分诊不是诊断：用结构化病历造出带口音和犹豫的急诊对话

英文题目：TriageSim: A Conversational Emergency Triage Simulation Framework from Structured Electronic Health Records

会议身份：conference:interspeech:2026:conference-paper-id:srirag26_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：#医疗音频 #数据集构建 #语音对话系统 #语音克隆

评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 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

• Dipankar Srirag：机构信息未能从会议 PDF 纯文本可靠映射
• Quoc Dung Nguyen：机构信息未能从会议 PDF 纯文本可靠映射
• Aditya Joshi：机构信息未能从会议 PDF 纯文本可靠映射
• Padmanesan Narasimhan：机构信息未能从会议 PDF 纯文本可靠映射
• Salil Kanhere：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

急诊分诊需从简短口语交互中完成风险评估与急症等级划分，但真实护患录音受隐私管制而缺失，现有资源多为结构化结局或事后记录。TriageSim以结构化电子健康记录为潜在临床状态，先构建患者与护士画像，再由对话主控、护士智能体与患者智能体进行多轮交互并记录生命体征查询与红旗征，最后经韵律短语切分、口音条件语音克隆与急诊背景混音生成对齐文本与音频。与既往纯文本诊断对话生成相比，该框架将澳大拉西亚分诊量表与急诊严重度指数作为显式决策策略注入护士智能体，并分离护士与患者的信息权限。在失流畅控制评测任务下，重复的Spearman相关指标为0.52，高于填充停顿的Spearman相关指标0.33。该结论目前仅适用于合成英语口音与短急诊交互，尚不能外推至真实噪声、真实患者行为与高风险决策。原文披露对话生成约 1000 美元 API 调用成本，未披露训练或部署延迟吞吐。

🔗 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

急诊分诊研究为什么卡在结构化病历上？

输入是急诊分诊的真实工作场景：护士与患者进行简短口语交互，评估症状严重程度、识别危险信号并给出反映救治紧急程度的分诊级别。目标是研究这种口语交互如何影响分诊决策，以及语音和口音变化会带来什么挑战。必须保留的信息是，分诊不同于诊断，分诊是在信息不完整和对话约束下做风险评估，而不是给出疾病名称。输出是本文要解读的仿真框架如何用结构化数据造出多轮护患对话及其对应音频，并检验其语言、行为、声学和医学保真度。

对于刚入门的同学，白话解释是：医院有大量结构化电子健康记录，英文是 Electronic Health Record，缩写是 EHR，里面记着主诉、体温、心率、血氧、疼痛评分和最终分诊级别，但几乎没有真实的护士患者对话录音，因为隐私和监管不允许公开。于是语音和对话研究就缺了最关键的材料：带口音、犹豫、打断和追问的真实分诊语音。已有临床数据集多是结构化结局或事后补记的分诊笔记，不能反映多轮问答和语音变化。本文的任务就是在不触碰真实录音的前提下，用结构化病历作为种子，生成人物可控、流程可控、文本音频对齐的合成对话。

学习依赖上要先分清两个约束。第一是监管约束导致数据缺失，所以任何合成都必须能说明临床一致性，否则就是编故事。第二是分诊约束强调风险而非病名，所以评价不能只看语言流畅，还要看是否问了该问的生命体征、是否抓住了红旗。带着这两个约束去看方法，就能理解为什么作者要引入分诊算法、对话主持人和人物设定，而不是直接让一个大模型自由扮演医患。

已有医患对话生成路线缺了哪一块？

同输入、同目标、同监督的对照要分 3 条路线讲。第一条是真实临床语音路线，例如用环境临床智能数据做就诊笔记生成，这类工作输入是真实医患 encounters，目标是生成病历文本，监督来自真实记录，运行阶段在真实音频上。但在急诊分诊场景，这条路线因隐私难以复制，所以本文不与其直接比分数，只继承其问题意识。

第二条是角色扮演与专家撰写对话路线，例如用真人演员扮演或专家编写的医患对话研究临床笔记生成。这类工作的输入是人工设定的病例，目标是文本层面的问诊与记录，监督是人工撰写的对话，运行阶段是纯文本。它们的优点是医学可控，缺点是没有音频合成、没有声学变化，也没有显式的分诊决策框架。

