英文题目：Phoneme Error and Uncertainty Features for Interpretable Dysarthric Speech Assessment

会议身份：conference:interspeech:2026:conference-paper-id:zhong26c_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：#CTC #可解释性 #语音可懂度评估 #病理语音评估

评分：7.2/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 开源 1.2/1.5 | 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

  • Zihan Zhong：机构信息未能从会议 PDF 纯文本可靠映射
  • Qianli Wang：机构信息未能从会议 PDF 纯文本可靠映射
  • Satwinder Singh：机构信息未能从会议 PDF 纯文本可靠映射
  • Clarion Mendes：机构信息未能从会议 PDF 纯文本可靠映射
  • Mark Hasegawa-Johnson：机构信息未能从会议 PDF 纯文本可靠映射
  • Waleed Abdulla：机构信息未能从会议 PDF 纯文本可靠映射
  • Seyed Reza Shahamiri：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文处理构音障碍话语级多维感知评估，输入为病理语音波形，输出为不精确辅音、失真元音、可懂度、自然度等七个维度的二分类筛查与七级严重度排序，难点在于说话人内变异大且传统听感知评估主观耗时。方法链分为三步：首先用冻结的联结时序分类音素识别器做自由解码并保留帧级后验；接着并行计算免参考不确定性与基于参考的音素错误率，前者量化偏离典型发音的程度，后者量化与标准序列的编辑距离；最后拼接为11维可解释族并送入浅层探针完成筛查与分级。与强制对齐优度 Goodness of Pronunciation的关键差异是解码不受标准文本约束，避免将病理实现拉回预期音素而掩盖诊断偏差。在Speech Accessibility Project数据集上完整特征族在四个主要维度平均筛查AUROC达到0.80，接近HuBERT基线的0.81，分级Spearman相关为0.55，落后于HuBERT的0.62。结论仅适用于发音与整体可懂度相关维度，对嗓音质量与韵律维度的外推未经充分验证。其适用边界受限于次要嗓音维度标签偏态与线性探针交互建模不足，细粒度分级外推尚未验证。在成本方面，实验硬件为NVIDIA GeForce RTX 3090 GPU，PED探测运行约81秒，EDL训练约2小时，HuBERT探测约3149秒，训练成本与计算量差异明显。

🔗 开源与复现资源

  • 代码相关资源：https://github.com/Kanelmis/PED — 链接可访问（HTTP 200） 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，临床要解决什么麻烦？

这篇论文的输入是一段话语级音频，输出是这段话在多个感知维度上的受损判断和严重程度排序。临床背景是构音障碍，病因和损伤部位不同，会同时影响呼吸、发声、共鸣、构音和韵律等子系统，言语语言病理学家需要反复听录音，在几十个维度上按 1 到 7 级打分，这个过程主观且耗时。初学者要先建立的白话理解是：自动评估不是简单判断这个人有没有病，而是要对每一条 utterance 回答辅音是否含糊、元音是否扭曲、可懂度与自然度如何，以及嗓音和韵律维度是否异常。

论文把重点放在话语级而不是说话人级，理由是同一说话人内部波动很大，原文报告在有至少 5 条话语的说话人上，4 个主要维度的平均话内标准差达到话间标准差的 55%，把一个人的所有话语平均成一个标签会掩盖这种波动。另一个必须保留的学习依赖是：传统手工声学特征如抖动和基频只能刻画很窄的声学属性，自监督嵌入虽然在检测和分类上很强，但向量维度人类看不懂，临床难以部署。

论文因此寻找一种中间路线：特征本身是人能说出含义的，同时在主要维度上不输太多性能。代码当前可用，已公开在 https://github.com/Kanelmis/PED，本文的事实核对以论文正文证据为准。

已有路线为什么不够用？

与本文同输入、同目标的相关工作可以分成 3 条路线。第一条是词错误率路线，用 Whisper 这样的大词级自动语音识别系统转写后再算词错误率，原文指出它与整体可懂度有中等到高度相关，但端到端解码依赖语言先验，会偏向生成合理的词序列而不是真实声学信号，而且作为整句的粗粒度汇总，会丢失局部 disruption 和音素级错误模式。

