打断太少学不会：用声学扰动与删尾重组补足离线轮替标注中的中断样本

英文题目：Too few interruptions? Using data augmentation to improve offline automatic turn-taking annotation

会议身份：conference:speechprosody:2026:conference-paper-id:gravano26_speechprosody

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#数据增强 #韵律 #离线推理 #语音 #轮次切换

评分：5.8/10 | 创新 1.2/2 | 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 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Agustin Gravano：机构信息未能从会议 PDF 纯文本可靠映射
• Tomas Gallo：机构信息未能从会议 PDF 纯文本可靠映射
• Nadia Guadalupe Molina：机构信息未能从会议 PDF 纯文本可靠映射
• Abi Oppenheim：机构信息未能从会议 PDF 纯文本可靠映射
• Jazmin Sneider：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

离线轮次标注输入为完整双人对话音频与语段切分，输出为每个过渡点的7类标签，难点在于打断类稀少且韵律变异大导致模型学不到让位与保持线索。本文先以随机森林为基线提取语段时长与韵律特征，再并行验证3条增强链：扰动已有打断的声学时间序列后重算均值与斜率，删除保持过渡前的尾部语段以伪造新的打断，以及两者组合后重训练同一分类器。与已有过采样相比，该机制不再复制相同特征向量，而是引入可控的音高与嗓音质量变化或构造韵律上更像句中的中断上下文。在开发集5折交叉验证设置下，组合增强模型的宏平均F1分数为.620，高于初始模型的宏平均F1分数.597。组合策略对无重叠打断与重叠打断均有改善，特征重要性分析显示句末音高水平与音高斜率排名靠前，说明模型更多依赖韵律信息进行区分。该结论适用边界受限于阿根廷西班牙语任务型对话语料，对重叠打断与未见说话人的泛化仍不稳定，删除原始保持样本还会拉低平滑转换性能，属于已知失败条件。在未见说话人任务上整体增益消失等尚未验证的外推范围仍需检验，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？离线轮替标注要解决什么问题？

本解读的输入是论文原文提供的文字证据与两张增广示意图的像素，目标是让刚进入语音、音乐与音频领域的研究生能复述方法与实验条件。必须保留的信息包括语料名称与规模、7 类轮替标签定义、特征窗口与工具、3 种增广的具体操作、开发集与留出集的划分方式、随机森林基线与 3 组 F1 数字，以及作者明确指出的代价与未验证方向。输出按学习依赖展开，先讲任务与标签，再讲模型与特征，然后讲增广构造，最后讲结果与复现。

离线轮替标注，英文为 offline turn-taking annotation，指的是在拿到整段对话录音与转写后，对每 1 次说话人交接进行分类。与在线任务不同，在线系统只能看到交接点之前的声音，要实时决定是回应还是继续听；离线任务可以看到交接点之后的声音、相邻交接的类型、说话人活动模式乃至对话剩余时间。论文举例说，教师可以从缺少回应词判断学生是否吃力，客服可以从反复被打断判断客户是否烦躁，因此把大量对话自动标出平滑转换、回应、打断等类别，有助于社会语言学与呼叫中心分析。

初学者容易误以为这只是语音活动检测，实际上它要求判断交接在语用上是否完整。 为此论文先定义基本切分单位。话语间停顿单元，英文为 inter-pausal unit，缩写为 IPU，指的是被长于 50 毫秒静音包围的最长词序列。话轮，英文为 turn，指的是同一说话人的一串 IPU，中间不插入对方语音。轮替转换，英文为 turn-taking transition，指的是当前说话人的一个 IPU 之后紧跟同一人或对方的新 IPU，无论有无重叠。

沿一个样本走一遍：说话人 A 说出 IPU1，说话人 B 在停顿或重叠后说出 IPU2，系统要根据 IPU1 尾部与 IPU2 头部的声学形态以及时长、语速、性别、角色等信息，输出该交接属于 7 类中的哪一类。

话语间停顿单元 × 轮替转换： 话语间停顿单元负责把连续语音切成可计算的输入块，它以长于 50 毫秒的静音为边界，定义了前后两个语音片段 IPU1 和 IPU2；轮替转换负责给这对片段之间的交接贴标签，判断是说完交接、没说完被打断还是短暂回应。两者搭配的原因是只有先把 IPU 切准，才能把基频、强度在 IPU 尾部与头部的变化算到正确的窗口上，组合后新增的作用是让离线标注可以利用交接点两侧的完整上下文，而不只是实时判断要不要接话。

