可读性难不倒现代语音识别：人类觉得难的文本为何机器转写不怕

英文题目：Readability Does Not Predict Speech Recognition Errors: Contrasting Human and Machine Perception.

会议身份：conference:interspeech:2026:conference-paper-id:ramonda26_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 #模型比较 #语音识别 #语音可懂度评估

评分：5.9/10 | 创新 1.1/2 | 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 0.7/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Baptiste Ramonda：机构信息未能从会议 PDF 纯文本可靠映射
• Laurianne Sitbon：机构信息未能从会议 PDF 纯文本可靠映射
• Julien Pinquier：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为不同可读性文本对应的语音，输出为自动语音识别转写文本，难点在于人类朗读困难文本时会自然改变发音从而混淆文本难度与声学难度的因果。方法链由三环构成，文本语料先经语音合成Text to Speech / TTS生成稳定韵律的基准音频以冻结说话人因素，合成音频再经食堂babble噪声与房间混响退化以模拟挑战声学环境，退化音频最后送入多架构识别器并以词错误率Word Error Rate / WER与内部不确定性度量评估转写退化。与依赖困惑度解释旧架构错误的观点不同，本文机制差异在于证明现代端到端架构已将声学转写与语言理解解耦，对可听性优化具有模块解耦的实际意义。在CLEAR合成语音评测条件下，Whisper Tiny的WER与GRI的Pearson相关系数为≤0.03，低于Wav2Vec2的Pearson相关系数0.24。结论仅适用于英语朗读体与所测架构和退化类型，未验证对话、自发语音与多语言外推。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

人类听不清时靠什么补，机器还需要补吗？

输入是这篇论文要回答的起点，目标是讲清可读性与语音识别错误的关系，输出是一套可复述的实验链条。必须保留的信息包括任务定义、控制发音的方法、两种难度度量、5 种识别架构、三档噪声加两档混响、自然语音验证和内部不确定性测量。读者可以把人类听觉想象成两条腿走路，一条是耳朵收到的声音是否清晰，另一条是大脑对句子结构的预期是否熟悉。

当声音被食堂噪声盖住时，人会调动自上而下的预期，用简单的句式和常见词把缺失的音补回来，这就是论文所说的可读性补偿。历史上老式语音识别也有类似行为，复杂文本带来高困惑度，进而推高错误率。但大规模自监督和端到端架构出现后，声学到词汇的映射能力大幅提升，问题变成机器是否还像人一样存在认知负荷，还是已经把转写和理解分开。本文的学习依赖是先理解人类补偿逻辑，再看机器在受控条件下的表现差异。

可读性 × 可懂度： 可读性负责刻画文本本身的结构难度，由句长、生词和句式复杂度决定，可懂度负责刻画语音在听觉通道中被正确还原的程度，用转写错误衡量，二者搭配的理由是人类听觉中前者可以补偿后者，组合意义在于检验机器是否还保留这种补偿关系。

白话来说，可读性就是文本看起来有多费脑，英文是 readability，论文用全局可读性指数度量它。可懂度就是语音听完能转对多少，英文是 intelligibility，论文用字错率度量它。后文分别简称为可读性和可懂度。初学者容易把二者混为一谈，认为难懂的文章一定更难转写，但这正是本文要拆开检验的假设。人类研究中可读性越差，噪声下理解越差，机器是否如此，需要把说话人发音变化这个混杂因素剔除后才能下结论。

初学者如何用一句话记住两种难？

再用更直白的方式收束，规则算出的难是纸面难，人投票投出的难是感到难，机器转写怕的是后者中的未知部分，而不是前者的长句生词。学习依赖上，先记住任务是转写不是理解，再记住方法是用合成固定嘴型、用噪声混响制造耳朵困难、用相关系数看两条曲线是否一起走，最后记住条件是篇章级英文短文与特定 5 种系统。实验条件优先于修辞，任何脱离信噪比档位、混响强度、模型规模和聚合单位的效果描述都不应采信。按此框架复述，就能在不夸大因果、不承诺延迟改善的前提下，准确讲清正交结论及其边界。

从老系统到端到端，相关路线在比什么？

论文实际研究的任务只有一个，就是在相同声学条件下，文本复杂度是否导致自动转写错误上升。相关路线按输入、目标、监督和运行阶段可以分成 3 类。第一类是人类听觉努力研究，输入是退化语音，目标是解释认知负荷如何影响理解，监督来自行为和脑测量，运行阶段是人耳聆听，结论是简单句在噪声中更容易解码。