第二条是强制对齐路线，包括对标准文本做强制对齐、把解码序列映射到词典、计算发音质量分并做不确定性量化，原文指出这类方法依赖参考文本或词典，而构音障碍语音的声学失配会降低对齐质量，使模型偏向预期音素，反而掩盖了诊断所需的偏离。第 3 条是自监督表示路线，用 HuBERT 等预训练嵌入加浅层探针，在嗓音质量和病因分类上性能强，但嵌入是黑盒。

为便于对照，论文复现了其中发音质量分的 maxlogit 版本，使用相同的 Montreal 强制对齐和温度缩放，温度取 7.8375，并且在相同冻结识别器下比较。本文与它们的区别是：不做强制对齐，两个序列独立得到，只在算编辑距离时相遇；不依赖词级语言先验做判断，而是用音素后验的犹豫程度作为构音失真的代理。

教学例子是：比如标准序列要求发/t/，患者实际发出介于/t/和/d/之间的模糊音，强制对齐可能硬把它拉到/t/并给出不低的分数，而自由解码的后验会在/t/和/d/之间摇摆，这种摇摆正是本文要捕捉的信号，此例为帮助理解的虚构例子，不代表论文报告的具体音素对。

任务如何定义，测什么才算数？

论文把任务定义为话语级多维评估。数据来自 Speech Accessibility Project 在 2025 年 11 月 2 日发布的公开集，包含 959 名说话人，病因包括帕金森病 39.4%、肌萎缩侧索硬化 26.8%、脑瘫 18.7%、唐氏综合征 9.3% 和中风 5.9%，专家按 DAB 框架在最多 45 个维度上打 1 到 7 的序数分。研究只用其中有至少 1000 个标注样本的维度里的 7 个代表：4 个主要维度为辅音含糊、元音扭曲、可懂度和自然度，另加可与基线直接比较的两个嗓音维度气息声和粗糙声，以及一个韵律维度音素延长。

评估拆成两问：二分类筛查把 1 分视为正常、2 到 7 分视为受损，用 ROC 曲线下面积 AUROC 衡量，越高越好；序数分级保留 1 到 7 的顺序，用 Spearman 等级相关衡量排序一致性，越高越好。所有指标都报告 95% 自助置信区间，自助 1000 次、随机种子 42。初学者容易混淆的是：AUROC 回答能不能把异常挑出来，Spearman 回答能不能把轻重排对，二者方向一致但含义不同，不能互相替代。论文还强调说话人无重叠划分，避免同一说话人的话语同时出现在训练和测试中。

PED 全景：一条话语如何变成 11 个数？

沿一条样本走完全流程有助于建立依赖关系。输入是 16 千赫重采样并做峰值归一化的音频，先送入冻结的音素识别器 wav2vec2-xls-r-300m-timit-phoneme，它是在 TIMIT 上微调过的 XLS-R，参数量 315M，音素词表 44 类。编码器输出两种东西：一是每 1 帧的后验分布，二是贪心解码得到的实现音素串。与此同时，参考文本经 g2p-en 转成标准音素串，再做 IPA 到 TIMIT 的映射。

两条字符串独立产生，只在 Levenshtein 对齐这一步相遇，由此算出 6 个基于参考的错误率：音素错误率、替换率、删除率、插入率、按 16 维语音学特征加权的特征错误率，以及识别串与标准串的长度比。其中特征错误率的设计是让/t/到/d/只罚浊音差异，而/t/到/m/罚浊音、鼻音、部位和方式多项差异。另一路完全不需要参考文本，直接从冻结头的后验算 5 个置信特征：证据不确定性、偶然不确定性、认知不确定性、平均后验间隔和平均后验熵。六加五构成 11 维 PED。

最后每个维度独立训练探针做筛查和分级。

连接时序分类 × 自由解码： 连接时序分类负责把声学编码器输出映射为每 1 帧上的 44 类音素后验分布，自由解码负责在不输入标准文本、不做强制对齐的条件下直接贪心解码出实现序列，二者搭配的理由是让后验的犹豫程度直接暴露失真，而不是被标准答案拉回到预期音素，组合后新增的作用是同时得到可算误差的字符串和可算不确定性的分布。

音素错误率 × 后验不确定性： 音素错误率分工是度量实现序列相对标准序列偏离了多少，后验不确定性分工是度量识别器在每 1 帧上对自己判断有多犹豫，搭配理由是前者需要标准文本而后者不需要，二者互补，组合成 PED 后新增的作用是用犹豫信号捕捉错误率数不出来的发音含糊和域偏离。