论文把无重叠与有重叠分成两个大组。无重叠组包括平滑转换、暂停打断与普通回应；有重叠组包括重叠的平滑转换、重叠回应、普通重叠打断与抢话未遂。普通回应，英文为 backchannel，指对方在停顿后说出类似 yeah 的短语以示关注并请当前人继续。抢话未遂，英文为 butting-in，指 B 试图打断但没有成功夺得话轮。还有保持与 X2 等特殊标签，指同一人停顿后继续说或回应后继续说，论文说它们几乎总能自动标对，因此本研究略去不评。

前人做到哪里？为什么中断总是最差？

前人路线主要是 Brusco 与 Gravano 在 2023 年的工作，他们在美式英语、斯洛伐克语与阿根廷西班牙语 3 个数据集上比较多种机器学习方法，把所有轮替转换分为平滑转换、回应与打断等类别。报告显示，无论用哪种模型，打断的性能始终最差。另一项博士论文工作尝试多种过采样技术但没有明显成功。跨文化研究也指出，人们倾向于等待自然转换点，打断本来就比平滑转换少见。 论文给出的解释是数据稀缺导致韵律多样性不足。

韵律线索主要体现在话语末尾的基频、强度、语速、音质与基频轮廓差异上，且在欧洲语言间相对稳定。如果可用于训练的中断实例数量有限，模型就看不到足够的让渡、保持与邀请回应的变化，特征重要性排序中声学特征排得比预期低得多。这不是说声学无用，而是训练材料不足以让模型学到对应模式。

随机森林 × 递归神经网络： 递归神经网络在前人工作中分工是取得更高精度，但训练代价更高；随机森林分工是以较低计算成本快速比较多种数据条件，并能输出特征重要性排序。两者搭配讨论的原因是本研究关心的是增广带来的相对提升而非绝对上限，组合意义在于先用随机森林验证增广是否让声学特征权重回升，若成立，再把同样增广搬到更贵的递归神经网络上有望进一步获益。

本研究继承该路线但换了切入点：不再调模型结构，而是问如果有更多、更多样的中断会怎样。它用 3 种数据增广模拟更多中断，重新训练与原来相同的随机森林，对比分类率是否提升。教学例子：这类似于先不换相机，先补拍更多逆光照片，看旧相机能否学会逆光。这里的例子只是帮助理解对照逻辑，不表示论文报告了图像数值。

难在哪里？哪两类标签是主攻对象？

难点集中在 2 对容易混淆的对比上。第一对是无重叠的平滑转换与暂停打断，英文分别为 smooth switch 与 pause interruption，缩写为 S 与 PI。两者都是对方在停顿后说话，区别只在当前人是否说完，韵律上对应让渡线索与保持线索的对立。第二对是有重叠的平滑转换与普通打断，英文为 overlap 与 interruption，缩写为 O 与 I，同样是对立关系。模型要从 IPU1 最后 1000 毫秒与 IPU2 最初 1000 毫秒的声学均值、标准差与斜率中分辨这种细微差别。

平滑转换 × 暂停打断： 平滑转换分工是表示说话人已经说完、出现让渡话轮的韵律线索，对方停顿后接话；暂停打断分工是表示说话人没说完、仍带保持话轮的韵律线索，对方却在停顿后抢话。两者搭配比较的原因是它们在切分上看起来很像，都是无重叠的 IPU1 后跟停顿再跟 IPU2，区别只在 IPU1 尾部是让渡还是保持，组合意义在于揭示模型最难的对比：若中断样本太少，模型就学不到这对反义韵律模式的边界。

论文明确把 PI 与 I 作为两个关注标签，用蓝色标出。语料中 S 有 2043 例，O 有 664 例，普通回应 BC 有 845 例，重叠回应有 86 例，PI 有 257 例，I 有 192 例，抢话未遂 BI 有 83 例。可见中断类本来就少，进入开发集划分后更少，PI 与 I 在交叉验证中分别只有 162 与 150 例。数量少且韵律多变，是性能低的直接原因。初学者应注意，BI 虽然也是打断，但论文增广主要针对 PI 与 I，BI 只在声学扰动中被扩充，删尾重组不生成 BI。