第二类是老式语音识别错误分析，输入是声学加语言模型困惑度，目标是预测哪些词难识别，监督来自词频、句法和韵律标注，运行阶段是解码器输出，结论是罕见词和复杂句推高错误率。第 3 类是现代架构基线，输入是原始波形或频谱，目标是直接输出词序列，监督来自大规模弱监督或自监督，运行阶段是端到端推理，声学到词汇映射更强。本文与前两类同目标但不同运行主体，与第 3 类同运行阶段但追问新的问题，即能力提升后语言复杂度是否还起作用。

端到端架构 × 隐马尔可夫-高斯混合模型： 端到端架构负责直接学习声学到词序列的大规模映射，依赖自监督或弱监督表示，隐马尔可夫-高斯混合模型负责用传统声学建模加语言模型的老路线做基线，二者搭配的理由是检验可读性与错误率的耦合是否为新现象，组合意义在于定位解耦发生在架构演进的哪一段。

白话来说，端到端架构就是不再分开训练声学模型和语言模型，而是整句端到端输出，英文是 End-to-End Models，后文简称端到端模型。隐马尔可夫-高斯混合模型就是老式连续语音识别基线，英文是 Hidden Markov Model, Gaussian Mixture Model，后文简称传统基线。教学例子是把同一批难句分别交给新老系统转写，老系统可能因为语言模型困惑而错更多，新系统可能只看声学是否清晰，这个例子只说明对比思路，不代表论文给出具体某句的数值。

同输入同目标的对照应如何公平叙述？

相关工作对照要按同输入、同目标、同监督和同运行阶段来讲。有源对照一是人类努力听研究，同输入退化语音、同目标维持理解，但监督是人生理行为、运行阶段是人脑，结论不能直接当机器胜负。二是老式识别错误因素研究，同目标预测难识别词，输入包含韵律词汇与困惑度，监督是语言学标注，运行阶段是传统解码器，曾显示复杂文本更错。三是现代自监督与弱监督基线，同运行阶段端到端推理，但目标是整体降低错误而非解释难度，本文在其上追加难度维度。

类别差异不能当同条件胜负，例如不能说端到端字错率低就证明它更懂语义，只能说在固定发音后它的错误不再随规则复杂度变化。这种表述保留了原文已验证的对照，避免从模型名称推定未报告的训练细节。

要检验的问题是什么，难点为何是说话人自己会变？

问题可以表述为固定发音方式后，全局可读性指数上升是否带来字错率上升。如果成立，说明模型仍有类似人类的认知负荷，如果不成立，说明转写已与语言理解解耦。难点在于真实世界中人读难文本会自动放慢、加重音、加停顿，也就是超清晰发音现象。若直接用人录音比较难句和简单句，声学本身就不一致，无法判断错误来自文本难还是发音变了。

论文因此引入语音合成作为声学控制变量，让所有文本用同一个中性嗓音、相同语速和韵律读出来，再统一加噪声和混响。这样文本难度是唯一语言变量，声学难度是可控的环境变量。另一个难点是难度有两种定义，一种是按句长音节算出来的规则难度，另一种是人实际投票投出来的感到难，需要同时测量才能发现分歧。

为什么必须同时保留两个难度分数？

只保留全局指数会丢失人类视角，只保留人类投票会丢失可计算的规则视角。论文同时保留二者的安排理由是先验证二者本身负相关，确认规则越复杂人越觉得难，再看二者分别与字错率的关系。若只有全局指数，看到正交可能误以为难度完全无关，若只有人类分数，看到负相关可能误以为规则复杂度仍在起作用。双分数设计让结论更精确，即机器摆脱的是可计算的结构复杂度，尚未摆脱的是人类感知中的其他成分。已验证的对照是转写错误不显著改变全局指数测量，相关高达 0.97，说明难度测量本身不受识别噪声污染，后续正交不是测不准造成的假象。

整条受控流水线如何从文本走到相关系数？

沿一个样本走完全程有助于建立全局观。假设取出 1 篇平均约 172 词的英文短文，先查到它的人类易读分，再计算它的全局可读性指数。同一份转录文本被送入亚马逊波利标准引擎的乔安娜嗓音，合成出中性朗读的基准音频。若该样本属于自然语音验证分支，则跳过合成，直接取拼接后的有声书录音。音频接下来分叉，一路保持干净直接送识别，一路按需叠加食堂嘈杂声或房间脉冲响应的混响，生成退化音频。