不确定性分支如何计算犹豫程度？

不确定性分支的白话含义是：把识别器当成在正常语音上训练好的听者，当输入是域外的失真发音时，它应该表现出犹豫，犹豫越大越可能对应构音失真。论文实现两条路线。第一条是证据深度学习头，用一个两层多层感知机 1024 到 512 再到 44，总计约 54.7 万可训练参数，替换 softmax 为狄利克雷参数化，输出集中度参数为 softplus 加 1，总证据量为所有集中度之和。由此导出 3 个特征：证据不确定性定义为类别数除以总证据量，取值在 0 到 1 之间，度量总证据大小。

偶然不确定性计算在狄利克雷分布下分类熵的期望，捕捉固有的音素模糊；认知不确定性用预测类别与分布参数之间的互信息计算，捕捉偏离训练域的信号。该头在 LibriSpeech 的 train-clean-100 子集上训练，与主评估数据无关。第二条是免训练的 ME 分数，对每 1 帧取前 2 名后验差为间隔，另算归一化香农熵，再用混合权重组合成 d 等于 alpha 乘 1 减间隔加 1 减 alpha 乘熵，验证扫参显示 alpha 在 0.3 到 0.9 之间平均测试 AUROC 只变 0.0065，因此固定为 0.5，即两项各半。分数接近 0 表示自信且接近标准实现，接近 1 表示高度模糊。

需要强调的是 ME 没有融进 PED11，因为它已经是间隔均值和熵均值的线性组合。

证据深度学习 × 边际熵分数： 证据深度学习分工是用一个在 LibriSpeech 上训练的小网络把编码器输出变成狄利克雷分布的参数，从而分解出证据量、偶然不确定性和认知不确定性，边际熵分数分工是直接在冻结的 softmax 上用前 2 名概率差和归一化熵加权得到训练无关的犹豫分，搭配理由是比较学习得到的结构化不确定性与免训练的后验统计是否一致，组合意义是验证两条不确定性分支是否提供互补信息。

哪些参数训练，哪些全程冻结？

本研究的训练安排需要分三部分说清楚，避免把冻结误认为没有训练。第一部分是主干音素识别器和 HuBERT 基线编码器，在探针阶段全部冻结，不更新梯度，只提供表示，监督来源不是构音障碍标签。第二部分是证据深度学习头，它是唯一在 LibriSpeech 上训练的神经网络组件，使用 AdamW、学习率 1e-4、余弦退火跑 5 个 epoch、早停耐心 3、KL 退火系数从 0 到 0.01，耗时约 2 小时，训练目标是学会在正常语音上给出合理的狄利克雷不确定性分解，论文未报告该头的逐 epoch 曲线和梯度细节缺项。

第三部分是每个感知维度的浅层探针，筛查用逻辑回归，设置正则化 C 为 1.0、类别权重平衡、求解器 lbfgs、最大迭代 1000；分级用 LassoCV，在标准化特征上做 5 折交叉验证、最大迭代 5000，与基线论文保持相同超参数以保证公平。决策树是另一套完全透明的探针，最大深度固定为 4、类别权重平衡，深度是为人类可检查而固定，不是为性能调优。推理时一条话语经冻结编码器得到 11 维特征，再经对应维度的探针得到筛查分和等级分，不存在测试时更新。

数据划分、基线与公平条件是什么？

实验条件是复述方法的关键。数据划分采用按说话人分层，标注子集只有 3% 被评分，训练集 8759 条、验证集 1017 条、测试集 1392 条，共 11168 条，且说话人无重叠。7 个维度的标注量差异很大，辅音含糊、可懂度、自然度和粗糙声都在 11100 左右，元音扭曲 3910 条，气息声 1595 条，音素延长 1825 条，鼻逸气 1633 条但本文不评估它。所有音频统一 16 千赫和峰值归一化，所有编码器在探针时冻结。多特征基线包括 HuBERT Large 的 1024 维嵌入和经 Parselmouth 提取的 12 维声学集，后者含基频与强度统计、谐噪比、抖动、闪变、时长、停顿比和语速。

单特征基线包括本文的 ME、证据深度学习认知不确定性、复现的发音质量分 maxlogit，以及用 Whisper Large-v3 提取的词错误率特征，Whisper 参数量 1.55B。实现工具为 PyTorch 和 scikit-learn，硬件为单张 RTX 3090。公平性体现在同一划分、同一探针协议和同一指标方向上比较，单特征比较看每个特征单独能走多远，多特征比较看完整特征族能否接近黑盒。 下表提出第一个可核对问题：在说话人无重叠的前提下，各划分到底有多少样本？

