不用通用六情绪：毛利语情感语料为何先重定 16 类再录音

英文题目：Pā‑Kakare: The First Emotional Speech Database for Te Reo Māori

会议身份：conference:interspeech:2026:conference-paper-id:rathnayake26_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 #数据集构建 #低资源 #语音 #语音情感识别

评分：6.4/10 | 创新 1.5/2 | 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 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：数据集与基准

👥 作者与机构

• Himashi Rathnayake：机构信息未能从会议 PDF 纯文本可靠映射
• Jesin James：机构信息未能从会议 PDF 纯文本可靠映射
• Sally Akevai Nicholas：机构信息未能从会议 PDF 纯文本可靠映射
• Gianna Leoni：机构信息未能从会议 PDF 纯文本可靠映射
• C. I. Watson：机构信息未能从会议 PDF 纯文本可靠映射
• Peter J Keegan：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音情感识别的输入为毛利语Te Reo Māori语音，输出为文化相关的情感类别，难点在于通用六类假设与毛利语情感组织错位且缺乏标注语音。方法链分三步：先沿用前期社区问卷与焦点小组得到的16类标签空间，再按每类组织中性语境句与情感显著句并控制句长与元音覆盖，最后由4名职业演员在录音棚分两日复录并经在线感知验证与声学检验。与沿用通用情感集合的语料相比，差异在于类别定义、脚本设计与录制监护流程均嵌入毛利语文化实践。在八分类感知验证任务下，288句整体识别准确率为36.15%，高于随机猜测的准确率12.5%。混淆集中于相近唤醒度类别，声学上方差分析显示基频、强度与语速均随情感类别显著变化。结论仅适用于棚录表演语料与熟悉毛利语的听者，不能外推至自然对话与跨地域年龄群体。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：为何毛利语需要自己的情感语料？

本研究的输入是毛利语情感语音的研究空白。论文交代，语音情感识别希望让人机交互更自然，但既有工作集中在英语、法语、德语和普通话等资源丰富语言，毛利语作为新西兰唯一的官方原住民语言尚无标注情感语料。2023 年人口普查显示仅约 4.3% 人口能用毛利语交谈，毛利人中能讲毛利语者仅 18.6%，历史殖民压制是衰退主因。

1970 年代后复兴工作使发音辅助、语音合成、语言检测、语音识别和词性标注等资源逐渐重要，但情感产生机制与情感技术仍未被探索。目标读者需要先建立一个判断：情感类别不能直接搬运。论文指出多数情感语料沿用快乐、悲伤、愤怒、恐惧、厌恶、惊讶等预设通用类别，常源于艾克曼离散情绪模型。

但其跨文化有效性一直有争议。对毛利语而言，情感表达深嵌于文化实践，毛利精神科医生 Elder 提醒用英语指称会丢失细微差别，既往也有毛利人与新西兰欧裔在社会情境情绪反应上不同的报告。因此本研究的目标不是再录一个通用六情绪库，而是先通过社区研究确定毛利语有意义的类别，再录音、再验证、再做声学分析。

输出是两项可核对的贡献。第一是首个文化相关的毛利语情感语音库 Pā-Kakare，包含 3840 条高质量录音，来自 4 名专业毛利演员，每种情感 15 句，兼顾中性语境与情感显著内容。第二是对毛利语情感声学表达的初步分析，考察基频、强度和语速是否随情感系统变化。论文同时声明团队一半成员为毛利人，全程遵循文化协议，这是理解方法选择的必要信息条件。

同类路线比较：通用类别与社区定义类别差在哪里？

按同输入、同目标、同监督作对照，相关路线可分为 3 类。第一类是资源丰富语言的表演情感库，例如韩语、英语情感库，其输入是演员朗读，目标是提供干净可控的训练与评测数据，监督是预设通用标签。这类库录音质量高、标注一致，但类别选择很少论证文化适用性。

直接搬到毛利语会漏掉 kaikā不耐烦、aroha 爱等对毛利人重要但文献少见的类别。第二类是诱发式语料，把被试置于情境中激发自然情绪。它的优点是更自然，但论文明确放弃该路线，理由是诱发强烈情绪状态可能带来伦理问题，且作为首次尝试需要先保证控制性。