第 3 条是以结构化数据为条件的患者模拟器路线，例如根据临床笔记合成医患对话，或用人物驱动模拟真实医患交互。这类工作与本文输入最接近，都是结构化病例加人物设定，目标也是多轮对话，监督是模型生成加规则校验。但原文指出它们聚焦诊断且多为纯文本，没有结合口音条件语音克隆、环境噪声混合和分诊量表约束。因此本文的增量不是换更大的语言模型，而是把分诊算法约束、短语韵律标注和声学条件合成补进同一流水线，使文本、语音和决策行为可以联合受控。

要解决的具体问题与可检验的成功标准是什么？

问题可以拆成生成与验证两部分。生成部分要求从结构化种子出发，产生多轮护士患者交互，护士行为受分诊算法约束，患者表达受人物属性影响，最终输出对齐的文本与音频。验证部分要求回答 3 个可检验问题：语言和行为是否随设定单调变化，合成语音是否可懂且说话人一致，医学内容是否与临床判断一致。

举例说明，例子仅为教学虚构，不代表原文数值：假设种子是胸痛加高疼痛评分，护士人物设为严格遵循指南，患者人物设为高不流利，成功标准不是对话听起来像急诊，而是护士确实多查了生命体征并记录了对应红旗，患者确实出现更多填充词和重复，且第三方临床医生能从转写中还原出相近的主诉。失败条件也很明确：如果人物设定档之间没有可测差异，或临床医生认为红旗大量漏报误报，则框架不可用。

本文把下游效用定义为对话式分诊分类，即只看对话文本或音频预测分诊级别。这是一个比单轮分类更难的任务，因为信息散在多轮问答中，且口音和不流利会干扰识别。作者明确不把生成对话的模型再用于分类，以避免自我偏好偏差，这个设计是理解实验公平性的关键。

TriageSim 全景：一个病例如何走完四步变成音频？

先沿一个样本走完全程。输入是一条结构化种子，例如来自 MIMIC-IV-ED 的去标识化字段，包括主诉、生命体征、疼痛评分和分诊级别，或来自急诊严重度指数手册和急诊分诊教育工具包教材的教学案例由急诊临床医生转写成的同模式结构。表示分为两路：一路是病例真值，只给对话主持人；另一路是护士人物与患者人物，分别由大模型经结构化提示生成并做一致性校验，例如性别与病例描述对齐、语言熟练度与不流利度相容。

组件包括对话主持人、患者智能体和护士智能体 3 个语言模型。目标是产生以分诊决策或达到最大轮数结束的多轮交互。输出是带短语标注的转写、按口音克隆的语音段与混合环境噪声后的完整音频。

结构化电子健康记录 × 潜在临床状态： 结构化电子健康记录指主诉、生命体征、疼痛评分和分诊级别等去标识化字段，它在 TriageSim 中不直接作为对话文本，而是作为潜在临床状态：对话主持人掌握完整真值并按需提供，护士只能按流程索取，患者只知道主诉和疼痛，这种信息不对称迫使对话必须通过提问逐步揭示病情，从而复现分诊在信息不完整下的风险评估过程。

4 步流水线对应原文架构图的 4 个面板。第一步构造输入数据，第二步多智能体逐轮仿真，第三步标注短语结构，第 4 步按口音克隆声音并混入受控环境噪声。护士在每轮有 4 种动作可选：对患者说话、向主持人索取生命体征测量、执行分诊、记录识别到的医学红旗、指示性分诊级别和置信度。患者只能看到人物设定、主诉和疼痛，看不到结构化生命体征和主诉关联的指示症状，这种信息隔离是保证问诊必要性的核心机制。

以下导读帮助建立全景后再看像素细节：请把架构图看成从左上到左下再到右下最后到右上的顺时针流程，左侧是数据与人物，中间是对话，右侧是语音，箭头颜色区分了人物、算法、查体征和分诊等不同信息类型。

看图路径： 1. 沿左上输入经左下对话再到右下标注最后到右上合成的主路径追踪数据流向；2. 对比患者与护士两条人物设定分支的属性差异及其分别进入哪个智能体；3. 观察对话主持人与护士患者之间的说话、查体征和分诊三类箭头如何闭环；4. 查看语音合成分支中参考音库、口音分支与环境噪声在何处汇入最终音频

论文图 1。原论文 Figure 1：“Architecture of TriageSim: (a) Input data is constructed using the structured seed data and persona generation.”。

