基础模型分工是从大规模无标注或弱监督语音中学习声学表示，如 Wav2vec2 做对比学习、WavLM 做掩码预测与去噪、Whisper 做多任务监督；多模态基础模型如 LanguageBind 与 ImageBind 分工是通过跨模态对比学习把音频与语言、图像等对齐到共享空间，隐式见过老年人脸与场景；搭配理由是老年语音的气息声、基频不稳与时序不规则超出纯语音表示的覆盖，组合意义是用跨模态先验补足年龄相关上下文理解。

AASIST × 卷积神经网络下游分类器： AASIST 分工是以图神经网络建模频谱与时序维度的集成伪造痕迹，是语音伪造检测常用重型后端；卷积神经网络下游分类器分工是以 1 维卷积加最大池化加全连接做轻量判别，本文沿用 1 维卷积核尺寸为 3、32 个滤波器的配置；搭配比较的理由是检验同一冻结基础模型表示在不同容量分类器下的表现，组合意义在于揭示 AASIST 在此老年任务上更易过拟合，而轻量卷积反而更稳。

初学者易误解多模态在此等于同时输入人脸照片，实际推理输入仍只有音频，跨模态知识只以预训练权重的形式存在，不在测试时引入新模态。

BONSAI 如何把两个表示对齐再分类？

BONSAI 全称是经詹森香农散度桥接融合，核心是把分布对齐当作可学习的融合机制，而不是简单拼接。设两个基础模型分支经卷积池化展平投影后得到向量，记为 ea 与 eb，先经 softmax 归一化为概率分布 p 与 q，定义均值分布 m 为二者平均，对齐损失为两项库尔巴克莱布勒散度到 m 的平均，最小化它会促使两个异构表示既保留互补又趋于一致。

随后拼接特征送入全连接网络，含 120 个神经元的稠密层加带 softmax 的输出层，总目标为交叉熵分类损失与对齐损失的加权和，权重由系数控制，对齐权重在验证实验中选为 0.65。原文解释选用该散度的理由是不同基础模型的预训练目标不同，表示分布特性不同，直接拼接或线性融合不管分布失配，而该散度对称有界，能稳定地度量各自分布偏离共享均值的程度。

原文还报告试过库尔巴克莱布勒散度作对齐目标，但收敛欠稳且效果不如 BONSAI，与简单拼接相当，因篇幅未列详细数字，因此本文不把该失败对照写成定量表，只记录方向性结论。

詹森香农散度 × 特征拼接融合： 特征拼接融合分工是把两个基础模型分支处理后的特征直接连在一起送分类器，简单但不管分布失配；詹森香农散度分工是对两个分支经投影与 softmax 得到的概率分布求其与均值分布的对称有界距离并最小化，促使异构表示在统一空间对齐；搭配理由是不同预训练目标导致表示分布特性不同，直接拼接会保留失配，组合意义是先对齐再拼接，让互补信息能被同一分类器有效利用。

需要保留的实现细节是每分支先过核尺寸为 3、32 个滤波器的 1 维卷积加最大池化，与单模型卷积后端相同，再展平投影到共享维度以保证维度 1 致并降计算开销，可训练参数总量随基础模型维度在 3.8M 到 4.02M 之间。原文未给出投影维度的具体数值与梯度是否在对齐分支截断的说明，这是具体缺项，复现时需以公开代码为准，不从模型名推定。

数据如何构造？训练与验证如何划分？

训练在此有两层含义，一层是数据集构造中的编解码器重建，另一层是检测器的监督训练，都按原文交代。真实老年语音来自两个公开语料。SeniorTalk 记为 E1，是针对 75 岁至 85 岁高龄老人的汉语自然对话，含 55.53 小时、202 位说话人、覆盖 16 个省份；TIS 语料记为 E2，是英语语料，共 1152 条、96 位说话人，覆盖 18 岁至 45 岁青年与 60 岁以上老年及多种族背景。