第 3 类是低资源与原住民语言的情感识别综述，论文引用的综述指出三大障碍：缺乏语言资源、依赖通用类别、原住民社区参与不足。本研究正是对这三点的回应：用社区媒体问卷加母语者焦点小组提炼 16 类，用毛利演员和毛利研究者在场把关，用守护许可管理数据。

声学分析路线也有对照。既往跨语言工作常用基频、语速和强度区分情感，本文沿用这 3 个韵律特征以便比较是出现相似模式还是毛利特有模式。区别在于语速单位采用莫拉每秒，因为毛利语被描述为莫拉计时语言，而以往英语库常用音节速率。基线选择也不同：很多研究用中性作为基线，但论文指出中性常被感知为轻微负面，因此沿用平静作基线的做法，选用包含中性与平静含义的 pai 好作为参照线。

要解决的具体问题是什么：16 类从哪里来？

论文把情感选择列为建库第一步，并给出明确操作链。Rathnayake 等人先用毛利社区媒体作诱发刺激发放问卷，再与毛利语者开焦点小组精炼合并，最终得到 16 类：ngenge 累、haumaru 安全、aroha 爱、huakore 无望、pōuri 悲伤、harikoa 快乐、manawanui 严肃、pai 好、kaikā不耐烦、whai whakaaro 好奇、whakarihariha 厌恶、whakahīhī自豪、hōhā恼、hīkaka 兴奋、ohorere 惊讶、āwangawanga 焦虑。

英文翻译仅为近似，不承载完整文化与情绪细微差别。其中 harikoa、pōuri 与基本情绪重合，kaikā、aroha 则在现有文献中少见但对毛利人重要。这个问题之所以难，是因为类别一多，听辨难度必然上升。论文后文用数据说明了代价：16 类要拆成两个 8 类子集分别施测，每个子集混合不同唤醒与效价及假定基本情绪。

这样做是为了降低 1 次辨认 16 类的认知负荷。即便如此，八选一任务的整体正确率只有 36.15%，说明细粒度文化类别的感知区分本身就是挑战。理解这一点才能正确解读后文混淆矩阵：它不是录音失败，而是类别粒度与文化知识门槛的共同结果。

举例帮助初学者建立直觉，例子不代表论文数据：若把 haumaru 安全与 aroha 爱放在同一子集，听者可能都听到柔和低音高，但文化上安全与爱的语境不同，单听声音难以切分。这正是论文把唤醒排序仅作比较参考、并声明毛利语唤醒尚未经感知验证的原因。类别定义先行，声学验证随后，是全文的学习依赖。

方法全景：一个样本如何从文本走到可分析语料？

沿一个样本走完全程有助于复述方法。假设演员要录 hōhā恼的一句中性语境句，流程是先看相关图像进入情绪，再读到带前导语的句子，例如先有停下之类的引导语帮助进入状态，正式分析时去掉前导语只保留主体。演员用毛利语接受指导，被要求自然表达不夸张。

演员以声音为主要载体，减少手势，保持与话筒约 15 厘米距离。同一句子至少录两遍，如有问题加录，整个流程在另 1 天重复 1 次，以覆盖发言人生理心理状态的日间波动。录音在奥克兰大学文教学院录音棚完成，演员用动圈话筒和摄像机同步记录。

音频经专业软件保存，人工按句切分。切分后的条目进入 3 条下游：转写与标注存档、听辨验证抽样、声学特征提取。每种情感 15 句中 10 句中性跨情感共用、5 句情感特有，平均句长 8 正负 4 词或 20 正负 10 莫拉。文本还保证每种情感下每个短元音至少 20 例、每个长元音至少 10 例，为后续共振峰与声门源比较保留语音覆盖。

总量控制是可核对的。16 情感乘 15 句乘 2 遍乘 2 天乘 4 演员等于 3840 条，总时长 3 小时 45 分，单条时长 1.16 至 9.68 秒，文件 3.31 吉字节。说话人是 4 名 27 至 40 岁专业毛利配音演员，男女各 2 名，按标准时薪付酬。开场有 karakia 毛利祈祷以尊重文化协议，第一作者监控技术质量，第三作者作为毛利研究者在场澄清疑问，热身用 3 种不同强度校准软件并检查削波。

