从有无烦躁到有多烦躁：以强度与时间建模服务对话升级

英文题目：HaessigDB: A Database of Irritable Speech with Intensity Grading

会议身份：conference:interspeech:2026:conference-paper-id:weller26_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 #LoRA #语音 #语音情感识别

评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 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

• Niklas Weller：机构信息未能从会议 PDF 纯文本可靠映射
• Marc Grau：机构信息未能从会议 PDF 纯文本可靠映射
• Ivo Blohm：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为银行客服场景下按句切分的连续客户语音片段，输出为烦恼、挫折与攻击性三维度的1至10级序数强度，难点在于词汇礼貌但韵律已变质的早期微弱信号难以用二分类捕捉且随对话演化。方法链条由合成剧本生成与演员录音构成可控时序刺激源，接着由众包多标注者提供三维强度评分并过滤低质标注，最后经基于序数 Krippendorff α 的迭代剔除形成各维度高一致子集以支撑可靠监督学习。相对 Emo-DB 与 IEMOCAP 等通用类别语料，关键机制差异在于同时建模强度分级与对话内轨迹，使升级风险可被连续跟踪而非事后分类。在攻击性高一致子集的留出测试集条件下，XLSR-wav2vec的MAE为1.333，低于HuBERT的MAE 1.502。结论仅适用于表演化英语银行客服录音与内部划分，跨说话人、跨领域与真实噪声下的外推尚未验证。训练使用单卡16GB NVIDIA T4，批量大小4、学习率1e-4、微调5轮，推理与部署成本未量化。

🔗 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，本文要解决哪一步？

本文输入是客服风格的英语语音片段，目标是估计说话人被感知到的烦躁程度并支持升级决策。所谓烦躁，在文中不是单一情绪词，而是指交互相关的负性情感集合，白话说就是客户在电话里听起来有多不耐烦、多受挫、多有攻击意味。英文对应 irritability，下分恼怒 annoyance、烦恼 frustration、攻击性 aggression 3 个维度。输出不是有无愤怒的二值标签，而是每个维度上 1 到 10 分的序数强度，白话说就是有序的等级分，数字越大表示被感知到的程度越高，但不保证 6 分恰为 3 分的 2 倍。

本文要解决的一步是补数据缺口：已有通用情绪语料多为类别标注且非服务场景，无法给出随对话推进的强度轨迹，也就难以决定何时安抚、何时转人工。方法上作者走合成文本加演员表演加众包打分加一致性筛选的路线，评估上先看现成类别模型在不同强度阈值下是否稳定，再看微调编码器能否学会预测连续强度。

需要保留的关键信息是表演性质、4 名演员、银行场景、45 个脚本、片段平均时长与标注人数，以及筛选阈值与划分方式，因为它们直接决定结论能外推到哪里。关于数据获取，论文正文写了存放位置，但本次没有收到可验证的资源可达证据，因此这里不作当前可用或已公开的断言，复现应以原文描述与本次可核对证据为准。

已有路线为什么在升级管理上不够用？

第一条相关路线是情绪感知的对话系统。客服环境越来越多地给文本或语音助手加上情绪感知，白话说就是让机器能察觉用户不高兴。已有研究讨论共情式坐席设计，也讨论多模态结合音频与文本比纯文本更能发现对话破裂。但这类工作常受限于训练数据稀缺、不平衡与噪声大，语音模态尤其如此。第二条路线是烦躁本身的构念与测量。

概念上烦躁被描述为轻度愤怒，是易恼易烦并可能走向外显愤怒的混合状态；挫折与攻击关系则强调目标受阻可能诱发负性情感并在合适线索下助长攻击倾向。测量上已有工作用韵律线索检测恼怒与烦恼，也有投诉电话中按段标注恼怒强度以捕捉对话内变化。第 3 条路线是问题对话的早期预测。早期轮次可以预测后段的问题交互，并用于恢复策略与转人工决策。

部署系统中的挫折检测也被关联到留存与满意度。这些工作共同说明升级处理是服务运营的核心问题。然而直接可用的对照是：通用语料如德语 Emo-DB、IEMOCAP 与 RAVDESS 擅长做宽类别基准，但不是为服务电话的烦躁强度与时间演变设计的，通常也不提供强度分。因此本文的定位不是再做一个通用情绪分类器，而是提供带序数强度与时序的烦躁语料，使当前值估计与短期升级风险估计成为可能。

