好听不等于说对：用阿萨姆语元音和谐审计多语种合成的音系忠实度

英文题目：Towards a Phonology-Informed Evaluation of Multilingual TTS

会议身份：conference:interspeech:2026:conference-paper-id:raybarman26_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 #语音学与音系 #多语言 #文本到语音

评分：6.5/10 | 创新 1.5/2 | 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 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Sneha Ray Barman：机构信息未能从会议 PDF 纯文本可靠映射
• Neeraj Kumar Sharma：机构信息未能从会议 PDF 纯文本可靠映射
• Shakuntala Mahanta：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

多语言语音合成需要把输入文本转为可懂语音，而难点是自然度高并不意味着语法条件决定的音质交替被正确实现，阿萨姆语中 [+ATR] 后缀元音要求词干元音同步和谐即属此类。本文以人类语音为基准学习声学到音系的映射，再跨域投射到 MMS 合成语音并统计方向性失配，接着把元音级预测聚合为词级和谐类型以检验误差是否向上传导。与平均意见分或词错率只给全局标量不同，该框架给出元音身份与和谐类别双维度的方向性诊断。在跨域元音分类任务下，H→TTS条件的准确率为83%，高于H→H条件的准确率81.7%。人类外折评估下误差方向近乎对称，而合成语音的欠生成与过生成比例呈现约7比1的偏态，中部 [+ATR] 元音约三分之一被判为 [-ATR]。结论仅适用于具有可测量共振峰相关的 ATR 对立及本研究的朗读载体句场景，未验证自发语、其他和谐类型或多说话人合成的外推。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

输入是什么：本文要解决的评估盲区是什么？

本文的输入是多语种神经语音合成系统的输出音频，目标是判断这些听起来自然的音频是否保留了特定语言的音系对立。作者开篇就区分了两种性质：自然度是听感上像人，音系忠实度是结构上说对。对于刚入门的同学，可以把自然度理解为发音是否流畅饱满，把音系忠实度理解为该变的地方是否真的变了。

论文选择阿萨姆语的高级舌根和谐作为探针，因为在该语言中后缀元音/i,u/带有[+ATR] 规格，会要求词干中的/E,O,U/等[-ATR] 元音发生和谐，词内元音的音质搭配受到语法制约。如果合成系统把这种条件变体抹平，单词仍可被识别，听感仍可打高分，但语言的语法性对立已经丢失。输出是一套可复现的审计流程：先在人类语音上学习声学到音系的映射，再把它原样搬到合成语音上，最后在元音级和词级汇总方向性失配。

需要保留的关键信息是人类基准、合成系统名称与确定性设置、以及分类器跨域迁移的比较逻辑。

平均意见分 × 音系忠实度： 平均意见分负责给整体自然度和可懂度打一个总分，分工是听感排序；音系忠实度负责核对合成输出是否保留了区分词形和语法形式的对立，分工是按音系类别逐项审计。二者搭配的原因是前者已接近人类水平时会掩盖系统性音系错误，组合意义在于用任务相关的诊断层补上自然度指标看不见的结构偏差。

本文明确把方法定位为补充层，而不是替代平均意见分或词错率。平均意见分与多维质量评价、说话人相似度、神经网络预测的 MOS、可懂度指标都被作者归为全局质量追踪工具，它们的共同局限是不检验音系模式是否被尊重。早期改良莱姆测试和诊断莱姆测试虽然有针对辅音可懂度的传统，但系统的多语种音系诊断测试仍然少见。因此本文的教学起点是：当自然度差距已经基本闭合，评估必须转向任务相关和诊断性，针对具体可测量的声学相关物逐项核对。

已有路线测了什么：自然度、可懂度与音系诊断有何不同？

主导范式是人类听辨测试，最常用的是平均意见分和多刺激测试协议，并通过暴风雪挑战等基准固定下来。这类协议给出的是全局评分，不能说明系统是否保留了某个具体对立或形态交替。作者引用了对平均意见分研究的综述，指出听者差异、量表锚定效应、把多维质量压缩为单一标量等问题，以及一项调查 133 篇近期合成论文发现多数论文连量表标签和步长等方法细节都不报告，微小的指导语变化就能显著改变分数。