组件如何配合：演员、文本与录制控制各管什么？

演员组件管表达能力。选用专业演员的理由是其受过情绪表达训练，更能模拟且便于识别，但代价是表演语音可能不能完全代表自然情绪变异，且仅 4 人无法覆盖地域、年龄与个体差异。文本组件管语义对照。中性句跨情感一致，便于比较同一文本在不同情感下的声音。

情感显著句提供语境沉浸，例如 pōuri 句出现我心沉重、死亡留下的空虚无法填补等内容。论文给出示例表说明蓝色前导语在分析中剔除，这是复现时必须遵守的切分规则。录制控制组件管一致性。固定姿势与话筒距离、每天重复、至少两遍、图像辅助沉浸，都服务于减少混淆因素。

图像辅助沿用既往情感语料做法，句子逐条呈现并指定情感朗读。技术细节固定采样率、位深、声道与格式，保证后续基频与强度提取不受编码差异干扰。录音采样率为 44.1 千赫，16 位脉冲编码调制，单声道波形文件格式，这些参数共同锁定了声学测量的起点。

表演语音 × 自然诱发语音： 表演语音指演员按指定情感朗读固定文本，优点是录音干净、无重叠、1 次一种情感，便于标注和控制；自然诱发语音指把人置于情境中激发真实情绪，更自然但难以控制且可能引发伦理风险。本研究选择表演语音，因为这是毛利语首个情感语料，需要先保证质量和可比性，主动放弃诱发范式以避免强情绪诱导的伦理问题。

中性语境句 × 情感显著句： 中性语境句指不含情绪词、16 种情感共用的 10 句，用于分离声学表达与词义影响；情感显著句指每种情感特有的 5 句，含有与该情感相关的语境。两者搭配的理由是既能比较同一句话在不同情感下的声音差异，又能观察词义对表达的促进作用，组合意义是为后续语义影响研究留下对照条件。

没有模型训练时，真正的计算是什么？

本研究没有训练神经网络，训练一节的职责由构造流程与声学计算承担，必须明确说明未训练哪些模型。论文未训练语音情感识别器、未微调自监督模型、未学习分类器权重，也未报告优化器、学习率、梯度路径或参数冻结。把无训练等同于确定性求解是错误的。

录音、切分、听辨与特征提取中仍存在人为与测量变异。实际计算有三处。第一是语料组合计数与时长统计，给出总量与分布。第二是听辨正确率聚合与混淆计数，每个原始情感获 54 次评分，来自 9 名被试乘每情感 6 句。第三是声学特征提取与方差分析：用 Praat 自相关算法经 Parselmouth 库提取每句基频均值与平均强度。

莫拉数人工计数除以时长得莫拉每秒，再以 pai 为参照比较 16 类趋势，并用单因素方差分析与 Tukey 事后检验判断类别效应。原文未给出梯度、未报告声门源与音质特征，这些是明确缺项，不是实现细节遗漏。下面整理语料规模的组合计数可以锚定后文听辨抽样比例与声学样本量的分母，比较问题是总量如何由各维度相乘得到。

公平条件是同一批录音的直接统计，指标方向是核对条数、时长与文件量是否自洽，而不是越高越好。

该表说明总量是由类别数、句数、轮次、天数与说话人数相乘得到，总时长与文件量是对同一批录音的直接统计，单句时长范围界定了后文按莫拉每秒计算语速时分母时长的变化区间。未胜出项是自然变异与个体覆盖，4 名演员无法代表地域与年龄差异。

基频均值 × 唤醒度： 基频均值指一句话基频的平均值，是感知音高的主要声学对应物；唤醒度指情绪从低迷到激动的激活程度。本研究用基频均值检验唤醒度假设，搭配理由是既往多语言研究发现高唤醒情绪基频更高，若毛利语也成立则说明韵律与唤醒的关联具有跨语言一致性，组合意义是把抽象情绪维度落到可测量的声学趋势上。

莫拉 × 语速： 莫拉指毛利语的计时单位，定义为一个短元音、可带前置辅音；语速在本研究中计算为每秒莫拉数。两者搭配的理由是毛利语一般被描述为莫拉计时语言，用莫拉而非音节或字数更符合语言结构，组合意义是让语速比较建立在语言学有意义的单位上，而不是直接套用英语的音节速率。