伪造构造沿用吴等人与卢等人的流程，每条真实语音经某种神经音频编解码器的预训练编码器转为离散隐序列，再经对应解码器重建，得到内容与身份保留但带该编解码器失真的平行伪造样本，每条真实对应每种编解码器各一条。所用编解码器共 14 种变体，覆盖描述音频编解码器、EnCodec、SoundStream、语音分词器、FunCodec、AudioDec、SNAC 与 Mimi 的不同采样率配置。SeniorTalk 沿官方划分，训练与验证伪造用 SNAC、描述音频编解码器、EnCodec、SoundStream、语音分词器与 FunCodec 及其变体，测试伪造用 AudioDec、SNAC 与 Mimi 及其变体。

TIS 无官方划分，按说话人独立切分，8 人训练、2 人验证、2 人测试，所有切分伪造生成流程与 SeniorTalk 一致。下表先提出构造问题：在两种语言与 14 种编解码器下，真实与伪造规模是否足以支撑年龄对照，指标方向是数量越大覆盖越广，但需同时核对说话人独立性。表前说明至此，表中数字与单位保留原文写法，裸值为原表头或原文单位约定，不逐格追加百分号。

表后解释如下。主要收益是平行构造保证内容与说话人可控，伪造与真实一一对应，便于把性能差异归因于编解码器失真与年龄分布，而非文本差异。

具体代价是伪造总量达 850486 条，训练与存储开销大，且 SeniorTalk 测试与训练所用编解码器集合不同，天然包含编解码器泛化考验。未胜出项是 TIS 老年真实仅 720 条的量级远小于 SeniorTalk，英语老年结论的统计稳健性弱于汉语部分，这是就近说明的边界，跨语言平均时需谨慎。检测器训练把 SeniorTalk 与 TIS 训练集合并，验证与测试各自独立进行，所有模型训练 20 轮，学习率为 1e-3，批量为 32，用 Adam 优化器与交叉熵损失，BONSAI 对齐权重为 0.65，训练中用丢弃与类别加权处理过拟合与类别不平衡。

评测条件如何保证可比？基线与指标是什么？

实验按问题组织。第一个问题是旧模型能否直接用于老年，做法是把在卢等人英汉编解码器伪造数据集上训练的 AASIST 与 Wav2vec2 加 AASIST 直接测到老年测试集，并额外用相同编解码器为 TIS 青年子集生成伪造作年龄内对照。第二个问题是何种表示更适合老年，做法是在老年域内重新训练，比较端到端 AASIST、不同基础模型加 AASIST 或卷积后端。

第 3 个问题是融合是否进一步提升，做法是在相同结构与训练协议下比较简单拼接与 BONSAI 对齐融合，覆盖语音加语音、语音加多模态、多模态加多模态多组配对。评价指标统一为 EER，方向是越低越好，遵循先前伪造与编解码器伪造工作。公平条件是后端结构与实现严格沿用卢等人与 Phukan 等人的配置，融合对照除有无对齐损失外结构与协议相同。下表聚焦可复现的运行条件，问题是复现需要哪些冻结、维度与预算信息，表中数字保留原文写法。

表后解释如下。主要收益是冻结大模型只训轻后端使复现成本可控，3.8M 到 4.02M 的可训练量在单卡可承受范围。

具体代价是原文未报告投影共享维度、卷积后展平长度、类别权重数值与硬件耗时，推理延迟与帧率也未测量，因此不能承诺延迟改善。未评测边界是未报告解冻基础模型或更换采样率的影响，复现时不应自行改动这些条件去比较优劣。