该图显示 4 个虚线框对应上述 4 步。左上框内黑色块列出主诉、分诊级别、体温、心率、血氧、呼吸率、收缩压和疼痛级别，中间与右侧分别展开患者人物与护士人物属性。左下框显示对话主持人居中调度，患者在左、护士在右，黄色标签标出说话、查体征和分诊动作。中间底部转写示例与右下已标注话语通过标注模块连接，标注符号区分语调短语与句子边界。右上框显示环境音库与声音克隆双路汇入护士段与患者段再叠加为合成语音，性别与原籍国标签从已标注话语回连到语音库选择，说明音色选择受人物设定控制。理解这张图就抓住了全文的方法主干。

人物与对话调度如何分工实现可控变化？

患者人物包括人口学属性、沟通特征和认知特征 3 组。人口学是性别、原籍国和年龄组，沟通是语言熟练度、啰嗦程度和不流利率，认知是回忆准确率、认知状态和话题漂移。这些属性影响选词、犹豫模式、回答长度和话语连贯。护士人物包括性别、经验水平、风险容忍度和指南依从性，影响提问方式、查体征行为、分诊激进程度和决策阈值。所有属性经结构化提示生成，并对照病例元数据校验内部一致性。

人物设定 × 不流利度控制： 人物设定指为患者和护士分别设定的可控属性，患者侧包括性别、原籍国、语言熟练度、啰嗦程度、不流利率、回忆准确率等，护士侧包括经验、风险容忍度和指南依从性；不流利度控制是患者人物设定的一个可调维度，它把低中高三档意图转化为填充停顿、重复、替换、插入等可测量的口语现象，使语言变化不是随机噪声而是可复现的实验条件。

对话调度由对话主持人承担。它掌握完整结构化真值，负责实例化护士与患者智能体，在护士请求时返回生命体征测量，并记录中间分诊决策。关键规则是主持人不向护士主动泄露真值变量，除非护士显式发起生命体征查询。护士持有的是人物设定加分诊算法，患者持有的是人物设定加主诉与疼痛。这种权限划分使护士必须通过提问和检查来推进，患者则可能因回忆偏差或话题漂移提供不完整信息。

分诊算法 × 护士智能体： 分诊算法指作为结构化提示输入的澳大利亚分诊量表与急诊严重度指数的判定规则，包括严重程度标准和高风险红旗等；护士智能体负责执行问诊、分诊和记录，它的每轮发言、索取生命体征、判定级别和记录红旗都受该算法约束，因此它的输出不是自由生成，而是算法约束下的决策轨迹，便于检查是否遵循了急诊流程。

生成时 3 个智能体均为大模型，具体实现混合使用 3 个先进语言模型，生成每个交互时均匀随机选择其一，以在推理多样性上近似均衡。分诊推理多样性还通过量表选择增强：手册案例用急诊严重度指数，教育工具包案例用澳大利亚分诊量表，MIMIC-IV-ED 案例在两者之间均匀采样。交互逐轮进行直到做出分诊决策或达到最大轮数，护士每轮记录的红旗与置信度为后续医学保真度评价留下可审计轨迹。

从文本到波形：韵律标注与声学混合做了什么？

文本到波形的链路分两段。第一段是个体话语的短语边界标注，采用已有文献的语调短语与句子断点框架，对患者话语还会把人物属性纳入标注以更准确反映说话风格。这一步提供显式韵律控制，避免合成时把犹豫和口语表达读成书面语。第二段是按口音条件选音与合成，根据人物设定的原籍国与性别从公开语音库中选出参考音，将参考音、对应转写和性格指令一起交给语音合成模型做零样本声音克隆。

短语断点标注 × 零样本声音克隆： 短语断点标注指对每句转写标注语调短语和句子边界，为合成提供显式韵律控制，患者句还会结合人物特征调整说话风格；零样本声音克隆指用 Qwen-3-TTS 根据公开语音库中按原籍国和性别选出的参考音、文本和性格指令合成对应口音的语音，二者搭配的理由是先定节奏结构再定音色，使口音和犹豫在声学上可控呈现。

为近似急诊声景，作者从环境声音数据集中取键盘打字、电话铃、婴儿哭声和救护车警笛等背景事件，按固定相对增益混合：环境床为负 32 分贝写法保留原文分组，事件声在负 14 分贝到负 26 分贝之间。这种写法中末尾单位覆盖整组，解读时不应拆成每个数值单独加单位。混合后的语料提供对齐的合成转写与音频，使语音识别鲁棒性和多模态分诊分类可以在受控条件下评价。

需要提醒初学者：这里的干净与加噪是设计选择，语料按设计是录音室干净再加可控扰动，不是真实急诊录音。因此声学保真度评价的是可懂度、说话人一致性和自然度，而不是与真实急诊录音的相似度。