验证条件如何设置：听辨测试测什么、与谁比？

听辨测试的问题是演员的预设情感能否被熟悉毛利语的听者可靠识别。条件是线上经问卷系统施测，被试需熟悉毛利语且年满 18 岁，共 18 人。总量 288 句，占库 7.5%，覆盖所有演员且情感均衡，6 个版本各 48 句，每句由 3 人评分。

为降低认知负荷，16 类拆为两个 8 类子集，每人只评一个子集，各子集 9 人评分。伦理批准号为奥克兰大学 25668。指标方向是正确率越高越好，机会水平 12.5%。为比较不同选择集与不同演员下的识别难度，下表汇总八选一总体与分集正确率及四选一追加结果，公平条件是同一批录音与同一评分规则。

该表显示八选一总体与两子集均高于机会水平但仍属中等，演员间存在可识别性差异，而把候选从 8 减到 4 后正确率升至 51.46%，支持大类别集认知负荷的解释，同时划定了单标签强迫选择的边界。未胜出项是男性演员的较低识别率与相近唤醒对的系统混淆。

下图是理解混淆的关键证据，阅读时先确认行列含义再看深浅是必要的准备。横轴为感知情感，纵轴为原始情感，颜色越深计数越高，每行总计 54 次评分。上半为一组 8 类，下半为另一组 8 类，类内按唤醒从低到高排列但仅为语义近似映射。

看图路径： 1. 先看纵轴原始情感与横轴感知情感的对应关系，确认上下两块各为 8 类子集的划分方式；2. 再沿对角线找深色格，记录 ngenge、hoha、pouri、hikaka 等识别较好的行的具体计数；3. 最后横向比较 haumaru-aroha、manawanui-pai 等易混对的非对角数字与颜色深浅

论文图 1。原论文 Figure 1：“Perception test confusion matrices. Each original emotion received 54 ratings (9 participants × 6 sentences per emotion). The matrices show how listeners classified them.”。

像素显示上半对角较深的包括 ngenge 的 27 次、huakore 的 21 次、harikoa 的 22 次、hoha 的 31 次、ohorere 的 22 次，下半对角较深的包括 pouri 的 28 次、pai 的 19 次、kaika 的 17 次、hikaka 的 23 次，说明这些类别的声学线索较显著。反例集中在相近唤醒对：haumaru 被判为 aroha 达 15 次、aroha 被判为 haumaru 达 13 次，manawanui 被判为 pai 达 16 次，whakarihariha 与 whakahihi 互判 11 次，awangawanga 被判为 hikaka 达 12 次。论文指出这与既往研究在相似唤醒下易混的发现一致，并提示词义线索或视频模态可能缓解混淆。

主结果：基频、强度与语速是否随情感变化？

先看比较问题与公平条件。3 张声学图都把 16 类按唤醒从低到高排列，以 pai 为虚线基线，基频与强度图分男女显示分布，语速图显示均值与置信区间。公平条件是同一文本集、同一录制链路、同一提取工具，指标方向不是越高越好，而是是否形成与唤醒一致的系统差异。

基频趋势符合唤醒预期。高唤醒的 hikaka 兴奋与 ohorere 惊讶均值较高，低唤醒的 haumaru 安全与 ngenge 累较低，kaika 不耐烦高于预期，提示毛利语者可能以更高唤醒表达不耐烦。男女绝对值不同但趋势同向，女性均值整体高于男性，这是必须先按图例确认的分组。

下图展示基频分布，读图前需确认纵轴为赫兹原值、橙蓝分别代表女性与男性。横轴 16 类按唤醒从低到高排列，虚线为 pai 基线，圆点为性别均值，半小提琴宽度表示样本密度，不能把宽度直接读成正确率高低。

看图路径： 1. 先看纵轴平均基频单位为赫兹，区分橙色女性与蓝色男性半小提琴分布的宽窄含义；2. 再看横轴按唤醒度从低到高排列，观察圆形均值点随右移的整体上升趋势与例外；3. 最后对照虚线 pai 基线，比较低端 ngenge 与高端 ohorere 和 awangawanga 的相对位置

论文图 3。原论文 Figure 2：“Mean f0 trend across emotions.”。

像素显示女性均值从左侧约 190 赫兹逐步升至右侧约 280 赫兹，男性均值稳定在约 120 至 140 赫兹区间，高端 ohorere 与 awangawanga 明显高于低端 ngenge 与 haumaru。kaika 的位置高于相邻类别，支持原文关于不耐烦高唤醒表达的判断。该模式与既往唤醒相关韵律的报告一致，但男女基线差异提醒不能混池比较。

