议会里谁更常嗯啊：四国近四千小时验证填充停顿的年龄语速与性别反转

英文题目：Umm… With Transformers? Insights from Filled Pause Use across Four Slavic Parliaments

会议身份：conference:interspeech:2026:conference-paper-id:porupski26_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：#统计分析 #社会语音学 #多语言 #语音 #音频事件检测

评分：5.7/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 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 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Ivan Porupski：机构信息未能从会议 PDF 纯文本可靠映射
• Branimir Dropuljić：机构信息未能从会议 PDF 纯文本可靠映射
• Nikola Ljubešić：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为四种斯拉夫语言议会发言音频、官方转写与说话人元数据，输出为填充停顿发生率及其与说话人特质的关联，难点在于超大规模自发语音的可靠标注与特质效应和状态波动的混杂。方法链第一步用基于wav2vec2-bert的变换器检测器输出每条话语的填充停顿计数，其计数与音频时长一起进入第二步。第二步用XLM-R-ParlaSent预测话语级情感并计算音节语速等多维协变量，形成的话语级特征表进入第三步的统计建模。第三步用经Mundlak校正的广义估计方程负二项模型分离说话人均值与话语偏离，相对既往小样本单语研究的关键机制差异在于以总体平均效应与稳健标准误处理嵌套相关并显式区分特质与状态，其适用边界受限于正式议会域。在四国议会语料的基准条件下，波兰议会的填充停顿率指标为3.47 FPs/min，高于塞尔维亚议会的填充停顿率指标1.38 FPs/min。结论仅适用于正式议会域与克罗地亚语、塞尔维亚语、捷克语、波兰语四种议会语料，难以直接外推至日常对话或其他语系。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，这篇解读要保留什么？

这篇解读的输入是会议论文正文与本次收到的官方原图像素，目标是让刚进入语音音乐音频领域的研究生能核对并复述方法。必须保留的信息包括任务定义、数据规模与筛选条件、自动标注工具及其精度口径、统计模型的结构与参照组、预测量的编码方式、主要效应的方向幅度与显著性边界，以及作者自己承认的领域限制。输出不做营销式判断，只讲论文实际做了什么、在什么条件下成立、还有哪些没有测。

论文研究的任务是填充停顿发生率建模。白话说，填充停顿就是说话中冒出来的嗯、啊、呃这类有声犹豫，英文叫填充停顿，缩写为 FP。研究目标不是把每个嗯切得多准，而是数清每条话语出现多少个，再问性别、年龄、语速、情感、政治倾向、执政还是在野这些因素与每分钟几个填充停顿之间有什么关联。议会场景的好处是说话人身份、党派、执政状态都有官方记录，坏处是它只是正式演说一种语域，结论不能直接搬到日常聊天。

学习依赖上，先要理解自动检出只是把音频变成计数，再理解计数回归如何处理时长不等与同一人多条话语相关，最后才能读懂组间与组内拆分的含义。后文按任务与相关路线、方法全景、组件与计算、构造与调用、实验条件、结果与反证、复现与收束展开。凡是教学举例都会标明是例子，不把例子里的数字当成论文报告的数字。

前人用哪些路线做填充停顿识别与性别年龄解释？

自动识别这条路线，早期靠手工声学线索。论文回顾了基频、梅尔倒谱系数、共振峰、谱稳定性和声道稳定性等特征，精度和召回都比较有限。随后加入韵律特征与韵律不连续特征，在自发语音上把分数逐步推高。近年转向语音变换器，例如 wav2vec2、HuBERT、WavLM，在 Switchboard 这类通用人群语音基准上达到很强的帧级分数。还有一项用 wav2vec2-bert 在斯洛文尼亚语上训练、在克罗地亚捷克波兰塞尔维亚议会数据上测试的工作，事件级分数很高，显著超过人工召回但精度略有损失。论文把这些放在一起，是为了说明用变换器做大规模自动标注已有跨语言证据，但多数新工作面向口吃等非典型语音，未必能推广到常规语音。

性别这条路线，英语任务型对话与荷兰自发语音等语料多报告男性填充停顿更多，且存在 uh 与 um 分工的差异，女性与年轻说话人更偏向 um。但也有欧洲议会小样本报告性别差异很小，且正式或任务型体裁常把非正式会话中的性别差异抹平。年龄这条路线更分裂，有的报告年长者更多，有的报告总量相当但 uh 随年龄上升而 um 下降，有的在故事复述任务中发现年轻人更多。