自动替代方案包括梅尔倒谱失真、频谱与基频误差、语音质量与可懂度感知指标、神经网络 MOS 预测器、基于识别的词错率字错率，以及基于说话人嵌入的相似度。这些方法各自负责总体质量、一致性或音色身份，但都不直接检验音系结构。印度语言合成语料库和多语种基准在实践中同样依赖 MOS 和词错率。相关但不同的两条线是：把音系特征用作低资源识别的训练表示以支持跨语言迁移，以及用探测分类器分析神经语音模型编码了什么音系信息。

本文与前者的区别是目标不是提升识别，而是审计生成；与后者的区别是把探测器从分析编码转向跨域评估合成输出。

为什么选阿萨姆语 ATR 和谐：语言事实与声学可测性如何对应？

阿萨姆语的 ATR 和谐规定：当词带有[+ATR] 后缀元音时，词干元音的 ATR 值受到约束，哪些元音音质可以在一个词内共现是语法的一部分。教学例子是：词干 dEkh 加后缀-i 得到 dekhi，这是一个表面一致且无混合的例子；zUnAk 加-i 得到 zUnAki 是表面一致但底层混合的例子；rup 加-Ali 得到 rupAli 则属于不一致且混合的例子。这里例子只帮助理解和谐类别划分，不代表合成效果。

声学上，跨语言研究发现[+ATR] 元音比对应的[-ATR] 元音具有更低的第一共振峰和更窄的第一共振峰带宽。如果合成系统不能维持这种区分，F1 会发生可测量的偏移，即使听感可接受，人类语音上训练的分类器仍能检测到。作者评估的对象是 Meta 的大规模多语种语音合成 MMS 的阿萨姆语模型 mms-tts-asm，它是基于 VITS、覆盖 1100 多种语言的系统之一，选择理由是少数公开可得且支持阿萨姆语、便于复现。合成时固定随机种子以保证多次运行输出确定。

问题形式化为两项任务加一项审计：任务一学元音级 ATR 分类并测跨域迁移，审计比较转写金标签与声学预测标签的方向性失配，任务二在词级判断和谐类别是否仍可恢复。

方法全景：一个样本如何走完输入到审计输出？

沿一个目标词走一遍流程最清楚。输入是载体句 moi X buli kolu 中的目标词 X，人类分支是 14 名阿萨姆语母语者朗读录音，合成分支是同一载体句经由 MMS 合成的音频。表示阶段是对切分出的每个元音提取声学表示：前 3 个共振峰 F1、F2、F3、第一共振峰带宽 B1 取元音 50% 时间点的值，加上整个元音时长，并做归一化以消除说话人生理差异。人类分支用说话人级别的 Lobanov 归一化，合成分支因是单一稳定音色而在全库范围内做全局 z 归一。组件阶段是任务一的二分类器，输入 7 个特征，输出二值 ATR 标签。

目标阶段是把人类数据上学到的映射原样应用于合成，比较每个元音的金标签与预测标签是否一致。输出是两层汇总：元音级失配率与过生成欠生成方向，词级和谐分类准确率与宏平均 F1。整个设计的对照逻辑是：人类到人类的说话人分组交叉验证作为域内参照，人类到合成衡量同一音系类别下声学结构偏离人类规范多少，合成到合成与合成到人类从反方向提供同样的诊断。

词级还设置声学聚合与 ATR 序列摘要两组特征，分别用金标签版和预测标签版来量化意图与实现之间的错位。

声学表示如何构造：测什么位置、用哪些量、如何归一？

声学测量的动作是具体且可核对的。研究者用 Praat 手工切分目标词并分割元音，用 FormantPro 提取 F1、F2、F3、B1 在元音中间时刻的值和元音总时长。异常值剔除有明确边界：F1 在 150 到 1200 赫兹，F2 在 500 到 3500 赫兹，F3 在 1500 到 4500 赫兹，B1 不超过 400 赫兹。超出边界的 token 被排除，这是后续样本量从原始切分变为任务一 8125 个元音 token 的原因之一。每个元音还按阿萨姆语描写标注二值 ATR 标签，并附加高度与后度两个语言学特征：高度是 3 级有序变量，高为 0、中为 1、低为 2，后度是二值变量，前为 0、后为 1。

最终任务一特征是 7 维：3 个归一化共振峰、B1、时长、高度、后度。归一化细节决定跨说话人建模是否公平：人类数据在每个说话人内部做 Lobanov 归一，合成数据在整个合成库上做全局 z 评分，因为合成只有一个音色，不存在多人声道差异。理解这一点才能理解为什么人类到合成的迁移差距可以被解释为声学结构差异，而不是归一化口径不一致。