识别模型输出假设转录文本，与原始转录文本对齐计算字错率。最后把所有样本的可读性分数与字错率放在一起算皮尔逊相关，判断二者是否联动。自然语音分支的存在是为了证明合成环境下的结论不是合成音的假象。

本段是该小节的图前导读，说明主路径从语料库经合成与退化到识别再到两个分数汇合做相关的完整走向，阅读时应先区分合成与自然两条输入，再区分可读性与可懂度两条输出，时间范围覆盖全部短文样本而非单句演示。

看图路径： 1. 先从左侧绿色语料库出发，沿转录文本箭头走到语音合成模型再到语音识别模型；2. 再看上方自然语音分支如何跳过合成直接进入识别模型；3. 接着向下追踪两条红色计算分支如何分别得到可读性和字错率并汇入黄色相关分析

论文图 1。原论文 Figure 1：“Overview of our experimental pipeline.”。

上图展示的流程与正文描述一致，左侧绿色圆柱是语料库，同时向右发出转录文本给语音合成，向下发出转录文本给可读性计算，向上还可直接提供自然音频。中间蓝色方块是合成与识别模型，紫色虚线框是混响和噪声两种退化，它们都把退化音频汇入识别模型。下方红色方块分别计算字错率和全局可读性指数，黄色方块做指标相关，同时还接收人类易读分作为第三路输入。可见设计刻意让发音控制、环境退化、文本难度三者正交，任何一路变化都不会悄悄改变另一路的输入。

语音合成 × 声学退化： 语音合成负责把文本复杂度转化为发音完全一致的音频，固定语速、韵律和清晰度，声学退化负责在此基础上叠加食堂嘈杂声或房间混响来制造听不清的条件，二者搭配的理由是先控制说话人因素再单独加噪声，组合意义在于观察复杂句在干净和困难声学下是否同样稳定。

三个计算组件各自算什么，如何实现？

第一个组件是可读性计算。白话来说，全局可读性指数就是把多个传统公式取平均后的综合难度分，英文是 Global Readability Index，后文简称全局指数。它综合了基于音节的 flesch、smog、gunning fog，基于词长字符的 coleman-liau 和自动可读性指数，以及基于常见词熟悉度的 dale-chall。做法是对每个子指数做线性归一化，把原始分减去理论最小值再除以理论极差，乘以 10 后取算术平均。融合的理由是单个公式各有偏好，平均后平滑极端值，得到更稳的文本复杂度排序。

第二个组件是人类易读分。白话来说，它不是数句子多长，而是看人在两两比较中觉得哪篇更简单，英文是 Bradley-Terry Coefficient，后文简称人类易读分。高分表示更易读，数据集中范围从负 3.68 到 1.71，零分算中等偏难。第 3 个组件是可懂度计算。白话来说，字错率就是把假设文本与参考文本对齐后数改错代价，英文是 Word Error Rate，后文简称字错率。

分子是替换数加删除数加插入数，分母是参考词数，值越低表示转写越准。

全局可读性指数 × 布拉德利-特里易读分： 全局可读性指数负责从文本特征自下而上计算复杂度，综合多个传统公式的归一化分数，布拉德利-特里易读分负责从人类两两比较判断中自上而下估计易读潜变量，二者搭配可以区分机器按规则算出的难和人类实际感到的难，组合意义在于同时检验转写错误到底跟哪一种难相关。

内部努力测量是第四个视角。白话来说，预测熵就是模型每生成一个词时在候选词之间的犹豫程度，英文是 predictive entropy，后文简称预测熵。用全部生成词元的平均熵表示，熵高表示拿不准。压缩比是用压缩工具比较生成文本长度与压缩后大小的比值，若模型遇到难句就截断或简化，压缩行为会变化。这两个量不看最终对错，只看过程是否吃力。

字错率 × 预测熵： 字错率负责衡量最终转写结果与参考文本的编辑距离，反映外部错误多少，预测熵负责衡量解码时模型在词表上的犹豫程度，反映内部不确定性，二者搭配可以区分结果稳定和过程轻松，组合意义在于验证模型是否表面正确但内部已经吃力。