表前已说明比较条件是同一标注子集内的分层划分，指标方向是样本量越大训练越充分但测试必须独立。

数据集训练集验证集测试集总计
标注子集n=8,759n=1,017n=1,39211,168

表后解释是：训练集占大头，验证和测试较小但说话人独立，这种划分支持话语级评估而不泄漏说话人信息，代价是次要维度如气息声和音素延长本身样本少，置信区间会更宽，复现时必须保留相同的说话人划分而不是随机打散。 下段导读图 1 的分布证据：要理解为什么次要维度难做，先看各维度 1 到 7 分的堆叠比例。

看图路径： 1. 先看纵轴八个维度与右侧样本量，确认主维度与次维度的数据量差异；2. 再看横轴评分 1 到 7 的颜色堆叠，比较正常与受损比例；3. 最后单独看自然度的分布形状，理解它与其他维度的偏斜为何相反

原论文 Figure 1：Label Distribution Across Eight DAB Dimensions (IC, DV, NE, HV, Br, PP, Int, Nat)

论文图 1。原论文 Figure 1：“Label Distribution Across Eight DAB Dimensions (IC, DV, NE, HV, Br, PP, Int, Nat)”。

图 1 显示 8 个维度的评分比例与样本量，辅音含糊、可懂度和粗糙声样本过万且 1 分占约一半，鼻逸气、气息声和音素延长高度偏向 1 分，而自然度明显不同，1 分极少、3 到 7 分占主体。这种偏斜意味着筛查任务在不同维度上的类别不平衡程度不同，自然度的正常与受损切分与其他维度不可直接类比，论文用类别权重平衡的探针来缓解，但次要维度的区间估计仍不稳定。

单特征与完整特征族各赢在哪里？

结果按问题组织。先看单特征在 4 个主要维度上的筛查与排序。论文报告免训练的 ME 是最强的单特征不确定性信号，4 维平均 AUROC 约 0.79、Spearman 约 0.543，证据深度学习认知不确定性平均约 0.76 和 0.458，发音质量分约 0.69 和 0.410，音素错误率约 0.70 和 0.438，词错误率约 0.68 和 0.299。ME 对发音质量分的提升在辅音含糊上约 0.06，在自然度上达 0.18，支持的判断是强制对齐分数会漏掉与嗓音自然度有关的变异，而后验犹豫保留了它。

配对自助检验显示 ME 在 7 个维度上显著优于认知不确定性，差值 0.040 到 0.249，校正后 p 均小于 0.05，在主要维度上也优于发音质量分。证据与认知不确定性几乎重合，偶然不确定性平均低约 0.01，与其刻画固有模糊而非模型无知的解释一致。 再看多特征。完整 PED 用 11 维可解释特征在四主维度平均 AUROC 0.80，接近 HuBERT 的 0.81，加上声学 12 维后 PED 加声学达 0.83，超过 HuBERT，但在序数分级上 HuBERT 平均相关 0.62 仍高于 PED 加声学的 0.59，呈现筛查追平、分级仍差的格局。次要维度上 PED 单独较弱，加声学后在粗糙声上 0.78 超过 HuBERT 的 0.74，说明频谱信息互补。

词错误率始终最弱，支持词级汇总丢失构音细节的判断。 下表提出第二个可核对问题：在相同探针协议下，可解释特征能否在筛查上接近黑盒？表前公平条件是同一划分、同一筛查任务、指标越高越好。

评估PEDHuBERTPED 加声学决策树
四主维度平均 AUROC0.800.810.830.78

表后解释是：主要收益是 11 维 PED 已接近 1024 维 HuBERT，加声学后反超，但代价是分级相关仍落后，且次要维度单独靠 PED 不够，需要声学补充。

未胜出项是气息声和音素延长等样本少的维度，以及分级任务，说明二进制临床决策与精细严重度排序对表示丰富度的需求不同。

自监督表示 × 音素错误分解特征： 自监督表示分工是用 HuBERT Large 的 1024 维嵌入提供黑盒但信息丰富的上限，音素错误分解特征分工是用 11 维可命名的错误率加不确定性提供人类可检查的依据，搭配理由是在相同探针协议下比较可解释性与性能的 trade-off，组合意义是说明在二分类筛查上可解释特征可以接近黑盒，而在精细排序上仍有差距。