三种增广的全景是什么？各自解决什么不足？

方法全景可以概括为先定基线，再用两种思路补中断，最后组合。基线是随机森林初始模型，英文为 initial RF model，缩写为 INIT，在开发集上宏平均 F1 为 0.597。3 种增广分别是第一种声学扰动，英文为 perturbation of acoustic features，缩写为 AUG1；第二种删尾重组，英文可理解为 removal of turn-final IPUs，缩写为 AUG2；第 3 种是两者组合，记为 AUG1+2。

训练时每个折都做过采样，把各类别复制到数量相同，以缓解类别不平衡。 AUG1 解决的是同一标签内韵律变化太少。它复制每个 I、PI、BI 样本，对 5 种声学特征的整条时间序列分别乘以接近 1 的随机系数，保持曲线形状但改变尺度。AUG2 解决的是中断位置类型太少。它利用任务对话中中断常发生在更像话轮中部 IPU 之后或期间的结论，把保持位置改造成新的中断。

组合策略则同时补多样性与结构来源。论文报告所有组合差异不大，正文只展示其中一种最优组合。

声学扰动增广 × 删尾重组增广： 声学扰动增广分工是增加已有中断样本的韵律多样性，它对基频、强度等时间序列做整体缩放但保留曲线形状；删尾重组增广分工是增加中断样本的结构来源，它删掉说话人话轮尾部的最后一个 IPU，把原来的保持位置提前暴露为被打断点。两者搭配的原因是一个补多样性、一个补数量与位置类型，组合后新增的作用是同时让模型看到更多音高斜率变化和更多话轮中部停顿被打断的版式。

特征与声学计算如何构成模型的输入？

每个样本的特征分两类。第一类是时长与说话人属性，包括 IPU1 与 IPU2 各自的 IPU 时长与话轮时长、语速、说话人性别与角色、话轮内 IPU 个数，语速用词每秒与音素每秒两种口径。第二类是标准声学特征，目标是捕捉交接点周围的韵律变化，包括基频、强度、对数谐噪比、抖动与微颤的均值与标准差，都算在 IPU1 最后 1000 毫秒与 IPU2 最初 1000 毫秒上；还包括基频与强度斜率，分别算在 IPU1 最后 250、500、750 与 1000 毫秒 4 个窗口上。

计算流程是先用开源工具 openSMILE 的 2.2 版本从波形提取低层描述子，滑动窗为 50 毫秒、步长 10 毫秒，得到每种声学特征的时间序列；再按说话人做 z 分数标准化，消除不同人音高与响度基线差异；最后按上述窗口聚合成均值、标准差与斜率。初学者可以这样走一遍：输入是 IPU1 尾部 1 秒与 IPU2 头部 1 秒的波形，表示是 5 条标准化后的时间序列，组件是窗口聚合，目标是得到固定维向量，输出是送入随机森林的一行特征。

论文未给出随机森林树数、深度等超参数的具体数值，这是复现时需要补查的缺项，不应从模型名称推定实现。

话轮保持线索 × 话轮让渡线索： 话轮保持线索分工是指示说话人还没说完、听者应继续等待的 utterance-final 韵律形态，如平坦或上扬的尾部斜率；话轮让渡线索分工是指示话语已完整、可以交接的尾部形态，如下降的基频与强度。两者搭配的原因是中断恰好发生在保持线索之后，而平滑转换发生在让渡线索之后，组合意义在于解释为何删尾重组要删掉尾部 IPU：删掉让渡部分后，剩下的中部停顿更像保持位置，从而在韵律上更接近真实中断前文。

增广样本如何一步步造出来？

本节讲构造过程，没有神经网络梯度训练，只有随机森林拟合与样本生成。AUG1 的具体动作是：对每个 I、PI、BI 样本，取出 IPU1 最后 1000 毫秒与 IPU2 最初 1000 毫秒的 5 条时间序列；对每条序列独立采样一个系数，均匀分布在 0.7 到 1.3 之间，论文说还试过 0.6 到 1.4、0.8 到 1.2 与 0.9 到 1.1，该区间效果最好；用该系数乘整条序列，再按同样方式聚合成均值、标准差与斜率。生成数量按平衡类别确定，使目标类与训练集中最频繁类数量一致。