任务如何形式化，什么算做对？

形式化上，每个语音片段对应 3 个整数标签，分别表示恼怒、烦恼、攻击性在 1 到 10 分上的众包感知均值或分布，白话说就是多个人听完同一句后给出的严重程度。模型要学的是从声学输入映射到这些序数分数，评价时看预测分与人工分的平均绝对误差与皮尔逊相关，白话说就是平均差几分以及排序趋势是否一致。

另一类评价是把连续分二值化后看类别模型的召回：设定最小阈值，只有人工分高于阈值才算愤怒存在，其余算不存在，再看模型输出的愤怒标签能找回多少应找回的样本。理想行为是阈值很高时仍有高召回，而阈值很低时召回不应虚高，中间阈值单调变化，这样才说明模型能分辨中间强度。举例来说，这只是教学例子而非原文数据：若把阈值设为 8 分，只有被评为 9 到 10 分的片段算正例，好的强度模型应在这些极端片段上几乎全报愤怒。

若阈值设为 0 分，几乎所有片段都算正例，召回天然偏高，此时更应看模型在中间阈值是否逐渐变化。本文保留对话内顺序，句子序号即时间轴，因此还可以研究轨迹建模：前若干句低强度是否预示后段高强度。什么算做对取决于用途：做监督学习看误差与相关，做早期预警还要看低强度段的区分度与跨阈值稳定性。

三阶段管线如何从一句话走到可训练标签？

管线分 3 段。第一段是生成：先合成银行客服文本，再请演员录音，最后切成按句切分的语音片段。第二段是标注：把片段放到众包平台请多人按 3 个维度分别打 1 到 10 分，并做注意力检查与最少评分人数过滤。第 3 段是筛选：按维度分别计算组级一致性，迭代删除最损害一致性的片段，直到达到目标或无法继续提升，得到每个维度的高一致子集。

时间性与强度是贯穿设计的两条线：文本生成时就要求客户随请求未解决而渐趋烦躁，使演员传达的是渐变状态而非静态情绪；标注时保留片段在通话中的先后顺序，使后段分析能画出强度轨迹。下面先看流程总览图，再进入各组件细节。

为帮助初学者建立全景，先用一句话跟踪一个样本：某银行脚本的第 5 句文本被演员读出并切成一个约数秒的片段，随后由 3 到 4 名标注者分别给出 3 个维度的分数，该片段若在某维度上与其他人分歧过大，就可能在该维度的筛选轮次中被移除，最终只在一致性达标的维度子集中保留。

时间性 × 升级管理： 时间性指同一通话内感知强度随句子序号上升、持平或回落的演变，负责提供轨迹信息；升级管理指根据风险决定继续对话、调整策略或转人工的运行决策，负责把预测变成动作，二者搭配的理由是早期低强度段已包含后段高强度的前兆，组合意义是把单句分类扩展为当前值加短期升级风险的估计。

以下导读针对方法总览图：该图把 3 阶段的输入输出与关键数字放在同一版式中，适合核对样本量如何从原始片段收敛到各高一致子集，以及过滤与迭代循环发生在何处。

看图路径： 1. 先从左到右确认三列标题是否为生成、标注与筛选三阶段；2. 再核对第一列是否从合成脚本经演员录音落到原始片段数量；3. 接着看第二列过滤器是否标出每条目最少评分人与剩余片段数；4. 最后看第三列迭代循环的收敛判据与各维度保留数

论文图 1。原论文 Figure 1：“Methodology of dataset creation and curation.”。

该图实际显示左侧生成列从合成脚本经 4 名专业演员录音落到原始片段，中间标注列把恼怒、烦恼、攻击性 3 路评分汇入过滤器并标出每条目最少 3 个评分与剩余片段数，右侧筛选列给出一致性计算、迭代删除与收敛判据，并列出各维度与交集合格数。像素中右侧最终数与正文表格数存在细微出入，解读时以正文连续原句给出的 1068、553、537、516、250 与 832 为准，图上数字仅作流程理解，不作为计数证据。时间性在图中体现为银行场景的渐进升级设定，强度体现为 1 到 10 分的序数量表，3 阶段的衔接点是过滤后的有效片段集合。

