可解释性

共分析 137 篇 ICML 2026 论文

论文用平均词段的二维投影发现圆周式词计时轨迹，再用旋转切分在 HuBERT 第 9 层上以 64.3% 边界 F1 和 39.8% 词 F1 切分出单个词，而未训练模型与对数梅尔特征不能做到同等实例级切分。

论文用定位去除与等大随机去除的配对比较检验断言是否依赖特定音频区域，发现空白基线的优势主要来自删除时长，而定位是否有效与解码纠正能否起作用都随模型而变化。

论文以巴赫众赞歌终止式为切口，说明 Aria 模型的和声决策从中间层开始逐步形成，先出现调式后出现具体调性，并证明沿探针方向做推理时干预可以稳定改变终止走向且保持结构完整，但结论只在众赞歌这类规范和声语料上得到验证。

论文把 Freesound 上的下载量和平均评分转成下载三分类与评分四分类，用元数据、平台声学描述子、eGeMAPS 和 MERT 四类特征比较随机森林、XGBoost 和 MLP，发现下载量靠元数据预测最好而音乐评分靠平台声学描述子最好，但 eGeMAPS 和 MERT 在短音效上基本失效。

RespFocus 针对只有周期类别而无事件标注的呼吸音分类，用共享异常证据引导的双分支多示例学习分别汇聚短促爆裂音峰值与持续哮鸣多点响应并组合成四类判决，在 ICBHI 与 PedResp2026 上取得 69.55% 与 72.91% 的 Score，代价是依赖已给周期边界与双预训练特征且儿科新队列规模仍有限。

论文用同一分类器比较手工韵律特征与冻结自监督表示在两套语料上区分对儿童说话和对成人说话的能力，最强证据是实验室语料上大模型达到约 91.7% 准确率而日常语料仅约 64.4%，代价是协方差池化首层参数膨胀到约 150.8 百万却没有带来对应提升。

论文在冻结语音编码器上加 TopK 稀疏自编码器并把稀疏单元路由到语言与副语言两路，用路由监督加交叉对抗实现保留与抑制的分工，独立探针与路由交换实验显示了跨编码器和跨语料的一致分离，但重建误差上升且依赖有标注的任务监督。

论文用三套 RAVE 模型与 EnCodec 对照，沿解码器逐层测量音高、速度与频谱特征的单神经元相关、超随机比例与联合探针可恢复性，发现合成音编码最强最线性、自然音频需非线性联合读取、联合编码在中间层最强，并只有速度能从跨层聚类中获益。

针对用户级标注与视频级行为异质性不一致的问题，BehavDep 用 TopK 稀疏自编码器拆分视频表征并对齐抑郁行为概念，再学视频级倾向分数做加权聚合，在 MUD3 和 DAIC-WOZ 上取得最高准确率与 F1，代价是两阶段训练与概念集依赖文献先验。

论文把音频问答拆成命名树节点加语音转写文本再由冻结文本大模型作答，在 SAKURA 上超过所比音频大模型并用干预证明节点有因果作用，代价是计数排序与细粒度场景题仍落后且推理端需要跑多个编码器与转写模型。

论文用匹配内容合成与固定提示回放在冻结 GLM-4-Voice 中检验请求式副语言是否跨内容复现，以 16 维共享坐标刻画结构，最强表示证据是内容留出下 9.49% 对 1.25% 与余弦 0.285 对 0.017，而生成干预只在部分属性与层组有效并伴随文本保真代价。

论文在全双工语音模型 Moshi 中用均值差向量做四种情绪转向，发现残差流可线性解码但转向跟随向量间几何而非标签，只有 sad 稳定转向，代价是可懂度下降。

该论文用配对中性与情感合成加激活补丁，定位出条件前缀源头和每种情感约二十余个注意力头与多层感知机，证明它们能恢复或抑制大部分晚期情感读出偏移并引起解码波形的音高能量变化，但结论只在单说话人单参考英文受控条件下成立。

论文用短时傅里叶域遮蔽加对照审计 AdvWave-P 在 Qwen2-Audio 上的表现，发现八频段排序几乎被扰动能量解释，深层音频表示差异与遮蔽必要性正相关但不能定位因果层。

针对音乐基础模型内部是否形成和弦与调性关系结构的问题，该文用半音移调多视角稀疏自编码器对齐恢复有序特征轨道，并以大三小三和弦环与下属音环为证据支撑，仅用少量锚点解释整族特征，代价是节奏等移调不变概念与部分调式信号仍需额外偏置与验证。

共分析 16 篇语音/AI 论文

该文用声学到发音反演伪标签把声道滤波器锚定在发音运动学上，源用基频能量加流匹配细化，以频谱保真度小幅下降换来可验证的源滤波解耦与发音级口音编辑。

该文把成人 PhonoQ-2.0 适配到儿童语音，对比三种强制对齐监督与两种初始化，用 58 名儿童 1352 个辅音人工标注检验，显示清浊全面提升、发音方式依赖儿童对齐、部位对比与纵向变化保持可解释，但增益因特征类而异且临床样本很小。

该工作把每条语音先转成转录文本、声学描述和说话人属性三组可读概念再让大语言模型只看概念判情感，在三个语料上用零样本与微调对照和固定预测器的单概念删除，显示转录主导与声学依赖随语料而变，而删除声学概念会改变个体预测即使总分几乎不动。