语速这条路线相对一致，语速慢伴随更多填充停顿，既有规划负荷的解释，也有填充停顿本身拉长时长的机械成分。情感这条路线，论文强调可重复的关联更多指向不确定性或压力而非效价正负，维度情感里对期望维度比效价维度更有信息量。政治倾向与执政在野此前几乎没有直接的填充停顿发生率证据，多为个案风格分析或基频话语风格差异，因此论文把这两者定为探索性因素而非确立的预测量。

为什么小语料单语言结论不够用？

核心矛盾是统计功效与可推广性不足。多数经验证据来自小规模单语言语料，1 次只能看一两个变量，换个语言、换个场合方向就可能变。填充停顿本身又受说话人习惯、当时语速、话语情绪、角色压力多层影响，如果不把稳定的说话人特质与逐条话语的临时波动分开，很容易把状态效应误读成特质效应。

论文要解决的具体问题是，在 4 个亲缘斯拉夫语言的同一议会域内，用统一的自动检出与统一的回归口径，同时检验已确立的性别年龄语速效应是否可复制，再探索情感、政治倾向、权力状态 3 个少有系统证据的因素。关键设计是跨议会分别建模再加一个 pooled 全局模型，并对时变预测量做组间组内分解。举例来说，同一个议员有时语速快有时慢，组内效应问的是他比自己平时快的那次是否填充停顿更少，组间效应问的是平时就快的议员是否平均更少，只有两者同向且稳定才能说语速效应既是习惯也是状态。

从一条议会发言到发生率估计要走哪几步？

沿一个样本走完全程有助于建立全景。输入是一条议会音频及其官方对齐转写，先做筛选，只保留正式议员、时长至少 3 秒且至少 10 个词、每位说话人至少 10 条话语。随后两条自动标注并行，一条用 wav2vec2-bert 在音频上检出填充停顿事件并计数，另一条用 XLM-R-ParlaSent 在转写文本上预测话语级情感分。语速用元音计数除以音频时长得到每秒音节数。说话人元数据里的性别年龄政治倾向与政党执政状态来自议会官方记录。

表示层面，每条话语变成一行观测，包含填充停顿计数、音频时长、语速标准化值、年龄、情感、政治倾向、权力状态与所属议会。组件层面，用负二项广义估计方程拟合计数，以对数时长的偏移把计数转成速率，用议会协变量吸收跨语言基线差异，再用 Mundlak 分解把时变预测量拆成说话人均值与偏离。目标层面，输出是发生率比及其置信区间，判断某因素每增加一单位时填充停顿速率变为几倍。最终输出不是单个议员的预测值，而是总体平均意义下一般说话人的趋势。

这套安排的理由在原文写得很直白，话语嵌套于发言再嵌套于说话人，真实相关结构复杂，因此用对工作相关结构误设仍保持有效的稳健标准误。选择广义估计方程而非广义线性混合模型，是因为作者要的是总体平均解释，而不是个体随机效应解释。共拟合 10 个模型，基线与 Mundlak 各一套，每套再分全局与 4 个议会单独估计，全部使用独立工作相关结构。

计数、偏移与参照组如何把时长不等变成可比速率？

因变量是每条话语的填充停顿计数，模型选负二项分布以容纳计数数据的过度离散。偏移项是音频时长的对数，作用是把期望计数写成速率乘时长，回归系数因此直接解释为对速率的乘性效应。参照组在结果部分交代为执政的、女性、捷克、平均年龄约 50 岁、中间政治倾向、情感为负向零分的说话人，所有发生率比都是相对这个参照的倍数。

预测量编码需要先统一。语速做标准化，一标准差约每秒一音节。年龄做均值中心化，效应按每十年报告。情感回归输出范围是 0 到 5，0 到 1 为负向，2 到 3 为中性，4 到 5 为正向。政治倾向范围是负 3 到正 3，从左到右。

性别与权力状态是分类变量，权力状态区分执政联盟与反对党。议会作为协变量进入全局模型，用来吸收不同语言与议会风格的基线差异。

填充停顿 × 发生率比： 填充停顿是每条话语中被自动检出的 uh/um 类事件计数，发生率比是负二项模型在控制时长偏移后把该计数转成每分钟速率再与参照组相比的倍数，二者搭配的原因是原始计数受话语长短支配无法直接比，组合意义是把检测问题变成可比的速率回归问题，从而能同时谈方向与幅度。

理解这组搭配后，再看基线模型与 Mundlak 模型的区别就很清楚。基线模型每个预测量只有一个系数，Mundlak 模型把时变预测量写成说话人均值加话语偏离两个系数。前者回答平均关联，后者进一步回答关联中有多少来自人与人之间的稳定差异，有多少来自同一人此刻偏离自己基线的波动。