文本、演员与切分各自解决什么偏差？

文本材料用合成方式生成银行客服对话，白话说就是机器先写剧本再由人演出来。合成管线覆盖多种场景，并设定客户随请求未解决而越来越烦躁，共选出 45 个不同通话脚本用于录制。这样做的安排理由是把时间性与分级情感直接写进给演员的提示，使表演有明确的升级方向，而不是让演员自由发挥单一情绪。演员通过在线平台聘请 4 名有配音经验且有专业录音设备的人，要求来自英语为官方语言的不同国家，按录音小时平均支付 64 美元。

选择多国演员的用意是增加口音与表达多样性，但这仍是表演语音，不能等同于真实投诉电话的声学分布。录音按完整通话录制后再切成大致对应单个句子的片段，平均时长 3.91 秒，标准差 2.13 秒。按句切分保留了句子序号即时间戳，使后段可以按通话画轨迹；短片段也更适合众包快速打分，但代价是丢失了更长的对话上下文，标注者只能凭单句声音判断强度。

烦躁 × 攻击性： 烦躁在文中是上位操作构念，指服务交互中与语音表达相关的负性情感集合，负责圈定任务目标；恼怒、烦恼与攻击性是 3 个可评分维度，分别负责捕捉轻度不悦、目标受阻感和外显对抗倾向，三者搭配的理由是烦躁常从易恼易烦起步并可能向攻击倾斜，组合意义是把一个笼统标签拆成可分别建模强度轨迹的子信号。

强度 × 类别标签： 类别标签只回答某情绪是否存在，负责做二值判断；强度回答沿某维度被感知到有多强烈，负责给出 1 到 10 分的序数刻度，二者搭配的理由是转人工与升级时机取决于多严重和如何变化而非有无，组合意义是让模型输出可排序可设阈的连续信号以支持早期干预。

沿一个样本走完全程有助于理解分工：输入是第 7 句文本，例如客户追问账单问题未果；表示是演员用渐强的不耐烦语气读出的波形；组件是切分器将其截成独立音频文件并记录其在通话中的位置；目标是 3 个维度的感知强度；输出是多个 1 到 10 分的整数。恼怒维度捕捉语气中的不耐烦，烦恼维度捕捉目标受阻感，攻击性维度捕捉对抗意味，三者可以同时偏高也可以分离，这正是后文攻击性分布右偏而另 2 维近似正态的原因之一。

没有训练大模型时，真正的计算发生在标注筛选与微调适配

本研究没有从零训练语音大模型，真正的计算有两处：一是标注一致性筛选，二是对已有编码器的参数高效微调。先讲筛选。作者用克里彭多夫阿尔法在有序测量水平上分别计算 3 个维度的一致性，白话说就是一种考虑了偶然一致并允许每条目评分人数不同的组级信度。由于该系数定义在条目集合上而非单条目，作者采用迭代删除：从全部合格片段出发，每轮移除最能提升组级系数的片段，直到系数达到 0.80 或再删也不提升为止，得到各维度的高一致子集。

注意这不是逐条目阈值过滤，而是整体优化，删除的片段在不同维度可以不同，因此 3 个子集的样本构成并不相同，另有内连接与外连接两种合并方式。

克里彭多夫阿尔法 × 高一致子集： 克里彭多夫阿尔法是经机会校正且容忍每条目评分人数不等的组级一致性度量，负责量化整批标注是否可靠；高一致子集是通过迭代删除最拉低组级指标的片段而保留下来的数据，负责提供可监督学习部分，二者搭配的理由是单条目无法定义该系数只能整体优化，组合意义是用牺牲样本量换取标签排序更可信。

再讲微调适配。作者取两个预训练语音编码器家族的模型，在其上加单标量回归头以输出连续强度，用低秩适配在小显存上微调。原文报告的运行条件是随机 80 比 20 划分且非说话人无关，在 16 GB 显存的图形处理器上以批量 4 与学习率 0.0001 训练 5 轮。监督来源是筛选后攻击性子集的人工强度分，损失与优化器的具体形式原文未展开，这里不作推定。需要明确的缺项是：未报告随机种子、交叉验证、说话人划分对照与超参数搜索，梯度具体流经哪些层也未按模块冻结逐项说明，因此不能从模型名称推定实现细节。