沿样本继续走，假设某篇难文全局指数较高但人类易读分中等，合成音频干净，现代模型转写后字错率很低，预测熵也不高，就说明规则算出的难没有转化为声学解码的难。若另 1 篇人类觉得难的文章字错率偏高，则说明感到难的因素另有来源，而不是句长音节本身。

从输入到输出的最小可运行链条是什么？

最小链条可以概括为文本加分数、音频加退化、假设加误差、相关加解释。输入是原始转录文本、人类易读分和自然音频可选分支，表示是合成后的波形与退化后的波形，组件是合成器、退化器、识别器和两个计算器，目标是得到每篇的全局指数与字错率，输出是两类相关系数与内部熵和压缩比。指代上，前置概念先于依赖它的结论，例如先定义字错率分母是参考词数，再讨论高误差饱和，先定义预测熵是词元平均不确定性，再讨论无认知负荷。

组合机制上，合成与退化解决声学公平，指数与易读分解决难度双视角，字错率与熵解决外部与内部双验证，3 组搭配共同支撑正交判断，缺任何一组都会让结论少一层反证。

本研究训练了什么，没有训练什么？

本研究没有训练任何语音识别模型，也没有微调语音合成模型，所有识别器都是直接调用已有系统做推理。真实计算过程是推理加仿真加统计，而非梯度更新。

具体来说，传统基线调用口袋狮身人面像的隐马尔可夫混合高斯流程和基于卡尔迪的轻量混合系统，表征学习代表调用 wav2vec2 基础版的自监督表示加连接时序分类解码，大规模端到端代表调用开放人工智能的耳语模型的微型版约 39,000,000 参数和中型版约 769,000,000 参数，对比两种规模是为了检验容量暴涨是否引入对复杂度的敏感。语音合成调用云端标准引擎的固定嗓音，不更新声学参数，只保证朗读中性一致。

噪声仿真是从连续 25 分钟食堂环境录音中为每条语音随机截取等长片段，按 0 分贝、10 分贝、20 分贝 3 种信噪比叠加，防止模型适应固定噪声模式。混响仿真是用开放房间脉冲数据库中米尔斯美术馆的脉冲响应，按 0.1 和 0.9 两档模拟轻微与极端空间畸变。统计计算是皮尔逊相关，不涉及优化器、梯度路径、参数冻结与重置，未报告训练超参数是因为本研究本就没有训练阶段，不能把冻结参数理解为输出确定，解码采样和噪声随机仍会带来波动。

数据、划分、指标与声学条件如何保持一致？

主数据集是通用可读性语料库，包含 4718 篇信息类或文学类短文，平均 172 词，覆盖宽范围的可读性，每篇自带人类标注的易读分。合成音频全部由此生成，保证文本与音频一一对应。自然语音验证集选用有声书语料的干净 100 小时子集，总时长与合成集大致相当。因原始片段平均仅 15 秒，研究把同一说话人的连续片段拼接成约 1 分钟、共 6983 个文件，以匹配合成音频的时间特性。

指标方向需要明确，全局指数越高表示文本越复杂，人类易读分越高表示越简单，字错率越高表示可懂度越差，预测熵越高表示越犹豫。因此全局指数与字错率若正相关表示越难越错，人类易读分与字错率若负相关表示越简单越准。聚合对象是以语料篇章为单位，每个点代表 1 篇长文的分数，而非单句。统计方法是皮尔逊相关并报告显著性。声学条件一致性体现在同一批合成音频分别跑干净、三档噪声、两档混响，模型和文本固定，只变环境。

资源状态方面，本次收到的证据中未发现来源绑定且完成安全验证的资源，不得声称代码、模型或数据已公开，只能按论文文字复述所用外部工具名称。

干净条件下不同架构的错误与难度是否联动？

该问题测的是架构差异，比较对象是 5 种识别器在干净合成语音上的表现，公平条件是同一批文本、同一合成嗓音、无噪声无混响，指标方向是相关系数接近零表示正交，明显为正表示越复杂越错。论文报告显示，现代序列到序列端到端模型的字错率与全局指数近乎水平，微型与中型耳语模型的相关都极小，而基于连接时序分类的表征模型和轻量混合系统呈现弱正相关，传统混合高斯模型相关也很低但基线错误整体偏高。人类易读分则与所有模型的字错率呈一致负相关，说明让人觉得难的文章确实更容易转错，但这种难不是规则复杂度。