开发集中 AUG1 把 PI 与 I 分别补到与 S、O 竞争类相同的 1393 与 488 例量级。 AUG2 的具体动作分两种情形。第一种生成新的暂停打断：先找到说话人 A 的 IPU1、IPU2，其后是到说话人 B 的 IPU3 的平滑转换 S；删掉 IPU2，把 B 的 IPU3 向左平移到 A 的 IPU1 之后；假设 A 的话轮因删掉尾部 IPU 而变得不完整，则 B 的新话轮就是 1 次打断，新样本替换原来的 S，所有特征按同样窗口重新计算。

第二种生成新的普通打断：原始交接是重叠的 O，同样删掉 IPU2 并把 IPU3 左移，若 A 的话轮变不完整，则新交接为 I，替换原来的 O。论文承认该假设不一定成立，因为被删片段可能是可选成分，但人工抽查认为近似足够可靠。数量上 AUG2 生成 347 个新 PI 与 78 个新 I，开发集中 PI 从 162 增至 509，I 从 150 增至 228，同时被改造的 S 与 O 原样本被移除，S 从 1393 降至 1046，O 从 488 降至 410。 下面两张图分别展示这两种删尾重组，阅读时注意原始排布与新排布的时间对齐差异。

第一张图展示如何由无重叠的平滑转换生成新的暂停打断，原始为 A 的两个语音块后接 B 的语音块，新样本删掉中间块并把 B 的块左移。

看图路径： 1. 先看上排 Original 中 A 的方框 1、方框 2 与 B 的方框 3 的左右顺序，确认 H 与 S 两个绿色箭头的指向；2. 再看下排 New 中被红色叉覆盖的方框 2，确认它不再参与新的交接计算；3. 接着沿红色左移箭头看 B 的方框 3 如何左移到 A 的方框 1 之后，并核对虚线 T 标记的停顿位置变化；4. 最后确认下排绿色 PI 箭头连接的是 A 的方框 1 尾部与 B 的方框 3 头部，理解新标签的来源

论文图 1。原论文 Figure 1：“Generation of a new pause interruption (PI).”。

从像素可见，上排 A 行有两个蓝色波形框，分别标 1 与 2，B 行有一个标 3 的框，绿色 H 箭头连 1 到 2，绿色 S 箭头连 2 到 3，S 下方有虚线 T 表示停顿；下排 A 行保留框 1，框 2 被红色叉覆盖，B 行的框 3 被红色粗箭头向左推到框 1 之后，绿色 PI 箭头连框 1 尾部到框 3 头部，下方同样有 T 标记。这说明新 PI 的停顿位置继承自左移后的对齐，而非复制原 S 的停顿长度，特征必须重算。 第二张图展示如何由有重叠的交接生成新的普通打断，原始为 A 的两个语音块后接 B 的重叠语音块，新样本同样删掉中间块并左移。

看图路径： 1. 先看上排 Original 中 A 的方框 1、方框 2 与 B 的方框 3 存在纵向重叠，确认 O 箭头表示有重叠的交接；2. 再看下排被叉掉的方框 2，确认删除操作与上一张图一致但原始交接类型不同；3. 接着看 B 的方框 3 左移后与 A 的方框 1 在时间轴上形成重叠，核对底部 T 标记的重叠宽度；4. 最后确认下排绿色 I 箭头标注在重叠起点处，理解它与无重叠 PI 在时间对齐上的区别

论文图 2。原论文 Figure 2：“Generation of a new simple interruption (I).”。

从像素可见，上排 B 的框 3 与 A 的框 2 在时间轴上有纵向重叠，绿色 O 箭头向下弯曲表示提前进入，下方小 T 表示重叠宽度；下排框 2 被叉掉，B 的框 3 左移到与 A 的框 1 形成重叠，绿色 I 箭头标在重叠起点，底部仍有 T 标记。这说明 I 与 PI 的区别在像素上体现为 B 框是否压住 A 框，而不只是箭头字母不同，复现时必须保留重叠量的计算，否则会把 I 做成 PI。 组合策略 AUG1+2 的步骤是先按 AUG2 生成同样数量的 I 与 PI 且不对它们做声学扰动，再用 AUG1 生成新样本直到数据集平衡。论文说沿生成比例、是否对 AUG2 样本再扰动等维度试过多种组合，结果差异很小，因此只报告一种最优组合：PI 与 I 的最终量级与 S、O 的缩减后数量对应，开发集中为 1046 与 410 的组合。