下段导读图 2 的单特征证据：要看不确定性在不同维度上的稳定性，看每行 5 个点的离散程度。

看图路径： 1. 先看横轴 AUROC 与纵轴七个维度，确认每行有五种单特征点；2. 再比较深色 ME 点与其他浅色点在每行的左右位置；3. 最后看 harsh voice 整行偏左，确认不确定性在嗓音维度整体偏弱

原论文 Figure 2：AUROC Comparison of Single-Feature Uncertainty Signals Across Seven Reported Dimensions

论文图 2。原论文 Figure 2：“AUROC Comparison of Single-Feature Uncertainty Signals Across Seven Reported Dimensions”。

图 2 显示 7 个维度上 5 种单特征不确定性信号的 AUROC 点，主维度上 ME 点最靠右，次要维度上整体左移，尤其粗糙声整行偏低，气息声上发音质量分反而靠右。这种跨维度不一致支持论文的有限解释：不确定性对构音相关维度最 informative，对嗓音质量维度预期偏弱，不能把主维度的结论推广到所有维度。

拿掉哪一部分，性能掉得最多？

消融按特征子集组织，回答不确定性是否带来错误率之外的信息。论文报告拿掉不确定性后平均 AUROC 从 0.764 降到 0.694，完整 PED 优于仅 ME 的 0.723 和仅证据深度学习的 0.717，支持两条不确定性分支互补的判断。把 ME 作为第 12 维加回去不提升 11 维 PED，与 ME 已是间隔均值和熵均值线性组合的解释一致。热力图所示的子集比较还显示纯错误率在自然度上明显偏低，而不确定性补上了这块。透明探针方面，可懂度上决策树 0.797 对逻辑回归 0.798，辅音含糊上 0.824 对 0.836，差距很小，支持浅树已能保留大部分筛查信号。

下表提出第 3 个可核对问题：不确定性与错误率各自贡献多少，训练成本如何？表前比较条件是同一评估流程，指标越高越好，成本越低越好。

配置完整 PED去不确定性仅 ME仅 EDL
平均 AUROC0.7640.6940.7230.717
探针耗时81 s81 s81 s2 hours

表后解释是：主要收益来自加入不确定性，单看错误率掉点最多，单看任一不确定性分支都不如完整组合；具体代价是证据深度学习头需要约 2 小时训练，而 ME 和探针本身只需秒级，复现时若资源有限可先用 ME 验证主效应。

未评测边界是更深的树或非线性探针可能挖掘特征交互，但论文固定深度为 4 以保证可检查性。

逻辑回归探针 × 决策树： 逻辑回归探针分工是检验 PED 特征线性可分性并给出二分类筛查的基准性能，决策树分工是把同样的特征变成深度为 4 的 if-then 规则链，搭配理由是前者测表示的信息量上限，后者测人类可逐条检查的透明流程，组合意义是证明可解释性不一定以大幅掉点为代价。

下段导读决策树图：要理解透明流程如何做判断，先看根节点按什么阈值分流。

看图路径： 1. 先从根节点 Margin 阈值出发，沿 T 与 F 两条主分支看走向；2. 再看第二层与第三层的分裂特征，确认误差率与不确定性如何交替出现；3. 最后看叶节点的多数类与样本量，理解高置信低误差如何走向正常叶

原论文 Figure 4：Depth-4 Decision Tree for Imprecise Consonants with PED Features (Test AUROC = 0.8238)

论文图 3。原论文 Figure 4：“Depth-4 Decision Tree for Imprecise Consonants with PED Features (Test AUROC = 0.8238)”。

图 3 展示辅音含糊上深度为 4 的决策树，测试 AUROC 为 0.8238，根节点按间隔是否小于等于 0.76 分流，左支继续按间隔是否小于等于 0.68 细分，右支按间隔是否小于等于 0.83 细分，下一层分别用特征错误率、音素错误率和音素错误率加阈值细化，深层还出现偶然不确定性小于等于 0.38 的节点，叶节点标注多数类为正常或受损及样本量如正常 1389 例、受损 170 例和正常 9 例。

解释是自信且低误差的话语被导向正常叶，低间隔高误差的话语被导向受损叶，每个节点都是单特征阈值，临床可逐条追溯，但被截断的子树用省略号表示，完整规则需要看代码输出。 下段导读消融热力图：要看不同子集在主次维度上的模式，先比较行与列的颜色深浅。