舌根前移 × 第一共振峰： 舌根前移是音系类别，负责规定词内哪些元音音质可以共现，例如后缀/i,u/要求词干元音实现为[+ATR]；第一共振峰是声学相关物，负责把该类别落到可测量的频率高低上，[+ATR] 对应更低的 F1 和更窄的 B1。搭配原因是跨语言研究已确认该映射相对稳定，组合意义在于让人类语音上学到的分类边界可以直接用来判断合成元音落在了边界的哪一侧。

刺激设计把目标词按表面 ATR 一致与底层混合两个维度分为 3 类：全部一致且无混合、有表面一致但存在混合值、不一致且混合。每类在人类与合成中的数量都被报告，词级标签仅用于任务二和审计的分层拆解。合成集共 114 个词，其中 80 个与人类集重叠，34 个为特有词，特有词包含和谐与非和谐最小对，用于测试分类器在未见词项上的表现。

分类器与审计规则如何计算：两个模型分工有何不同？

任务一用两个现成分类器对比：逻辑回归用 L2 惩罚、C 等于 1.0、类别权重平衡、LBFGS 求解器；随机森林用 200 棵树、叶节点最小样本 5、类别权重平衡。两者都吃同样的 7 维特征，输出二值 ATR。评估分 4 个方向：人类到人类用按说话人分组的 5 折交叉验证，人类到合成在全量人类上训练再测合成，合成到合成在合成内部做 5 折分层交叉验证，合成到人类在合成上训练再测人类。

人类到人类与人类到合成的差距量化合成元音偏离人类规范的程度，合成到合成与合成到人类的差距从反方向提供同样诊断。指标是准确率和宏平均 F1。审计规则是：对每个元音比较音系转写的金 ATR 标签与分类器从声学推出的预测标签，不一致记为失配，再分方向：金[-ATR] 被预测为[+ATR] 记过生成，金[+ATR] 被预测为[-ATR] 记欠生成。

合成的预测来自在全量人类上训练的逻辑回归，人类的预测来自同样的 5 折按说话人划分的折外预测，保证每个人类 token 都由没见过该说话人的模型预测，从而使人类失配率成为分类器不确定性的真实参照。

逻辑回归 × 随机森林： 逻辑回归负责学习线性可解释的声学到 ATR 映射，分工是检验跨域稳定性；随机森林负责学习非线性、与说话人条件更相关的复杂边界，分工是检验域内上限。搭配原因是比较线性与非线性在人类到合成迁移时的差距可以分离声学结构差异与模型过拟合，组合意义在于同时得到可迁移的审计工具和域偏移的诊断信号。

词级任务二把词内元音测量聚合成词特征。集合 A 是声学聚合 11 维：归一化共振峰特征、B1 和时长的均值标准差，加上首末元音 F1 和元音个数。集合 B 是 ATR 序列摘要 7 维：[+ATR] 与[-ATR] 计数、[+ATR] 比例、二值熵、多数 ATR、是否全一致、序列上 ATR 切换次数。集合 B 有两个版本：金标签版用转写真相，预测标签版用任务一分类器输出，人类用折外预测避免泄露，合成用全量人类训练的逻辑回归生成。报告 A、B 预测版、A 加金标签版、A 加预测标签版 4 种组合，人类用 5 折按说话人交叉验证共 2969 个词实例，合成用人类到合成迁移共 114 个实例，其中不一致混合类仅 8 例。

方向性偏差如何度量：为什么只看总失配率会误判？

审计的关键不是总失配率越低越好，而是错误方向是否对称。人类折外基准的失配主要来自中元音声学重叠，2 个方向应大致对称；如果合成一侧大量集中在欠生成，说明合成声学落在了人类分类边界的[-ATR] 一侧，尽管底层规格是[+ATR]。论文用卡方检验比较两域错误方向分布差异，并用逐元音拆解定位偏差集中在哪些音位。词级则用声学加金标签与声学加预测标签的迁移差距来量化意图与实现的错位：若合成忠实实现意图，两版应接近；若预测版反而更好，说明声学实际轮廓与金标签意图不一致，而声学聚合本身仍携带信号。

过生成 × 欠生成： 过生成指底层为[-ATR] 却被预测为[+ATR]，负责捕捉合成偏向紧张化的一侧；欠生成指底层为[+ATR] 却被预测为[-ATR]，负责捕捉和谐要求未被实现的一侧。搭配原因是只看总失配率会把方向相反的错误混在一起，组合意义在于用不对称比例判断系统是否存在方向性偏置，而不是分类器本身的对称不确定性。