下表把原文报告的相关系数按架构整理成 5 个并排维度，阅读问题是规则难度与人类感到难分别对应多大的错误关联，公平条件是干净合成语音，指标方向是全局指数相关越接近零越解耦，人类易读分负值表示越易读越准，表格不能替代分布散点，只能概括趋势。

上表的主要收益是区分两种难，现代端到端在规则难度上实现解耦，但在人类难度上仍保留约负 0.2 到负 0.35 的关联。具体代价与反例是传统基线虽相关低却因声学建模太弱导致错误饱和，不能解读为鲁棒，未胜出项是中等规模的连接时序分类模型反而对规则复杂度最敏感，说明解耦并非参数量单调带来，而是架构范式差异。论文还验证全局指数与人类易读分本身呈强负相关，规则越复杂人感到越难，以及转写错误基本不改变原文可读性测量，二者相关高达 0.97，因此后续正交不是测错了难度。

本段是该小节的图前导读，上方面板横轴是文本复杂度从低到高，下方面板横轴是人类易读分从难到易，纵轴都是字错率，颜色区分 5 种架构并附带两类相关系数，阅读时应先看回归线斜率再看点云高度，时间范围是全部干净合成样本。

看图路径： 1. 先看上方面板横轴全局可读性指数从 0 到 10 变化时各颜色回归线的斜率是否接近水平；2. 再看下面板横轴人类易读分从负到正变化时所有回归线是否一致向下倾斜；3. 对比紫色传统模型点云整体偏高与橙色大模型点云贴近零线的纵轴位置差异

论文图 2。原论文 Figure 2：“Impact of Textual Complexity and Human Judgment on ASR Architectures.”。

上图可见内容支持表格结论，上方面板中蓝色与橙色端到端回归线几乎水平，绿色与红色中等模型略微上扬，紫色传统模型位置最高但斜率平坦。下方面板中 5 条回归线一致向下倾斜，即人类标注越简单字错率越低。像素细节还显示紫色点云整体上浮在 0.2 到 0.4 区间，橙色点云贴近零线，说明基线误差差异远大于斜率差异。不能把紫色线的平坦误读为先进，也不能把下方面板的负相关误读为规则复杂度在起作用，二者来源不同。

加噪声和混响后，解耦会被打破吗？

该问题测的是声学压力下的稳健性，比较对象是同一微型耳语模型在干净、3 种信噪比和两种混响下的相关模式，特意选最易错的微型版是为了给难度效应留出显现空间。公平条件是文本与模型固定，只变环境退化。指标方向同前，全局指数相关保持接近零则解耦成立。论文报告显示，即使在 0 分贝的严重噪声下，全局指数相关仍只有 0.06，10 分贝和 20 分贝也维持在 0.02 到 0.03，混响两档同样维持在 0.02 到 0.04。与此同时，人类易读分相关稳定在负 0.28 到负 0.30 附近，不随环境恶化而消失。

自然语音验证进一步显示，即使加入真实韵律、呼吸和发音人差异，微型模型的全局指数相关仍为负 0.02，内部预测熵相关为负 0.01，压缩比相关为负 0.08，均可视为无关联。

下表把原文报告的退化与验证条件整理成 5 个并排维度，阅读问题是环境变差是否恢复规则难度的作用，公平条件是同一模型同一文本集，指标方向是全局指数相关越小越免疫，人类相关绝对值稳定表示另一类难度持续起作用。

上表的主要收益是证明噪声只抬升整体错误高度，不改变错误与规则难度的斜率，未胜出项是强噪声和强混响都没有让复杂句错得更多，这是关键反证。代价是该消融只在微型模型上系统展开，大模型在退化下的数值未同等详述，不能推广为所有规模逐点成立。自然语音与内部指标的负结果同样重要，预测熵不随难句犹豫，压缩比不随难句简化，说明不是表面字错率碰巧持平而内部吃力。

本段是该小节的图前导读，上方面板比较干净与三档信噪比，下方面板比较干净与两档混响，横轴都是全局复杂度，纵轴都是字错率，颜色区分声学条件，阅读时应先看橙色严重退化点云上移多少，再看其回归线是否仍水平，时间范围覆盖全部退化合成样本。