强度同样区分情感但句内变异大，读图前需确认纵轴为分贝原值而非改善量。论文解释为演员表达强度差异与话筒距离微小移动共同所致，尽管要求保持 15 厘米，演员随时间会回到舒适姿势。语速大体随唤醒上升，但 hikaka 与 awangawanga 低于预期，manawanui 高于预期，反映文化表达的影响。

下图展示强度分布，读图前需确认纵轴为分贝、分组与基线含义与基频图一致。重点观察均值圆点的左右走势与同一情感内分布的纵向拖尾，不能把曲线向下直接读成性能变差，因为纵轴是声音响度而非识别分数。

看图路径： 1. 先确认纵轴为平均强度分贝，同样区分男女分布与圆形均值点的位置差异；2. 再观察高唤醒端 hikaka 和 ohorere 是否高于低唤醒端 ngenge 和 aroha 的均值水平；3. 最后注意同一情感内分布的纵向拖尾范围，联系录音距离与表达强度的原文解释

论文图 4。原论文 Figure 3：“Mean intensity trend across emotions.”。

像素显示低端 ngenge 与 aroha 均值较低，高端 hikaka 与 ohorere 均值较高，中段 kaika 与 whai whakaaro 附近出现上移，但各情感内部存在较宽的纵向分布。论文报告方差分析显示情感对三特征均有显著主效应，事后两两比较在 120 对中分别有 62 对基频显著、76 对强度显著、74 对语速显著。未能被三特征中任一区分的对多为唤醒相邻对，部分在听辨中同样混淆，说明韵律主要反映唤醒，对效价相近类别需嗓音质量或语义线索补充。

反证与边界：哪些类别分不开、什么条件改变结果？

论文没有做模型消融，但提供了两类反证条件。第一是选择集大小。四选一追加测试把正确率从八选一的 36.15% 提升到 51.46%，操作是把候选从 8 减到 4，其余录音不变。这支持大类别集的认知负荷解释，也划出边界。

类别越多，单标签强迫选择的正确率必然承压，允许多选可能更符合混合感知。第二是语义与模态缺失。当前听辨只用音频且中性句去除了前导语，缺乏情感显著词与视觉信息。论文明确指出这可能是相近唤醒对混淆的原因，未来可用词义线索或视频缓解，但本次未实测，不能承诺加上后必然解决。

演员差异也是边界：2 名女演员正确率 51% 与 40%，2 名男演员 30% 与 26%，说明表达可识别性存在个体差异，总体趋势不等于每位演员都成立。下图把语速例外可视化，阅读时不要把末端平稳推广为全程平稳，纵轴是莫拉每秒原值而非相对提升。

左端低唤醒组语速约 5.3 莫拉每秒，中段 manawanui 与 kaika 冲高至约 6.1 至 6.4，右端 hoha 再次冲高后回落至 pai 基线附近。hikaka 与 awangawanga 的低点与 manawanui 的高点是需要记住的反例，它们打破了唤醒越高语速越快的简单叙事。

看图路径： 1. 先看纵轴莫拉每秒与横轴 16 类情感的唤醒排序，确认取值区间与置信区间线；2. 再找虚线 pai 基线，判断哪些情感在基线之上或之下及其偏离幅度；3. 最后定位 manawanui 的高点与 hikaka、awangawanga 的低点等打破单调趋势的例外

论文图 2。原论文 Figure 4：“Mean speech rate trend across emotions.”。

像素显示曲线从左侧低点缓慢爬升，在 manawanui 与 kaika 处形成全图最高峰后迅速回落至 whai whakaaro 与 whakarihariha 低谷，再经 whakahihi 与 hoha 爬升后在 hikaka、ohorere 与 awangawanga 处贴近 pai 虚线。该图解释必须联系文本：manawanui 严肃的高语速、hikaka 兴奋的低语速在既往韵律预期中不典型，论文将其归为文化影响的可能信号，但标注为待验证，不作因果断言。声门源、声道与音质特征未纳入分析，也是已声明的未评测边界。

限制是什么：哪些结论不能超出证据？

论文自述四项限制，复述时需保留原意。第一是表演语音的生态效度，控制性强但可能缺失自然情绪变异。第二是仅 4 名演员，地域、年龄与个体覆盖不足。第三是听辨验证需扩大，当前 288 句与 18 人规模对 16 类仍显单薄。