组间组内拆分与稳健标准误各自解决什么混淆？

Mundlak 分解的计算动作很具体。对每个时变预测量，先按说话人求均值得到组间分量，再用每条话语的值减去该说话人均值得到组内分量，两个分量同时进回归。这样即使遗漏了某些不随时间变的说话人特质，其影响更多被组间均值吸收，组内偏离的估计更干净。论文用它来区分特质水平与状态水平关联，这是全文反复出现的解释框架。

广义估计方程 × Mundlak 分解： 广义估计方程负责在话语嵌套于发言再嵌套于说话人的相关结构下给出总体平均效应并用稳健三明治标准误保持有效，Mundlak 分解负责把每个时变预测量拆成说话人均值与话语偏离各自的分量，二者搭配的原因是只用单系数会把稳定的说话人特质与一时状态混在一起，组合意义是能区分特质水平关联与状态水平关联并减轻遗漏固定特质带来的偏误。

广义估计方程的计算目标是总体平均系数，聚类单位是说话人，工作相关结构取独立，再靠稳健三明治标准误保证即使相关结构设错，区间与检验依然有效。这种选择不追求刻画每个议员的随机截距，而是直接刻画一般说话人的趋势，与作者要做跨语言一般性判断的目标一致。

组间效应 × 组内效应： 组间效应比较的是不同说话人各自平均水平之间的差异，组内效应比较的是同一说话人在某条话语偏离自己平均水平时的变化，二者搭配的原因是议会数据里年龄性别等稳定属性与语速情感等逐话语波动同时存在，组合意义是让年龄语速情感等结论能明确说清是习惯性快慢还是此刻快慢在起作用。

举例来说，语速的组内效应大而组间效应小，意味着同一人说得快的那次填充停顿明显少，但平时语速快的人未必平均少很多，这支持规划负荷的即时解释而非固定口音解释。反之，若组间大而组内小，则更像稳定的交际风格。论文对情感的解读正是沿这条逻辑展开，组内稳定而组间不稳定，说明情感关联更多来自具体发言的需求而非一贯积极的人就一定更犹豫。

本研究训练了什么，没有训练什么，实际调用了什么？

本研究没有为回归任务训练新的神经网络，也没有报告对变换器权重做微调、冻结层数、优化器、学习率、早停或梯度路径等训练细节。方法部分的训练含义应理解为数据构造与自动标注调用加统计模型拟合。实际调用的是两个已有自动标注器，一个做填充停顿检出，一个做情感预测，再加一个基于元音计数的语速计算。统计部分的拟合是广义估计方程的参数估计，不是反向传播训练。

已有标注器的性能按原文交代，情感模型约为决定系数 0.65，与标注者间一致上限相当，填充停顿检出在 4 种语言上事件级分数约 0.92，同样与标注者间一致相当。前者意味着情感分带有可观噪声，后者意味着计数侧召回很强但精度有小幅损失。这些误差都会进入回归，不能把自动指标当成人工金标准。原文没有给出本研究内的逐条误判率、延迟、算力开销，因此不能承诺这些量得到改善。

wav2vec2-bert × XLM-R-ParlaSent： wav2vec2-bert 负责从音频波形直接预测填充停顿是否出现，XLM-R-ParlaSent 负责从官方转写文本预测每条话语的情感分值，二者搭配的原因是本研究要同时得到声学侧的因变量与文本侧的自变量而又无法人工标注 1000000 条话语，组合意义是用两个已验证到接近标注者一致性的自动标注器把大规模跨语言比较变成可行，但同时把两处自动误差都带进了后续回归。

需要补的缺项也很明确，论文未报告变换器在本数据上的阈值选择、后处理合并规则、情感模型在议会域的校准方式，也未报告广义估计方程的迭代收敛细节。复现时应把这些当作待确认项，而不是从模型名字推定实现。

数据从哪里来，如何筛选，用什么指标比较？

数据来自 ParlaSpeech 数据集，覆盖克罗地亚、捷克、波兰、塞尔维亚四国议会，总量约 6000 小时，时间跨度从 2013 到 2023 因议会而异，附带对齐的官方转写。说话人元数据取自议会官方记录。分析前筛选为正式议员、每条话语至少 3 秒和 10 个词、每位说话人至少 10 条话语，最终得到约 3889 小时、1561 位说话人、约 1,000,000 条话语。这个筛选动作决定了结论只适用于有足够发言量的正式议员，而非所有出声者。

下表提出第一个比较问题，在统一筛选后四国议会的数据量与基线填充停顿速率是否可比。公平条件是同一筛选门槛与同一自动检出器，指标方向是每分钟填充停顿数越大表示犹豫标记越密。表中数字保留原文写法与精度，单位留在同一格内。