语料、划分与评估条件是什么？

语料是 UBA Games Corpus 的阿根廷西班牙语任务对话，遵循 Objects Games 范式。每对被试各用一台笔记本电脑，看到 5 到 7 个物体的棋盘，1 人担任描述者描述目标物体位置，另 1 人担任跟随者放置物体，角色在 14 个任务中轮换。对话在隔音间进行，中间有不透明帘子隔开，保证完全靠语言交流，任务按 1 到 100 分计分并给予报酬加成。本研究只用 2012 年在布宜诺斯艾利斯大学采集的第一批，共 14 名母语者，7 女 7 男，年龄 19 到 59 岁，平均 28.6 岁，标准差 12.7 岁，总时长 6.4 小时，任务性质接近客服与教学的领导者与跟随者分工。

划分上每会话抽出 2 个任务加 3 个完整会话作为留出集，英文为 held-out set，剩余为开发集。留出集包含开发集中未出现过的说话人，也包含出现过说话人的新任务，用于检验对新任务与新人的泛化。开发集做 5 折交叉验证，训练折内做过采样使各类别数量相同。评估指标是每类 F1 与宏平均 F1，F1 越高越好。论文未报告统计显著性检验方法与硬件预算，这是复现时需注明的缺项。

资源状态方面，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开，只能按论文文字复现特征与增广逻辑。

主结果：中断提升了多少？代价是什么？

本节回答开发集上 3 组增广是否一致提升 PI 与 I，以及对竞争标签的影响。比较条件是同一随机森林配置、同一 5 折划分，只改变训练数据的增广方式，指标方向为 F1 越高越好。下表整理开发集的训练条件、两类中断 F1、宏平均 F1 与样本规模变化，数值保留原文写法。

表前比较问题已在段首提出：3 组增广能否在不严重损害平滑转换与重叠转换的前提下提升中断。表后解释如下。论文报告所有 3 种技术都一致提升 PI 与 I，其中声学扰动对 I 增益更大，从 0.41 到 0.48，而对 PI 仅从 0.36 到 0.39；删尾重组相反，对 PI 从 0.36 到 0.44 更明显，对 I 从 0.41 到 0.44；组合取得两者最大提升，PI 到 0.45，I 到 0.48，宏平均从 0.597 升至 0.620。

代价是竞争标签 S 与 O 的 F1 轻微下降，说明新增中断挤占了原有边界。未胜出项是普通回应与重叠回应等类别并非每次都提升，需要就近说明负结果以避免只看中断。 留出集检验泛化时，组合策略仍大幅提升中断，但竞争标签下降更大，总体宏平均不变。下表整理留出集的同一组对比。

表前比较问题是增广在新说话人与新任务上是否还有效，公平条件是验证样本完全相同，留出集 PI 51 例、I 41 例等数量不变。表后解释是 PI 从 0.10 到 0.20、I 从 0.25 到 0.32 的支持性证据成立，但 S 与 O 掉得比开发集更多，宏平均从 0.476 变为 0.474 基本不变。论文据此推测移除被改造的 S 与 O 原样本可能不是最优，保留它们或许更好，这属于有限解释而非已验证结论。初学者应注意留出集基线本身很低，相对翻倍不等于绝对可用。

是韵律学回来了吗？特征重要性如何变化？

本节按问题组织：若中断增多，模型是否更依赖声学特征。比较对象是初始模型与 3 种增广模型的随机森林特征重要性排序，数字越小表示越重要。下表整理 3 类声学特征的平均排名变化。

表前提问是增广是否让 utterance-final 韵律线索权重回升，公平条件是特征集合与模型结构不变，只改变训练分布。

表后解释是基频水平在 3 种策略下都略微提前，IPU 尾部基频斜率在使用声学扰动与组合时大幅提前，从 25.3 到 18.1 与 21.6，而其余音质与强度斜率未见改善。这支持论文的判断：模型开始更多利用韵律信息，但只是部分声学类型获益，不能推广为所有韵律都学会了。删尾重组反而让斜率排名略降至 27.6，说明结构增广与扰动增广的作用机制不同，需要分别看待。 另一类消融是系数区间选择。论文报告对缩放系数试过 0.6 到 1.4、0.8 到 1.2、0.9 到 1.1，最终 0.7 到 1.3 最好。