且需深层文化知识的被试与多标签设计。第四是声学仅覆盖韵律三特征，未加声门源、声道与嗓音质量，无法全面刻画毛利情感表达。还有三项不能承诺的量。论文未测量误判率的实际应用后果、未报告推理延迟与成本、未提供情感识别基线模型。

因此不能声称该库已改善识别准确率或可直接部署。资源状态也需谨慎：原文给出奥克兰大学语音研究网址与守护许可申请制，但本次未发现可用绑定，因此只能写需向团队申请、由毛利专家协商决定，不能写当前已公开下载或代码模型可用。

唤醒排序是另一处易误解点。图横轴的低到高顺序是映射到既往情绪研究的近似语义等价，不是毛利语感知验证过的唤醒值，仅供比较。基线 pai 的选择依据是毛利情绪词聚类中包含中性与平静含义，不代表 pai 等于声学中性。混淆矩阵的深色对角支持可区分性，但非对角的高计数不支持丢弃这些类别，反而提示需补充效价线索。

复现先做什么：按原文重走需要哪些条件？

若要复现语料构造，先按原文固定不可变条件。情感表必须用 16 个毛利词及原文英文近似，不能替换为通用六情绪。每情感 15 句，其中 10 句中性跨情感共用、5 句情感特有，中性句加前导语但分析时剔除，平均 8 正负 4 词或 20 正负 10 莫拉。

短元音每情感至少 20 例、长元音至少 10 例。说话人需为毛利专业演员，录制前做 karakia，指导语用毛利语，强调自然不夸张、减少肢体、保持话筒距离约 15 厘米，图像辅助沉浸，每句至少两遍并隔日重录。技术链为录音棚、动圈话筒、专业软件、44.1 千赫、16 位脉冲编码调制、单声道波形文件，人工按句切分。

若要复现验证与分析，先复制听辨协议：熟悉毛利语成人被试、线上问卷、16 拆二、每句 3 人评分、报告八选一正确率与机会水平差值，再做四选 1 对照以检验认知负荷假设。声学复现用 Praat 自相关经 Parselmouth 提基频均值与平均强度，莫拉人工计数除以时长，以 pai 为参照画趋势并做单因素方差分析与 Tukey 比较。

缺项需补验证：需补充声门源与音质、扩大被试与地域覆盖、测试语义与视频条件下的混淆变化，才能回答类别是否充分与特征是否完备。

数据主权 × 守护许可： 数据主权指按数据所在民族或社区的法律、实践和习俗管理数据；守护许可指本研究采用的 Kaitiakitanga 许可，把研究者定位为守护者而非拥有者。两者搭配的理由是毛利价值观要求资源使用符合文化规范，组合意义是访问需申请并经团队中毛利专家协商决定，防止资源被脱离文化语境使用。

何时值得尝试这个资源与方法？

当研究对象是原住民或低资源语言的情感表达，且怀疑通用类别会丢失文化细微差别时，值得借鉴先社区定类再建库的路线。具体动作是先用社区媒体与焦点小组提炼类别，再设计中性与情感显著对照文本，再用小规模专业演员可控录音验证声学可分性，而不是先爬数据再套用现成标签。

该路线的前置成本是社区协作与审批时间，收益是类别的文化相关性与后续技术的可接受性。当目标是检验韵律与唤醒的跨语言一致性时，可直接复用三特征加 pai 基线的比较框架，但需记住例外即信息。kaikā的高基频强度、manawanui 的高语速、hīkaka 与āwangawanga 的低语速，都是不能用通用唤醒单调解释的点。

它们适合作为深入研究文化表达与嗓音质量的起点。若只做工程识别，不应直接把 36.15% 当作模型基线，因为它是人类八选一听辨结果，且男女演员差异大、相近唤醒易混，模型需在相同划分、相同候选集与相同指标下重测才能比较。

最终收束回到可核对事实：3840 条、16 类、4 演员、双日双遍、中性加情感显著文本、听辨显著高于机会水平、三韵律特征显著区分但相邻唤醒仍混淆、守护许可管理访问。这些是复述时必须保留的数字与条件，也是判断该工作适用边界的依据。

⚖️ 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