看图路径： 1. 先看上方面板中橙色 0 分贝点云整体上移但回归线仍保持水平；2. 再看下方面板中绿色强混响点云上移幅度与噪声条件的异同；3. 核对每种颜色图例中同时标注的两类相关系数随退化是否保持稳定

论文图 3。原论文 Figure 3：“Impact of SNR (top) and reverberation (bottom) on the WER of Whisper Tiny.”。

上图可见内容与表格一致，上方面板中橙色 0 分贝点云整体上浮到 0.1 到 0.3 区间，但回归线几乎水平，下方面板中绿色强混响点云同样上浮但斜率不变。图例同时标注的两类相关系数在各条件下几乎不变，说明环境只改变截距不改变斜率。不能把点云上移误读为难度效应恢复，也不能把末端少数高误差散点推广为复杂文本整体变差。

哪些结论有边界，什么还没有被测量？

论文直接报告的是相关性，不是因果，显示的是全局指数与字错率正交，人类易读分与字错率弱相关，支持的是现代端到端已把声学转写与规则复杂度分开，可能与待验证的是人类感到难中除句长生词之外的残余因素是什么。缺失证据不是技术错误，但需要明确边界。第一，传统基线的高误差饱和会掩盖语言效应，不能用它的低相关证明老架构也解耦。第二，中等模型的弱正相关说明解耦程度与架构有关，不能说所有现代模型都完全正交。

第三，退化实验以微型模型为主，大模型在极端声学下的斜率未充分展开。第四，内部努力只用了平均预测熵和压缩比，未测量逐词延迟、置信度校准、解码搜索宽度或推理成本，因此不能承诺难句在延迟和算力上同样无代价。第五，文本以平均 172 词的短文为单位，结论是篇章级相关，不能直接推到单句或长篇语篇逐句成立。第六，合成嗓音单一中性，真实口音、语速、病理语音等多样性未覆盖。

若要复现，应先准备什么并按什么顺序跑？

复现先做的是拿到同样的文本与人类分数，再固定合成与退化，最后跑识别与统计。第一步获取通用可读性语料库的 4718 篇文本及其人类易读分，记录分数范围与零点含义，计算每个文本的全局指数，做法是按各子公式理论极差归一化后平均，得到 0 到 10 附近的复杂度排序。第二步用同一合成引擎与同一嗓音生成基准音频，保持采样率与响度一致，自然语音分支则按同一说话人拼接有声书片段至约 1 分钟、共约 6983 个文件。

第三步做声学退化，从食堂噪声长录音中随机截取等长片段，按 0、10、20 分贝叠加，用美术馆脉冲响应按 0.1 和 0.9 加混响，保留干净版作为对照。第四步调用 5 种识别器做推理，微型与中型端到端、表征加分类模型、轻量混合系统、传统混合高斯各跑全量，输出假设文本后按替换删除插入计数算字错率。第五步算皮尔逊相关，分别看全局指数与字错率、人类易读分与字错率，并额外算预测熵均值与压缩比随难度的相关。

关键超参数与信息条件是信噪比档位、混响强度、合成嗓音固定、噪声随机截取不可复用同一片段。何时值得尝试是当你想验证可听性优化能否分模块进行，或想确认文本简化是否会影响转写模块时。还需补的验证是多嗓音、多语言、口音化语音和流式识别延迟下的重复实验。

这项工作改变了什么，又留下了什么？

综合来看，论文用一条控制发音的流水线回答了老问题的新版本。人类听觉中可读性补偿可懂度，机器老架构中困惑度推高错误率，但现代端到端在干净、噪声、混响和自然语音下都显示规则复杂度与错误正交，内部不确定性也不随难句上升。与此同时，人类感到难仍稳定预测错误，说明残余的相关来自非结构因素，而非句长音节本身。

这一分工支持可听性研究中的模块化思路，即上游优化文稿可读性以降低人的认知负荷，下游转写模块大概率不受影响，从而降低联合优化的组合复杂度，论文以面向智力障碍人士的博物馆语音导览为例说明无障碍应用。复述时要避免 3 个误解，一是把传统基线的高误差平台误当鲁棒，二是把人类易读分的相关误当规则复杂度有效，三是把字错率稳定误当延迟算力也稳定。

未来工作需要识别那些真正让人和机器同时觉得难的感知因素，才能弥合人与机器感知的最后一公里。

⚖️ 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