看图路径： 1. 先看横轴四个主维度加三个次维度与纵轴八种特征子集；2. 再比较完整 PED 行与纯错误率行在自然度列的颜色深浅变化；3. 最后看 PED 加 ME 行与完整 PED 行是否一致，验证线性组合的冗余解释

原论文 Figure 3：Ablation Study on PED Feature Subsets

论文图 4。原论文 Figure 3：“Ablation Study on PED Feature Subsets”。

图 4 显示 8 种特征子集在 7 个维度上的 AUROC 热力，完整 PED 行在 4 个主维度上均为 0.84、0.79、0.80、0.80 左右的深色，纯错误率行在自然度列明显变浅，纯证据深度学习行在气息声列反而较深，PED 加 ME 行与完整 PED 行几乎一致。解释是主维度需要错误率加不确定性共同支撑，次维度模式分散，ME 的冗余性得到视觉印证，但像素不能精确读出 2 位小数以外的差异，定量结论以正文数字为准。

哪些结论还不能下，边界在哪里？

论文明确报告的局限包括次要维度标签偏斜、线性模型可能低估特征交互，以及只用数值特征而未用解码文本的错误模式。初学者要区分直接报告与待验证推测：报告显示不确定性在构音相关维度上 informative，支持其作为构音失真代理；但相关性不是因果，不能说犹豫导致了失真，只能说域偏离时犹豫与感知评分同向变化。未测量的量包括误判率在不同病因上的分布、推理延迟与临床工作流中的实际省时，论文未承诺这些量得到改善。

总体趋势不等于每组都成立，例如不确定性在嗓音维度整体偏弱，在自然度上提升大而在辅音含糊上提升小。另一个边界是标准串来自 g2p-en，若参考文本本身有误或方言差异，错误率会受牵连，而免参考的不确定性不受此影响，这也是两者互补的原因之一。未来工作指向用深度方法挖掘音素错误模式与病因和严重度的联系，但本文未验证该联系。

要复现，先准备什么，按什么顺序跑？

复现先做三件事。第一，按说话人无重叠恢复划分，训练 8759、验证 1017、测试 1392，共 11168 条，不要随机打散，否则会泄漏说话人信息。第二，准备冻结模型：音素识别器用 wav2vec2-xls-r-300m-timit-phoneme，音频重采样到 16 千赫并峰值归一化；基线 HuBERT Large 冻结，声学基线用 Parselmouth 按原文统计量提取；词错误率基线用 Whisper Large-v3。

第三，跑特征：标准串用 g2p-en 加 IPA 到 TIMIT 映射，实现串用 CTC 贪心解码加同样映射，对齐算 6 个错误率；不确定性一路直接从冻结 softmax 算间隔均值和熵均值得到 ME，另一路训练证据头得到 3 个狄利克雷特征，训练数据为 LibriSpeech train-clean-100，优化器 AdamW、学习率 1e-4、余弦退火 5 轮、早停 3、KL 退火 0 到 0.01。探针阶段每个维度独立训逻辑回归和 LassoCV，超参数与上文一致，决策树最大深度 4。运行预算可参考原文：PED 探针约 81 秒，HuBERT 探针约 3149 秒，证据头训练约 2 小时，均在 RTX 3090 上。

代码当前可用，权重下载与系统可运行需按仓库说明另行确认，本文只确认代码链接可达，不承诺一键运行。

何时值得尝试这种方法？

当任务是话语级多维筛查，且需要向临床解释每条判断依据时，值得尝试 PED：它用 11 个可命名特征在 4 个主要维度上达到与 HuBERT 接近的筛查性能，并能进一步给出深度为 4 的决策路径，根节点多为平均后验间隔，再用音素错误率和偶然不确定性细化。当目标是精细分级或嗓音与韵律维度为主时，应预期差距并补充声学特征，论文显示 PED 加声学在粗糙声上反超而在分级上仍落后。

复现时先验证 ME 单特征，因为它免训练且最强，若在本地数据上 ME 相对发音质量分无提升，则需检查解码器域匹配和参考文本质量。还需补的验证是跨病因稳定性与前瞻临床省时测量，只有补上这两项，才能把筛查 AUROC 的提升转化为可部署的收益。

⚖️ 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