本研究训练了什么、调用了什么？

本研究没有报告神经网络训练阶段，没有给出优化器、梯度路径、参数冻结或重置时机的信息，不能把调用大模型等同于训练了模型，也不能从使用冻结模型推定系统输出确定。真实计算过程是仿真与合成加评价：用已有大模型经提示生成人物与对话，用已有语音合成模型做克隆，用规则正则表达式和已有不流利分类器测量语言现象，用已有自动语音识别系统和语音质量预测模型测量声学指标，再请临床专家做盲评。

具体调用包括人物生成使用两种大模型，对话仿真混合使用 3 种先进语言模型并均匀随机选择，短语标注沿用已有框架，语音合成使用报告中的合成模型，环境声来自公开环境声数据集，识别使用 Whisper 大模型加速版，质量评价使用已有自然度预测模型，医学相似度使用医疗领域句向量模型。生成 814 段对话的接口花费约为 1000 美元，这是可复现时预算规划的直接依据。缺项是原文未报告各模型的温度、采样参数和最大轮数等超参数细节，复现时只能先按代码仓库核对，若链接不可用则该部分待验证。

语料规模、口音条件与评价协议如何设定？

数据来源有 3 类：去标识化的急诊记录、美国与澳大利亚的标准教学资源即急诊严重度指数手册与急诊分诊教育工具包手册，后者经急诊临床医生转为与 MIMIC 模式对齐的结构化表示。这样做既扩充临床场景多样性，也缓解许可约束。生成语料覆盖澳大利亚、中国、印度和中东 4 种口音条件，共 814 段对话。说话人计数在每个分诊级别子集内计算，同一说话人人物可出现在多个级别的对话中，因此各级别说话人数相加不等于去重总人数。

评价沿 3 个互补维度组织：语言与行为保真度用量化分析，声学保真度用可懂度、说话人一致性和自然度，医学保真度用专家对随机 50 段对话的盲评。下游效用是对话式分诊分类，在干净合成文本、识别转写和直接音频 3 种模态上进行，指标用 2 次加权科恩卡帕以考虑分诊级别的有序结构。真值标签来自种子数据，手册案例与教育工具包案例分别有对应量表标签，MIMIC 部分只取已映射到急诊严重度指数的子集。分类所用模型与对话生成模型错开，以避免自我偏好。

下表整理语料按分诊级别的规模分布，表中缩写按原文表注分别表示对话数、说话人数和话语数。读表前要明确比较问题与公平条件：这里不是模型对比，而是检查各紧急程度的样本量与平均长度是否符合预期，例如级别 1 病例预期短于其他级别，这决定后续分类难度是否受长度混杂影响。指标方向是对话数与时长反映覆盖度，平均话语数反映交互充分性。

该表显示总量为 814 段对话，级别 3 数量最多，级别 1 最少且平均话语数最低，与级别 1 预期更短的注释一致。总时长约 26 小时，总词数约 28 万。代价是高紧急级别样本偏少，若直接做分类会面临类别不平衡；未胜出项是级别 5 虽然平均话语数不低但对话数仅 89 段，统计效力有限。复现时应先核对划分是否与原文一致，再讨论加权指标是否掩盖了少数级别的错误。

语言可控性与声学保真度达到了什么水平？

语言与行为保真度的测量方法是：患者侧聚焦不流利控制，按每 100 词统计填充停顿、重复、替换、插入和语音错误，用规则正则表达式在转写上检测；护士侧看经验、风险容忍度和指南依从性是否产生程序与决策层面的对应效应。报告显示设定意图与实测不流利呈正相关，等级相关系数为 0.57，其中重复和填充停顿的扩展效应最强，另用预训练不流利分类器在患者话语上得到相近的 0.45 相关。护士侧经验与最终分诊置信度呈单调关系，专家最高。

低风险容忍的过度分诊率略高为 0.40，但偏移很小；严格指南依从平均查体征 2.88 次，高于其他类型。作者的判断是框架引起可测量的属性变化，但未产生极端不稳定偏移。

合成转写文本 × 自动语音识别转写文本： 合成转写文本指对话仿真直接输出的干净文本，自动语音识别转写文本指用 Whisper 对合成音频重新识别得到的文本；论文同时在两者和直接音频输入上做分诊分类，分工是分离推理难度与转写噪声，若两者成绩接近而音频直接分类也不差，则说明错误主要来自对对话的临床推理，而不是识别把词听错。