参数高效微调 × 回归头： 参数高效微调用低秩适配在冻结大部分预训练语音编码器的同时只更新少量新增参数，负责以小算力适配新任务；回归头是在编码器后加一个输出单标量分数的线性层，负责把分类表征转为序数强度预测，二者搭配的理由是原模型只有愤怒等类别输出而无强度概念，组合意义是保留语音表征能力的同时学会输出可比较大小的烦躁分值。

复述可执行动作：若要重做筛选，需先保证每片段每维度至少 3 个有效评分，再按维度分别算有序阿尔法并迭代删除；若要重做微调，需先复现同样的非说话人无关随机划分与回归头，再用相同轮数与批量跑出基线误差，然后再补做说话人无关划分以检验外推。

基线、阈值扫描与微调各在测什么，条件是否一致？

实验分 3 组问题。第一组测现成类别模型的跨阈值稳定性：从音频分类中按喜欢数选取 5 个带愤怒或生气标签的流行语音情绪模型，涵盖交叉语言表征、掩码预测、自监督工具包与大弱监督等不同架构与训练机制，把它们的愤怒输出与人工序数分比较。具体做法是阈值扫描，最小阈值从 0 到 9 变动，高于阈值算愤怒存在，否则算不存在，重点报告攻击性子维度的召回曲线，恼怒与烦恼模式类似。

条件上 5 个模型均为开箱即用，未在本文语料上训练，因此比较的是跨架构的分类倾向差异，而非同条件微调后的优劣。第二组测分布与轨迹是否符合设计预期：看筛选前后标签直方图是否变平坦，看每通话前 20 句的 5 句滑动平均轨迹是否先升后持平。第 3 组测可学习性：取其中两个编码器做回归微调，在内部测试集上报告平均绝对误差与皮尔逊相关，并把预测分以 5 分为界二值化后重新做阈值扫描召回对比。

需要强调的不一致是微调划分明确写为随机划分且非说话人无关，这意味着同一说话人与同一脚本风格可能同时出现在训练与测试中，误差偏乐观。硬件预算只给出单卡型号与显存，推理延迟、误判成本与统计显著性均未报告。

筛选改变了什么分布，轨迹是否如预期爬升？

先看样本量问题：经过注意力检查失败者剔除与最少评分过滤后，有效片段是多少，各高一致子集与合并集又各剩多少，内连接与外连接的含义是什么。下表把正文连续原句中的计数整理成可核对形态，阅读时注意内连接要求 3 个维度同时达标因而最小，外连接只要求至少 1 维达标因而最大。

比较各子集规模与合并方式时，公平条件是同一批过滤后有效片段出发，指标方向是保留数越多覆盖越广但一致性要求越严则越可信，关键是核对 3 个单维度子集与两种合并集的相对大小是否符合集合逻辑。

上表主要显示筛选代价很大：单维度保留约一半，内连接仅剩 250 段。结合正文 587 段被评 3 次、482 段被评 4 次的构成，可知众包基数并不大，筛选后更小。未胜出项是内连接虽然最干净但量太少，难以支撑多维度联合建模；外连接量大但混入了在某些维度上一致性不足的片段，用时需按维度分别取舍。

以下导读针对标签分布图：该图上下两排分别为原始与筛选后，上排可判断原始偏态，下排可判断筛选是否压平高峰并保留低分段，适合检验筛选是否缓解类别不平衡。

看图路径： 1. 先对比上排原始分布与下排筛选后分布的柱形高低变化；2. 再确认横轴是否为 1 到 10 分评分而纵轴是否为计数；3. 重点观察攻击性右偏形态与最低等级是否被大量保留

论文图 2。原论文 Figure 2：“Label distributions for each emotion before and after the data curation.”。

该图实际显示上排恼怒与烦恼近似钟形而攻击性右偏，下排恼怒与烦恼的最频值被削平而更均匀，攻击性仍集中在低分但 1 分柱依然高耸。正文解释这是筛选后分布更平坦而低等级几乎未被滤除，说明情绪明显缺席时标注者最容易达成一致。教学上要注意纵轴是计数而非概率，柱高受保留总数影响，跨排比较高低需结合总数变化，不能把下排变矮直接读成该分数消失。