这表明扰动要温和可信，过大破坏自然度，过小则多样性不足。组合比例的多种尝试结果相近，论文为简洁只报一种，这意味着复现时不必过度调参组合比例，而应优先保证删尾逻辑与重算窗口正确。

哪些结论还不能下？边界在哪里？

论文直接报告的是开发集与留出集的 F1 变化与特征排名变化，支持的是增广有助于捕捉区分性韵律的判断。尚未验证的推测包括删尾假设的普遍正确性、大语言模型生成完全合成中断的效果，以及搬到递归神经网络后相对提升是否保持，这些都用可能或待验证来表达。特别是删尾时假设话轮变不完整，论文已承认若被删的是可选成分则不成立，只是抽查认为近似可靠。 未评测边界包括词汇与句法等语言学线索。

论文明确说本工作只用韵律，语言内容可能提供互补信息，并引用近年用语言、声学、视觉信号预测轮替的工作。相关性不等于因果：特征排名提前不证明模型真正理解让渡与保持，只是分布变化后的关联。此外论文未测量误判率分布、延迟与计算成本，因此不能承诺这些量得到改善，训练资源与推理开销需分别讨论，总体宏平均提升不等于每组每步都提升。原文表头或文本若有冲突应标注，但本研究数字在正文叙述中一致，未发现需要调和的算术冲突。

要复现，先做什么？需要哪些具体条件？

复现先做切分与特征流水线。再现 IPU 定义：长于 50 毫秒静音切分，话轮为同一人无对方插入的最大 IPU 序列；用 openSMILE 2.2 以 50 毫秒窗、10 毫秒步长提 5 种声学时间序列，按说话人标准化，再按 IPU1 最后 1000 毫秒与 IPU2 最初 1000 毫秒算均值与标准差，按 IPU1 最后 250、500、750、1000 毫秒算斜率，加上时长、语速、性别、角色与话轮内 IPU 数。划分上留出每会话 2 个任务加 3 个完整会话，其余做 5 折交叉验证，训练折内复制少数类至数量均衡。 再做增广。

声学扰动对 I、PI、BI 每条序列独立采样 0.7 到 1.3 系数相乘后重聚合，补到与最频繁类相同；删尾重组找到 A 的 IPU1、IPU2 后接 S 或 O 到 B 的 IPU3，删 IPU2 并左移 IPU3，移除原 S、O 样本，重算全部特征，期望得到 347 个新 PI 与 78 个新 I；组合先做删尾再做扰动至平衡。评估用每类 F1 与宏平均，核对数据集、基线、阶段、指标与聚合对象是否一致，百分点差值不要写成相对百分比。 还需补的验证是保留被改造 S、O 原样本的对比、显著性检验、超参数记录与跨语料检验。

区分代码开源、权重下载与系统可运行：本次无可用资源证据，只能说按文字可重写流程，不能说系统当前可用或已公开。

何时值得尝试这种增广？

当你的离线标注也出现中断少、中断 F1 明显低于平滑转换，且怀疑韵律多样性不足时，值得先试这两种低成本增广。声学扰动适合快速扩量且保留标注可信度，删尾重组适合补话轮中部被打断的结构，但要接受会减少 S 与 O 训练量并可能拉低它们。若留出集上宏平均未动而中断上升，说明方法更适合以召回中断为目标的分析任务，而非追求整体精度。 论文特有的误解需要澄清。第一，中断少不是标注错，而是人们偏好等待自然转换点，跨文化皆如此。

第二，删尾生成的中断不是真实录音，而是把保持位置提前暴露的模拟，其标签正确性依赖话轮不完整的假设。第三，声学扰动不是简单加噪，而是对整条曲线做尺度变换以保留形状。记住这三点，就能向他人复述为何组合策略在开发集上 PI 到 0.45、I 到 0.48，而留出集上宏平均仍停留在 0.47 左右。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

另有 2 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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 speechprosody-2026 论文汇总