声学保真度沿用已有对话语音生成框架的 3 个指标。整体可懂度以归一化合成转写与归一化识别输出之间的词错率衡量为 10.8，说明合成语音可被先进识别系统较好恢复。护士话语为 5.7，患者话语为 16.0，差异反映患者侧引入了更多不流利与口音变化。口音细分中中东 19.4 与印度 16.7 高于澳大利亚 14.2 与中国 13.2。

对高词错率患者话语的人工检查发现错误多在短词与犹豫上，例如跌倒听成数字、填充词归一化为冠词或词汇、口语表达被音素平滑、数词被转写为数字，类似已有方言对话数据集的观察。说话人一致性高达 99.98，说明跨轮次音色高度稳定；自然度预测平均 3.42，语料按设计是干净加可控扰动。

以下导读用于阅读患者不流利可控性曲线：横轴是低中高三档设定，纵轴是每 100 词比率，图例区分 5 类细分与总计，重点看单调性与哪条线主导了总量的爬升。

看图路径： 1. 先确认横轴低中高三档意图与纵轴每百词比率的含义；2. 比较总不流利度曲线与五条细分曲线的斜率差异；3. 观察高档下哪两类细分现象上升最快、哪类几乎保持水平

论文图 2。原论文 Figure 2：“Evaluation of Patient disfluency controllability.”。

该图显示总不流利度从低档约 1.4 上升到中档约 4.0 再到高档约 8.7，呈明显单调上升。细分中插入与替换在中档已可见爬升，到高档重复追平替换，填充停顿也上升但幅度较小，语音错误几乎贴零。这支持原文关于重复与填充停顿扩展最强的部分结论，但也提示总量的大幅上升主要由多类叠加造成，不能只看单一现象。像素不能精确辨别的中间刻度不硬读数值，趋势判断以原文报告的相关系数为准。

对话式分诊分类有多难？三种模态差在哪里？

下游问题是给定整段对话预测分诊级别，测的是临床推理而非单纯识别。比较对象是合成文本、识别转写和直接音频 3 种输入，模型侧文本用 3 种不同规模与来源的模型，音频用直接音频模型。条件一致性上文本侧共享同一批对话，识别转写由同一识别系统生成，音频直接输入同一批波形；不一致处是文本与音频分类器本身不同，因此跨模态比较只能谈总体趋势，不能归因到单一模块。指标是 2 次加权卡帕，考虑级别有序性，越高表示序数一致越好。

下表比较在两种量表下合成文本与识别转写的序数一致性，读表前明确公平条件与方向：同一行内合成与识别对比反映转写噪声的影响，同一列内不同模型对比反映推理能力差异，数值越高越好。表后解释主要收益与代价，并点名未胜出项。

该表显示文本侧平均在澳大利亚量表上合成 0.33、识别 0.31，在急诊严重度指数上合成 0.26、识别 0.25，合成与识别差距仅 0.02 左右。分模型看 Grok 最高，澳大利亚量表合成达 0.39，Nemo 最低仅 0.27，直接音频模型为 0.28 与 0.27，与文本侧相当。作者报告为公平的一致性，支持模态不改变总体分诊准确的判断。主要代价是绝对值偏低，说明对话式分诊本身困难；未胜出项是 Nemo 在两量表上均垫底，且急诊严重度指数整体低于澳大利亚量表，提示量表难度或标签分布不同。不能把自动指标当人评，也不能把小幅差距解读为识别无损，原文的措辞是差异小，瓶颈更可能在推理难度而非转写噪声，表述保留为可能而非因果定论。

护士行为旋钮是否真的拨动了决策与流程？

本节承担消融与对照的教学任务，测的是人物属性旋钮的因果方向：经验是否影响置信，风险容忍是否影响过度分诊，指南依从是否影响查体征频率。与谁比是同一框架内不同档位之间的比较，条件一致指除目标属性外其他生成流程相同，指标方向是置信越高表示越肯定，过度分诊率越高表示越保守，平均查体征次数越多表示程序越完整。关键数字是低风险容忍过度分诊率 0.40，严格依从平均查体征 2.88 次，经验与置信单调对齐。支持的判断是旋钮有效但效应量小，反证是风险容忍只带来最小偏移，不能解释为大幅改变分诊激进程度。