声学聚合特征 × ATR 序列摘要： 声学聚合特征负责汇总词内各元音共振峰均值标准差、首末元音 F1 和元音个数，分工是保留实际发出的声音形态；ATR 序列摘要负责统计[+ATR] 计数、比例、熵、多数类和切换次数，分工是刻画音系结构。前者来自测量，后者可分别来自转写金标签或任务一预测标签，搭配原因是比较金标签与预测标签两版词级分类效果可以直接量化意图音系与实际声学之间的错位。

需要强调的是，逻辑回归跨域分数稳定并不意味着音系忠实，稳定只说明线性映射可迁移，忠实还要看金标签与预测标签是否一致。随机森林域内高但跨域掉得多，说明它学到了更复杂、与说话人条件相关的边界，换到单一合成音色时泛化差。这组对比是教学重点：准确率高低与是否说对是两回事，必须分开报告。

本研究训练了什么、没有训练什么？

本研究没有训练语音合成模型，也没有微调 MMS 的声学模型或声码器。MMS 作为既有模型仅被调用做推理：经由 Hugging Face 的 mms-tts-asm，以固定随机种子合成同一载体句中的目标词，输出 16 千赫单声道音频，保证跨次运行确定。真正的训练只发生在评估器一侧，即任务一的逻辑回归与随机森林和任务二的随机森林。这些分类器规模很小，训练动作是标准的监督拟合：任务一在人类 8125 个元音上拟合 7 维到二值 ATR 的映射，任务二在人类词实例上拟合聚合特征到 3 类和谐类别的映射。

超参数按原文固定，不做搜索；类别权重设为平衡以应对[+ATR] 与[-ATR] 数量不均；人类分支用按说话人分组的交叉验证避免同一说话人同时出现在训练与测试。推理动作同样明确：人类到合成是把全量人类训练的模型直接应用于合成元音，合成的词级预测标签也来自该模型；人类折外预测保证无说话人泄露。

由于原文未报告分类器训练耗时、硬件与梯度路径，这些属于缺项，不应从模型名称推定实现细节，也不能把评估器小模型的拟合等同于合成本身是确定性求解。

实验条件：数据、划分、指标与可比性如何保证？

人类基准是 14 名来自上阿萨姆地区的成年母语者，8 女 6 男，每人朗读嵌入载体句的目标词，手工切词并分割元音。剔除异常值后任务一剩 8125 个元音，其中 4793 个[+ATR]、3332 个[-ATR]。3 类和谐词在人类中分别为 2102、485 和 382 的量级分布，合成中分别为 81 与 8 等的极小样本，不一致混合类在合成中仅 8 例，这是词级迁移必须小心解读的原因。合成集 114 词中 80 词与人类重叠，34 词特有，含最小对。审计时因对齐问题再剔除后剩 8053 人类 token 与 281 合成 token，其中合成含 199 个金[+ATR] 和 82 个金[-ATR]。

指标方向是：任务一准确率与宏平均 F1 越高表示映射越可迁移；审计失配率本身不高即好是误解，关键是方向对称性，卡方显著且欠生成远高于过生成才判为方向性偏置；任务二准确率与宏平均 F1 越高表示词级和谐越可恢复，但要比较金标签版与预测标签版的迁移差距。公平条件是同一声学测量协议、同一异常边界、同一特征定义，以及人类折外与合成跨域都使用人类训练的同一逻辑回归生成预测标签。

资源状态方面，原文给出代码与样本数据的仓库链接，但本次可验证资源清单中没有完成 HTTPS 状态验证的绑定资源，因此不能声称代码、模型或数据当前已公开可得，只能说原文提供了仓库地址而本次未能确认可达。

主结果：跨域分类分数说明迁移损失很小吗？

先提出比较问题：在相同特征与指标下，人类学到的声学到 ATR 映射搬到合成时会掉多少，线性与非线性模型表现是否一致，公平条件是同一 7 维特征与同一归一化逻辑，指标方向是准确率与宏平均 F1 越高越好。下表整理任务一四个方向的分数，表中数字来自原文表格与正文连续句，裸值保留原文写法，不另加单位换算。