表后解释需要同时说收益与代价。收益是百万级话语与上千说话人带来跨语言比较的统计功效，且基线差异本身就提示需要把议会作为协变量，否则会把语言风格差异误读成性别或党派效应。代价是克罗地亚与塞尔维亚基线明显低于捷克与波兰，跨议会 pooled 估计会被高基线议会主导，政治倾向等在全局被掩盖的效应正是因此需要分议会复核。未胜出或未评测的边界是，论文没有报告分议会的话语数与人均话语数分布，也没有报告转写质量与音频信噪比是否跨议会一致，这些都可能影响基线比较。

指标层面，主指标是发生率比，等于 1 表示无关联，小于 1 表示该组或每增加一单位时速率更低，大于 1 表示更高。显著性看 95% 置信区间是否跨过 1，跨过则标为不显著。年龄按每十年、语速按每秒一音节、情感按每分、政治倾向按量表每点报告，这种单位绑定必须在复述时一起说，不能只说增加而漏掉分母。

全局与分议会结果支持了什么，又在哪里反转？

第二个比较问题是，在同一回归口径下，6 组预测量的全局方向是什么，分议会是否一致。下表把全局基线效应的方向幅度放在同一单位下比较，公平条件是同一参照组与同一负二项偏移结构，指标方向是发生率比大于 1 为更多填充停顿。表中单位保留原文的每十年、每音节每秒、每情感分与执政在野对照写法。

表后解释要区分直接报告与有限解释。论文报告全局男性更少、年长更少、语速越快越少、情感越正越多、在野少于执政。但分议会后只有年龄与语速相对稳健，性别完全由克罗地亚与塞尔维亚驱动，在捷克与波兰不显著，这与既往多报告男性更多的文献方向相反，论文将其定为南斯拉夫议会特异而非普遍规律。

情感的组内效应在四国都显著但每分只有约 3 到 6% 的提升，组间效应全局显著却只在捷克与塞尔维亚显著，说明单条发言的即时正向伴随更多犹豫，但一贯积极的人是否更多犹豫则因议会而异。权力状态全局显著且在捷克与克罗地亚显著，在波兰与塞尔维亚不显著，塞尔维亚甚至出现方向相反的边缘趋势，论文明确说这可能反映特定时期政治动态，需要单独研究而不是推广为在野必然更流畅。

下图是全文唯一的像素证据，展示了基线与 Mundlak 两种设定在全局与四国的发生率比点估计与区间。图前导读如下，读者应先确认五列比较范围与纵轴分组，再以 1 为界判断方向，最后用颜色与是否跨过 1 判断显著性与设定稳健性。

看图路径： 1. 先按顶部 GLOBAL、CZ、HR、PL、RS 五列确认比较范围，再看纵轴每行预测量的分组底色；2. 再以中间 IRR 等于 1 的竖线为界，判断蓝色与橙色点落在左侧还是右侧；3. 再对照图例区分蓝色基线、橙色 Mundlak 与红色不显著，重点看误差线是否跨过 1；4. 最后纵向比较同一行在五列之间的方向是否一致，找出跨议会稳定与议会特异的模式

论文图 1。原论文 Figure 1：“Incidence Rate Ratios (IRR) from GEE Negative Binomial models with independent working correlation structure, comparing baseline (no Mundlak correction; blue) and…”。

对该图的解释必须紧扣可见内容。全局列左侧性别与语速点明显落在 1 左侧，情感点落在 1 右侧，与上表方向一致。分议会列可见性别行在克罗地亚与塞尔维亚偏左且显著，在捷克与波兰的区间跨过 1 呈红色不显著。语速组内行在各列都稳定偏左，而组间行区间更宽且在克罗地亚不显著。政治倾向组内行只在克罗地亚与波兰偏右，权力状态在野行在捷克与克罗地亚偏左而在塞尔维亚偏右但区间宽。像素不能精确读出每一点的小数后 2 位，因此幅度仍以正文数字为准，图只用于判断方向、显著性与跨议会一致性。

去掉组间组内拆分后结论还站得住吗？

论文的对照不是去掉某个神经模块，而是比较基线单系数设定与 Mundlak 双系数设定。性别效应在两种设定下稳定，说明它不是被时变协变量的说话人均值吸收掉的假象。年龄在克罗地亚与波兰的组间不显著，提示那两国的年龄组间变异较小或样本结构不足以支撑人与人比较，但方向仍与全局一致。语速的组内远大于组间，且组间在克罗地亚不显著，说明若只看人与人平均会低估语速的即时作用，必须保留组内视角。