以下导读用于阅读护士行为可控性 3 组柱状图：左中右分别对应经验、风险容忍和指南依从，每组柱子高度为均值，黑色竖线为 95 置信区间，重点看单调性与区间是否重叠。

看图路径： 1. 分别读出左中右三组柱状图的横轴条件与纵轴指标；2. 比较专家与新手在置信度上的单调关系及误差棒是否重叠；3. 判断风险容忍度和指南依从性带来的变化是大幅移动还是小幅偏移

论文图 3。原论文 Figure 3：“Evaluation of nurse behavioural controllability.”。

该图左面板显示专家、中间、新手三档置信依次下降，且误差棒较小，支持经验层级与置信对齐的说法。中面板显示高与中风险容忍的过度分诊率接近，低风险容忍略高，误差棒部分重叠，说明保守性差异小。右面板显示灵活与中等依从的平均查体征数接近约 2.6 次，严格依从升至约 2.9 次，误差棒不完全重叠，支持程序行为受指南依从驱动。限制是这些都是合成行为的自洽性检查，不是真实护士行为的复现精度，未测量误判率与延迟时不应承诺临床收益。

哪些边界尚未验证、不应过度推广？

缺失证据不是技术错误，但必须点明。第一，医学保真度只做了 50 段随机对话的专家盲评，主诉余弦相似度 0.83，红旗检测精确率 0.94 与召回率 0.96，这些数字支持生成内容与临床解读强对齐，但评估只看合成转写，未评估音频层面的可懂度对临床判断的影响，也未报告专家间一致性。第二，声学评价的说话人一致性接近满分，反映的是合成稳定性，不是真实说话人多样性，不能推广为适用于真实急诊录音。第三，分类只在合成分布内进行，没有在真实急诊对话上测试域迁移，因此不能声称可部署收益。

相关性不是因果：人物设定与行为的相关性不证明真实护士会如此行动；口音组词错率差异不证明某口音本身更难识别，因为文本难度与不流利分布可能同时不同。总体趋势不等于每组每步成立，例如自然度平均 3.42 不代表每段都自然，高词错率例子集中在短词与犹豫上，长语义内容受影响较小。未测量推理延迟、运行成本与误判代价时，不应承诺效率或安全改善。训练资源方面除 1000 美元接口花费外，未报告硬件与时间，推理开销与输出帧率也未讨论。

复现先做什么、需要哪些信息条件？

何时值得尝试：如果研究需要可控口音、不流利度和分诊流程的对话音频，且无法获取真实录音，该框架可作为受控实验台；如果目标是提升真实急诊分诊准确率，则还需补真实数据验证，不宜直接当临床工具。复现先做三件事：按种子类型重建结构化输入，确认教学案例转写规则与 MIMIC 字段对齐；重建人物生成与一致性校验，固定分诊量表选择逻辑；重建短语标注、选音规则与噪声混合增益，再跑通识别与分类评价。

关键信息条件包括病例字段定义、人物属性枚举、护士四动作调度、主持人信息隔离规则、口音与性别选音映射、环境声增益设置、分类模型与生成模型错开原则。原文提供代码链接，但本次资源状态为未发现来源绑定且完成验证的资源，不得声称代码已公开或当前可用，实际以可达性核验为准。若链接当前不可用，应先用原文描述的分步规则实现最小闭环，再对照语料统计表校准规模。还需补的验证是超参数、最大轮数、提示模板细节和统计显著性方法，这些在原文中属于具体缺项，复现报告应明确标注待验证。

收束：记住了什么、能向他人复述什么？

记住一条主线：结构化病历作真值，对话主持人管隔离与供给，护士受量表约束推进问诊，患者受人物设定表达病情，转写经韵律标注后按口音克隆并混入急诊噪声，最终得到文本音频对齐的合成语料。能复述的方法是：输入构造、人物生成、多智能体仿真、短语标注、语音合成与混音 5 段的输入输出与权限边界，以及 3 维保真度加下游分类的评价逻辑。

记住两组数字的方向而非死记小数：不流利设定越高实测越高且重复扩展最明显；护士经验越高置信越高但风险容忍只带来小幅保守偏移；合成与识别文本的分诊一致性差距很小且绝对值仅为公平水平，直接音频也相近，因此困难更可能在推理而非听错。记住 3 个不推广：不把合成一致性当真实录音性能，不把人物旋钮效应因果化为真实行为，不把未公开验证的资源说成已公开。带着这些边界，该工作可作为研究口音鲁棒性与对话推理的起点，而不是临床分诊的终点。

⚖️ 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