旧模型在老年上掉多少？新基准强在哪里？

先看零样本结果。把在旧基准上训练的模型直接测到老年测试集，AASIST 在 SeniorTalk、TIS 青年、TIS 老年的 EER 分别为 30.18、14.07、27.45，Wav2vec2 加 AASIST 对应为 28.32、12.89、25.76。比较问题是退化能否只用分布失配解释，公平条件是青年与老年子集相对训练集都是域外，但青年显著更好，老年几乎翻倍，因此原文判断除分布失配外还有年龄声学差异的额外作用，其中带基础模型骨干的后者更优。导读如下：看年龄分离图时应把颜色当年龄、左右当真伪条件，点团分离说明年龄是独立偏移源，这与此处青年好、老年差的数字趋势互相印证。

零样本跨数据集评测 × 域内训练评测： 零样本跨数据集评测分工是把在 Lu 等人旧编解码器伪造数据集上训练的模型直接测到老年测试集，不接触老年训练数据，用于暴露年龄鸿沟；域内训练评测分工是合并老年训练集重新训练再在老年验证与测试集上评测，用于看表示与融合的上限；搭配理由是只有两段对比才能区分分布失配与年龄声学差异各自的影响，组合意义是先证伪旧模型的泛化，再给出新基准的可复现起点。

再看域内结果。端到端 AASIST 平均 EER 为 14.10，语音基础模型加后端可降到 8 到 11 区间，而多模态的图像绑定与语言绑定可降到 5 到 6 区间，卷积后端略优于 AASIST 且更轻，原文认为 AASIST 更易过拟合。t-SNE 定性分析显示语言绑定的真伪分离与成团明显好于 Wav2vec2。导读如下：比较真伪可视化时先确认图例绿色为真实、橙色为伪造，再看混叠程度，不把坐标数值当物理量。

看图路径： 1. 先确认左右子图图例中绿色为真实、橙色为伪造；2. 再比较左图语音模型表示下两色是否大面积混叠；3. 最后看右图多模态表示下绿色是否形成独立团块以判断可分性提升

论文图 3。原论文 Figure 3：“t-SNE Plots (a) Wav2vec2 (b) LanguageBind”。

从本次收到的原图像素看，左图 Wav2vec2 下橙绿两色大面积交织成一团，几乎看不到纯色团块，右图语言绑定下绿色在左侧形成多个独立紧凑团、橙色在右侧形成大片云，两色边界清晰。这支持多模态表示更适合老年检测的判断，但属于定性支持，不单独证明因果。下表给出可运行策略的定量对照，问题是最佳融合相对单模型与旧基线提升多少，指标方向为 EER 越低越好。

表后解释如下。

主要收益是 BONSAI 融合语言绑定与图像绑定取得平均 1.66%，在 E1 为 1.80%、在 E2 老年为 1.51%，全面低于单个基础模型与有竞争力的旧基线，建立新基准。具体代价是该收益依赖域内老年训练数据与双分支推理，参数与计算翻倍，且 TIS 老年测试仅来自 2 位说话人，1.51% 的绝对值不宜外推到所有老年英语人群。未胜出项是语音加语音融合提升微弱，说明同类表示互补有限，这是就近说明的负结果，也提示不应为凑分支数而融合。

换掉对齐或换掉组合会怎样？哪些搭配真正互补？

消融按配对组织。在相同结构与训练协议下，BONSAI 在所有基础模型配对上一致优于简单拼接，证明显式分布对齐能更有效利用互补信息。增益幅度有规律：语音加语音配对提升 modest，多模态加多模态或语音加多模态提升更明显，其中语言绑定与图像绑定的组合最强，平均 EER 达 1.66%，优于任一单模型与拼接基线。原文还提到以库尔巴克莱布勒散度替代对齐目标时收敛欠稳、效果不如 BONSAI、与拼接相当，因篇幅未列数字，本文将其记为方向性失败条件，不虚构数值。