以下导读针对时序轨迹图：该图按 3 维度分面，横轴为句子序号而纵轴为评分，灰线为单通话滑动均值而蓝线为跨通话平均，适合检验前段爬升与后段持平是否成立。

看图路径： 1. 先确认横轴为句子序号而纵轴为评分的三张分面标题；2. 再区分灰色单通话滚动均值线与蓝色跨通话平均线的走向；3. 对比前 10 句的爬升斜率与 10 句之后的高位持平段

论文图 3。原论文 Figure 3：“Smoothed emotion trajectories for the first 20 snippets of each call.”。

该图实际显示 3 条蓝线在前 10 句单调上升，之后维持高位，恼怒与烦恼的平均高点在 6 分附近而攻击性仅在 4 分附近，且灰线离散度在攻击性上更收窄于低位。这报告支持设计意图即客户随未解决而渐趋烦躁，也支持早期检测的动机即前 10 句存在从低到高的可学习爬坡。但这只是平均趋势，不等于每通电话都单调上升，灰线中存在 plateau 与回落，总体趋势不能推广为每步必升。攻击性整体偏低与挫折攻击理论一致，即挫折先行而攻击需额外条件触发。

微调的误差与相关到底意味着什么，能否直接部署？

微调数值需要放在同一运行条件下读：同一攻击性子集、同一随机划分、同一回归头形式，指标方向是平均绝对误差越小越好而相关系数越大越好。下表把原文连续原句中的训练预算与测试结果整理成可核对形态，便于比较两个编码器的绝对误差与排序一致性。

比较两个微调模型时，公平条件是同数据、同轮数、同批量与同学习率，指标同时看误差大小与排序相关，关键数字是平均差几分以及预测排序与人工排序的相关强度。

上表主要收益是 XLSR 在误差与相关两项同时更好，平均差约 1.33 分而相关达 0.71，说明相对顺序与量级都更贴近人工判断。具体代价是误差仍超 1 分，在 1 到 10 分量表上不可忽略；且划分非说话人无关，同一说话人信息可能泄漏到测试集，误差偏乐观。未胜出项是 HuBERT 虽明显改善但两项均弱于 XLSR，若只看二值化后的高阈值召回可能掩盖这一差距。原文明确强调这些结果不能单独证明跨说话人、跨领域与跨录音条件的泛化，只能作为无现成基准时的初步证据，表明预训练语音编码器可以被适配到细粒度烦躁强度预测。部署前还需补测误判率、延迟与转人工成本，否则不能承诺体验或效率改善。

现成模型为何在中间强度上失稳，微调改变了什么？

阈值扫描报告显示 5 个现成模型在低阈值与高阈值下的召回差异很小，曲线近乎平坦：要么始终很高，要么始终很低。这说明两点失败模式。第一，分类倾向随架构与训练机制差异很大，跨运行条件的行为不稳定；第二，类别输出没有序数概念，即使能找回高攻击片段，也无法稳定分辨中间强度，而早期干预恰恰需要中间强度的细粒度信号。把曲线向下直接读成绩差是误读，关键是看曲线是否随阈值单调变化：理想应随阈值提高而有意义地变化，平坦即失稳。未评测边界是文本模态与多模态融合均未在同一扫描下对比，不能据此断言声学必然优于文本。

以下导读针对微调前后召回对比图：该图横轴为最小攻击性阈值而纵轴为愤怒召回率，实线为微调前而虚线为微调后，蓝橙分别对应两个编码器，阴影为前后差距，适合判断微调是否把平坦曲线拉成理想的单调形态。

看图路径： 1. 先确认横轴为最小攻击性阈值而纵轴为愤怒召回率；2. 再区分实线微调前与虚线微调后两组蓝橙曲线的走向差异；3. 观察低阈值端实线与虚线的垂直差距随阈值增大如何收敛

论文图 4。原论文 Figure 4：“Irritability detection performance on the HaessigDB aggression subset of two emotional speech detection models from Huggingface before and after fine-tuning.”。

该图实际显示微调前蓝色模型召回长期高企而橙色模型长期低迷，阈值变化几乎不改变判断；微调后两条虚线均随阈值上升而上升，尤其在低阈值端明显下调虚报，在高阈值端保持高召回，蓝色虚线整体高于橙色虚线。像素中阈值标到 8 而正文描述扫描到 9，步数细节以正文为准，趋势判断不受影响。这支持筛选后语料包含可学习的声学信号，且参数高效适配能让编码器输出与人工排序更好地对齐。但必须指出二值化分界 5 分是作者为对比而设的转换点，并非运营最优阈值，不能当作可部署策略；且结果基于内部测试集，未做说话人与领域外推。