表后解释需要同时讲收益与代价。逻辑回归人类到人类与人类到合成几乎相同，准确率都在约 82% 上下，宏平均 F1 都为 0.81，说明线性映射跨域稳定；但这不支持合成音系忠实，只是说审计工具可迁移。随机森林域内高达 90.5% 准确率与 0.90 宏平均 F1，搬到合成掉到 74.7% 与 0.73，迁移损失大，支持其学到说话人条件边界的解释。反方向合成到人类仍有约 80% 准确率，说明合成内部自洽但到人类仍有差距。

未胜出项是随机森林在人类到合成上明显弱于逻辑回归，不能因其域内最高就选它做审计。逐元音看，/i/与/A/在人类到合成接近完美，分别约 98% 与 100%，而中[+ATR] 的/e/与/o/仅约 69% 与 66%，这预示审计偏差将集中在中元音。/u/在人类中本身最难约 66.2%，在人类到合成反而达 80%，提示合成把该元音做得比自然语音更一致；/U/在合成到人类极差，随机森林仅 0.9%、逻辑回归仅 6.3%，但合成中仅 7 例，属于数据稀疏而非可靠估计。

审计发现：欠生成偏置集中在哪里、有多不对称？

比较问题是合成与人类在失配总量与方向分布上是否相同，公平条件是合成预测来自全量人类训练的逻辑回归，人类预测来自按说话人划分的折外预测，指标方向是总失配率越低不直接判优，方向对称性才是诊断信号。下表汇总总体审计，N 为审计 token 数，失配为金标签与预测标签不一致比例，过生成与欠生成为两方向占全部 token 的比例。

表后解释要指出反直觉点：合成总失配 0.164 略低于人类 0.185，但错误几乎一边倒。金[+ATR] 中 40/199 被预测为[-ATR]，比例 0.142；金[-ATR] 中仅 6/82 被预测为[+ATR]，比例 0.021，欠生成与过生成约 7 比 1，人类则是 0.091 对 0.094 几乎均分，近 87% 的合成错误来自欠生成，方向差异卡方为 21.94、p 小于 0.001。总量更低的原因是合成多数 token 本为金[+ATR] 且声学明确时能判对，诊断信号是方向不平衡而非总量。逐元音拆解显示合成的/i/失配仅 0.016、/A/为 0.000，而中[+ATR] 的/e/为 0.327、/o/为 0.308，各 52 例中约三分之一被判为[-ATR]。

人类最难的是/u/、/U/与/E/，与合成模式相反，支持偏差不是元音本身难分。频谱示例[leteku] 中合成的两个/e/的 F1 落在人类推导的正负边界附近或之上，与欠生成一致。

下面导读图 1 的两个面板：上面板按元音比较失配率，下面板比较总体错误方向，蓝色为人类折外，黄色为合成，阅读时先看高度再看标注比例。

看图路径： 1. 先看上面板横轴八个元音类别与纵轴失配率，对比蓝色人类与黄色合成在/e/和/u/处的高度反转；2. 再看下面板人类两根柱子高度接近对称，合成右侧欠生成柱远高于左侧过生成柱；3. 核对下面板标注的具体比例：人类约 9.1% 与 9.4%，合成约 2.1% 与 14.2%；4. 把上下两板联系起来：合成的总偏差主要由中元音/e/和/o/的欠生成贡献

论文图 1。原论文 Figure 1：“1”。

该图可见内容支持上述判断：上面板合成在/e/处显著高于人类，在/u/处显著低于人类，说明偏差具有元音选择性；/o/处两域都高但合成略高，需结合正文 0.308 与人类对应值理解。下面板人类两柱分别标 9.1% 与 9.4% 几乎等高，合成两柱标 2.1% 与 14.2% 高度悬殊，直接呈现 7 比 1 不对称。图中虚线表示总体均值，可见合成均值低于人类但方向失衡，因此不能用总量低断言合成更好。像素不能精确读出的逐柱小数不硬写，以正文报告的 0.185、0.164 与方向比例为准。

词级验证：金标签与预测标签哪版更能分类和谐？

比较问题是任务一的 token 级偏差是否保留到词级和谐分类，公平条件是同一随机森林、同一声学聚合，唯一差别是 ATR 序列摘要用金标签还是预测标签，指标方向是准确率与宏平均 F1 越高表示和谐结构越可恢复。下表整理词级结果，括号内为宏平均 F1，箭头含义是迁移到合成时低于声学基线。