教学例子：可把拼接比作把两种方言的笔录直接订在一起，评委仍需适应两种笔迹；对齐则是先统一成同一种誊写格式再装订，评委更易对照。这个例子只用于理解先对齐后分类，不证明散度选择的必然性。限制是原文未报告去掉分类损失只留对齐、或去掉拼接只留对齐特征的对照，也未报告对齐权重在 0.65 附近的敏感度曲线，因此不能说拿掉分类后必然怎样，只能说在报告的加权下对齐带来一致增益。

证据的边界在哪里？哪些结论还不能下？

需要区分 3 类表述。直接报告的是旧模型在老年上 EER 接近翻倍、域内多模态优于语音单模型、BONSAI 融合最优且平均为 1.66%，这些有数字支持。有限解释的是多模态因跨模态预训练见过老年人脸与场景而更懂老年声音，t-SNE 与性能趋势支持该假设，但未做因果干预，不能写成已证明。未验证推测是把该结论推广到其他语言、其他年龄段或实时部署，原文明确把扩展到更多语言列为未来工作，当前只有英汉证据。缺失证据不是技术错误，但复现与引用时必须点明。

具体缺项包括投影共享维度、展平长度、类别权重数值、统计显著性检验、误判率按编解码器或说话人的细分、训练与推理耗时、内存与延迟。总体趋势不等于每组每步成立，例如语音加语音融合提升小、TIS 老年样本少，都提醒平均数会掩盖异质性。相关性不是因果，老年分布分离与检测退化相关，但未测量信道、录音设备或口音混杂的影响，不能把全部退化归因于生理年龄。

要复现这套基准，先做什么、用什么条件？

复现分 4 步。第一步准备真实语音，按官方划分取 SeniorTalk 训练验证测试，按说话人独立切分 TIS 为 8 人训练、2 人验证、2 人测试，保留说话人不重叠是关键信息条件。第二步按 14 种编解码器变体做平行重建，每条真实对每种编解码器生成一条，注意 SeniorTalk 训练验证与测试所用编解码器集合不同，不可混用。第三步提表示，所有音频重采样到 16 千赫兹，用冻结基础模型的最后隐层平均池化，只用音频分支，维度按 768、1024、512 核对。

第 4 步训后端，合并两语料训练集、分开验证测试，训练 20 轮、学习率 1e-3、批量 32、Adam 加交叉熵加丢弃与类别加权，BONSAI 对齐权重取 0.65，可训练量应在 3.8M 到 4.02M 区间自检。何时值得尝试 BONSAI：当已有两个互补的冻结表示且直接拼接提升有限、怀疑分布失配时，可尝试先投影加 softmax 再最小化对称散度。还需补的验证是按编解码器留一法、按说话人交叉验证、报告置信区间，以及补测推理延迟与内存。

代码与数据方面，论文脚注给出展示页，本次核验可用且状态码为 200，应区分代码开源、权重下载与系统可运行三件事，以实际页面与仓库为准，不默认权重可直接商用。

学完这篇，应该带走哪几条可操作的判断？

第一条是任务判断：老年编解码器伪造检测值得单列，因为年龄分布偏移独立于真伪存在，旧青年基准模型直接搬运会在老年上严重退化，青年对照显著更好证明不只是一般域外问题。第二条是表示判断：在域内重训条件下，多模态基础模型的音频表示比纯语音基础模型更适合老年，定性可视化与定量 EER 趋势一致，但因果机制仍是可能与待验证级别。

第三条是融合判断：异构表示先经詹森香农散度对齐再拼接分类，一致优于简单拼接，且多模态之间的互补大于语音内部互补，最佳组合为语言绑定加图像绑定，平均 EER 为 1.66%。第 4 条是成本判断：该最优依赖域内老年数据、双分支推理与特定超参数，TIS 老年测试说话人少、部分实现细节与开销未报告，因此在新语言、新编解码器或低延迟场景部署前，必须补做留一泛化、统计稳健性与延迟测量。

把这 4 条按输入到输出的顺序复述一遍，即可向他人讲清方法全程而不引入无源数值。

⚖️ 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