哪些边界会让结论失效，读数时如何避坑？

第一个边界是表演与场景局限。4 名演员、银行上下文、合成脚本决定了声学分布偏干净且升级路径偏设计化，真实投诉电话的噪声、重叠、方言与更复杂的情绪混合均未覆盖。第二个边界是标注与筛选的取舍。每片段仅 3 到 4 人打分，注意力检查剔除 9 人后还移除了 28 个不足三评分的片段；迭代筛选虽把组级系数推到 0.80 以上，但代价是删除大量中间分歧样本，可能使模型少见最难的边界案例。

第 3 个边界是划分与验证缺项。微调为随机 80 比 20 且非说话人无关，未报告种子、交叉验证与显著性检验，也未做说话人无关或跨域测试，因此误差与相关不能读成外推性能。第四个边界是指标误读风险。平均绝对误差相同不代表错误分布相同，相关高不代表阈值策略最优；把预测分以 5 分为界转成愤怒有无只是为了与基线对比，不能当作运营阈值。

第 5 个边界是资源表述。论文写了存放位置，但本次无可验证的可达证据，不得据此声称数据、代码或模型已公开可用，复现时应先核对原文版本与许可，再确认可达性。区分表述有助于避坑：轨迹先升后持平是报告的平均现象，支持早期信号存在；声学信号可学习是有限解释；而能降低转人工成本或提升满意度则是未验证推测，原文并未测量这些运营指标。

要复述与重跑，先固定哪四组条件？

第一组固定数据构成：45 个脚本、4 名演员、按句切分后过滤剩 1068 段，其中 587 段被评 3 次、482 段被评 4 次，片段均长 3.91 秒而标准差 2.13 秒，众包每人至多评 20 段并有注意力检查。第二组固定标签语义：3 维度各自 1 到 10 分有序，组级一致性按维度分别算有序阿尔法，筛选目标为 0.80 或无法继续提升，单维度保留 553、537、516 段，内连接 250 段而外连接 832 段。第 3 组固定基线协议：5 个带愤怒标签的流行音频分类模型开箱即用，最小阈值从 0 到 9 扫描，高于阈值算正例，报告召回随阈值的变化而非单点准确率。

第四组固定微调预算：取攻击性子集随机 80 比 20 划分，加单标量回归头，用低秩适配训练 5 轮、批量 4、学习率 0.0001，在 16 GB 单卡上运行，报告平均绝对误差与皮尔逊相关，并以 5 分为界做二值化召回对照。重跑时建议先复现非说话人无关基线，再新增说话人无关划分与多次随机种子，以量化泄漏带来的乐观偏差；同时保留句子序号以重画前 20 句滑动平均轨迹，检验前 10 句爬升是否稳定。

若要用于升级策略，还需另行收集真实客服音频、标注转人工结局与成本，并做延迟与误报分析，否则只能停留在强度预测层面。

何时值得尝试这条路线，还缺哪项验证？

当任务是客服语音中的升级管理而非通用情绪分类时，这条路线值得尝试：需要的是有序强度加时间轨迹，而非有无愤怒。可用信号是前段低强度向后段高强度的爬坡，以及筛选后更均匀的标签分布；可用方法是先用高一致子集训练回归强度，再按运营成本调阈值决定安抚或转人工。尝试前应接受 3 个前提：表演数据只能作为起点，真机分布需另行采集；内部误差偏乐观，必须补说话人无关与跨域验证。

类别模型的平坦召回曲线说明直接复用开箱模型风险大，微调或重训不可省。还缺的验证包括跨说话人与跨场景的外推误差、阈值策略的误报代价、实时推理延迟，以及多模态结合文本后的增益。这些未测量项正是把强度预测变成可部署升级策略的必经之路。回到中心矛盾：二值情绪标签回答不了有多严重与何时会恶化，而带强度与时序的烦躁语料使这两个问题首次变得可建模，但从可建模到可运营仍需更严的划分、更大的真实样本与成本感知的评估。

⚖️ 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