政治倾向提供了最强的反证。组间在全局与各议会都不显著，组内只在克罗地亚与波兰显著且在全局因跨语言抵消而被掩盖。论文明确指出该组内信号来自较少见的换党导致倾向变化的片段，应谨慎解释。这是一个典型的未胜出项，全局不显著不能当成有效应，分议会显著也不能直接推广。权力状态同样如此，组间全局显著但只在克罗地亚分议会显著，组内全局与三国不显著，只在克罗地亚边缘显著，说明执政在野差异更像稳定的阵营差异而非同一人换阵营就立刻改变。

至少两类论文特有细节值得展开。一是情感的双层结构，组内每分约 3 到 6% 的提升在四国一致，组间每分约 20% 的提升只在部分议会成立，这种大小与稳定性的不对称正是需要拆分才能看到的。二是基线速率差异与参照组选择，参照组设为执政女性捷克平均年龄中间倾向负向情感，若改参照，发生率比数值会变但方向与显著性逻辑不变，复述时必须带上参照才能核对。

哪些边界会让结论失效或不可推广？

第一是领域限制。数据全部来自议会正式发言，论文在贡献与结论都提醒这是重要限制。议会发言有准备稿、时间压力、角色约束，与日常对话、电话、播客的规划机制不同，年龄正关联在会话语料中出现而在这里反转，性别方向也与会话文献相反，都支持域依赖解释而非普遍规律。

第二是自动标注噪声。情感与填充停顿都来自自动预测，虽然论文称其与标注者一致上限相当，但情感决定系数约 0.65 仍意味着大量残差，填充停顿精度的小幅损失会在低基线议会放大相对误差。语速用元音计数除以时长，本身也受检出与切分影响。这些都没有在回归中做测量误差校正。

第三是政治变量的稀疏性与混淆。政治倾向组内效应依赖换党片段，样本少且可能混入换党前后的职务、话题、发言时长变化。权力状态在塞尔维亚的方向反转只达到边缘显著，不能当成确证的反例，只能当作待验证的异常。原文没有报告话题、发言位置、会期、录音条件的控制，因此相关性不能读成因果。资源状态方面，本次未发现来源绑定且完成验证的资源，不得声称代码模型或数据已公开，只能按论文文字复现统计口径。

要复现这套发生率分析先做什么？

先按筛选口径重建分析集。只留正式议员，过滤时长不足 3 秒或词数不足 10 的短话语，再过滤话语数不足 10 的说话人，记录过滤前后的话语数、人数与小时数，核对是否接近约 1,000,000 条、1561 人、3889 小时。跨议会分别统计基线每分钟填充停顿数，确认克罗地亚与塞尔维亚是否系统性低于捷克与波兰，若基线对不上，后续发生率比无从比较。

再重建变量编码。语速先算每秒音节数再做标准化并记录一标准差对应的原始值，年龄做均值中心化并按每十年报告，情感保留 0 到 5 原始分并记住分段含义，政治倾向保留负 3 到正 3 原始分，性别与权力状态保留原始分类，议会作为分类协变量。填充停顿计数用同一检出器全量跑一遍，不要混用不同阈值。

最后拟合 10 个负二项广义估计方程。以说话人为聚类，独立工作相关加稳健标准误，以对数时长为偏移，先跑基线单系数，再跑 Mundlak 双系数，每个都跑全局加四议会。参照组固定为执政女性捷克平均年龄中间倾向负向情感，报告发生率比与 95% 区间，并标出区间跨过 1 的不显著项。还需补的验证是话题与会期控制、情感测量误差敏感性、换党样本量披露，以及把同一框架搬到对话或广播数据看年龄性别是否翻转。

何时值得借用这套方法，何时应该谨慎？

当研究问题是同一域内多语言或多群体的犹豫标记比较，且已有可用的变换器检出器与结构化说话人元数据时，这套自动计数加 Mundlak 校正广义估计方程的路线值得尝试。它的价值在于把百万级话语变成可比速率，并把习惯与状态分开，避免把一时语速快慢误读成一类人更犹豫。语速组内大效应与情感组内小而稳的效应是两个可直接借用的先验，建模时应优先保留组内视角。

当数据换成语域差异大的对话、访谈或跨文化样本时，应谨慎对待性别与年龄的方向。论文的性别反转与年龄负关联都带有议会与语言特异性，不能当成普遍倾向来引用。政治倾向与权力状态更应视为探索性信号，只在换党与换届样本充足并控制话题职务后才值得检验。总体上，趋势不等于每组每步都成立，自动标注的精度召回、基线速率差异、参照组选择共同决定了数字能否复述，缺任何一项都应先补验证再下判断。

⚖️ 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