表后解释要讲清反转：域内金标签版最好达 0.83，因为金标签直接编码和谐结构；搬到合成却掉到 0.49，低于纯声学基线 0.64。预测标签版域内仅 0.77，搬到合成仍有 0.62，迁移差距从 0.34 缩小到 0.15。差距 0.13 支持声学实际轮廓与意图音系错位的解释：用应该是什么来训练的词分类器，遇到实际发音与意图不一致的合成词就会失效，而用实际听到的 ATR 轮廓反而更好。代价是 B 预测版本身域内较弱，且合成不一致混合类仅 8 例，词级迁移估计不确定性大。

未胜出项是 B 预测版单独使用时两域都差，说明没有声学聚合时光靠预测序列不足以判断和谐。这组对照的方法学意义是：金标签与预测标签的迁移差本身就是可量化的错位度量，忠实系统应使两版接近。

边界与未测项：哪些结论不能推广？

论文在结论中明确限定：只评估单个合成系统对单个音系现象在单个语言上的表现，且合成集小而不平衡，这些因素约束具体错误率与断言强度，但不约束通用方法。复述时必须保留该限定，不能把三分之一中元音欠生成推广为所有多语种合成的通病。未评测边界包括：除 ATR 外的其他和谐、声调、重音、辅音对立；除 MMS 外的其他架构；除朗读载体句外的自发语。

除成年上阿萨姆发音人外的其他方言与年龄。未测量项包括误判率之外的延迟、成本、输出帧率与实际听感偏好，原文未报告训练资源与推理开销，因此不能承诺该审计改善了效率或听感。统计上词级合成样本 114 词过小，/U/仅 7 例，逐元音与逐和谐类别的细分比例波动大。方法假设是 ATR 具有稳定的 F1 与 B1 相关物，若换到声学相关物弱或语境依赖强的现象，需要先在人类基准上验证分类器本身有效，否则跨域差距无法解释。

相关性不等于因果：分类器判定为[-ATR] 只报告声学落在了人类边界的哪一侧，不直接证明发音器官动作未前移。

复现先做什么：按什么顺序重建数据与评估？

复现的第一步是重建人类基准：招募同方言母语者朗读同一载体句中的目标词，手工切词并在 Praat 中分割元音，用 FormantPro 在 50% 处提取 F1、F2、F3、B1 与时长，按说话人做 Lobanov 归一，应用同样的异常边界剔除，并按文献标注 ATR、高度与后度。第二步是重建合成集：调用 mms-tts-asm 合成同一载体句，固定随机种子，输出 16 千赫单声道，全库全局 z 归一，执行同样测量与标注，保留 80 词重叠与 34 词特有的划分以检验未见词。

第三步是重跑任务一：用相同超参数拟合逻辑回归与随机森林，复现人类到人类 5 折按说话人分组、人类到合成、合成到合成 5 折分层、合成到人类 4 组分数，核对逻辑回归约 82% 与 0.81、随机森林域内 90.5% 与迁移 74.7% 等关键点。第四步是重跑审计：用全量人类训练的逻辑回归预测合成，用折外预测人类，比较 0.185 对 0.164 总量与 0.091 对 0.094、0.021 对 0.142 方向，复现卡方 21.94 显著。第五步是重跑任务二：构造 11 维声学聚合与 7 维 ATR 摘要的两版本，复现声学加金标签域内 0.83 到迁移 0.49 的跌落与声学加预测版 0.77 到 0.62 的稳健。

由于本次未能确认仓库可达，复现前需先补验证仓库链接、样本数据与环境版本三项信息，再谈系统可运行。

何时值得尝试：给新生的行动清单是什么？

当你的合成听起来自然但需要保证语法条件变体时，这套音系知情评估值得尝试：教学、语言存档、多样性代表等场景对是否说对更敏感，传统 MOS 与词错率不够用。行动清单是：先确认目标对立有可测量的声学相关物并在人类小样本上可分，再建按说话人划分的人类基准与确定性合成集，然后用简单线性分类器做跨域审计，最后看方向对称性而非只看总量。

若欠生成远大于过生成且集中在特定元音，优先检查该元音的训练数据覆盖与前后元音语境，而不是调大模型。常见误解是把跨域准确率高当成忠实，或把总量低当成更好，本文恰好用逻辑回归稳定但仍欠生成、合成总量低但方向失衡两个反例纠正了它们。另一误解是随机森林域内更高就一定更适合审计，实际是线性边界更易迁移。

未来验证需补多系统、多现象、多方言与更大平衡合成集，以及报告延迟成本与人类感知是否察觉这类欠生成，才能判断诊断层能否进入日常开发流程。

⚖️ 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