病理语音评估

论文用同一 BiLSTM 融合结构参加六个步态与音视频抑郁检测子赛道，发现约 150 词的人格描述带来约 0.5 的赛道分提升，而领域微调大模型虽提高二分类一致性却破坏 PHQ-9 回归校准，在每队列不足百人时小容量加深集成更稳妥。

OpenPA 针对闭合跟读与开放自由作答两种条件，用 Whisper 编码器-解码器加``标记同时做单词级和语句级评分，只在 speechocean762 上训练，在域内和 MultiPA 零样本上报告了单词级 PCC 提升，代价是韵律相关语句指标未全面领先且病理语音迁移仍是探索性结论。

论文检验词级韵律能否作为抑郁与 PTSD 的行为标记，发现词特异偏差跨语境几乎不重复，而按说话人聚合后高度可重复，但仍与症状严重度无可检测关联。

论文研究只给语音波形时大音频语言模型难以直接判断构音障碍的问题，提出把用 OpenSMILE 算出的音高、响度、谐噪比和语速等数值连同性别语言信息写进提示词再做监督微调，在 PC-GITA 西班牙语料上以说话人级准确率超过 wav2vec2 与 XLS-R 基线，但增益依赖微调与特定划分且特征顺序是事后按单特征效果排定的。

该文把构音障碍语音增强做成紧凑发音瓶颈上的残差修正，在合成平行数据上预训练再用音素和对抗目标适配自然病理语音，合成数据上错误率明显下降而自然语音上仍未超过原始录音，且发音瓶颈保留了可解释的轨迹含义。

MemoCare 针对 MMSE 式异构交互难在手机上自动评分的问题，用语音转写加任务规则、GPS 加历史地名库、触屏事件校验和轻量视觉模型四路分工处理，并在 151 例软件用例、71 张锁定画图和 4 名临床医生检查中给出有条件的技术验证结论。

该研究在 11 名清醒开颅患者的 2706 个 3 秒片段上，用留一说话人验证比较说话人分离、多层 wav2vec2 表示与级联分类器的分工，发现表示改进带来 18.2%-26.1% 的 AUC 提升而分类器差异不超过 4.7%，但跨说话人 AUC 仍明显低于说话人内校准。

论文针对用同一折选编码器层又报性能导致的乐观偏差，用朴素与嵌套选择对照、打乱标签与纯噪声控制加以量化，并在无泄漏比较下发现紧凑情感韵律特征与大模型表示相当，而代价是下游可训练参数约少一千倍。

该文在 ADReSSo 上用三条大语音自监督主干做可控噪声与混响的输入与表示干预，证明即使无组间差异的噪声也能以最高翻转率系统性改变预测且方向可逆，而高精度本身不能保证稳健。

针对运动神经元病患者构音与认知混杂的问题，该研究只用一分钟字母流畅生成阶段音频，以 WhisperX 转写加 Silero 语音活动检测校准词与停顿边界再提取临床可解释特征回归估计言语流畅指数，最强证据是 P 词全自动 LASSO 达到 R² 0.856、NRMSE 0.053，代价是 S 词在构音障碍语音上误差明显增大且样本仅 42 人。

论文针对声音形式与交际功能混淆的问题，用冻结音频语言模型写描述加语言模型映射到七维状态再做注意力多实例分类，在 DAIC-WOZ 达到 71.9% 与 MODMA 达到 90.5% 的平均 Macro-F1，代价是依赖大模型抽取与录音条件。

该研究用直接处理原始语音的双头语音大模型同时做认知状态分类与自然语言解释，在六个数据集任务条件下取得最高平均准确率并能迁移到未见任务，但解释监督来自模型生成且临床标签为量表阈值定义，解释只能作辅助核查。

在 SEP-28k 上用冻结 WavLM 加逻辑回归研究去噪响度归一 Opus 与 VAD 链，发现固定阈值下阻塞 F1 损失最大而阈值重调可恢复大部分 F1，但 ROC-AUC 损失留存且匹配重训仅小幅回升。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对早期帕金森与健康对照的二分类问题，该基准用固定说话人无关划分与四种训练资源设置比较三种可运行方法，最强证据是 RECA-PD 在 DDK 与句子任务上平均最优而元音任务最难，代价是数据集泛化差距大且聚合与阈值迁移仍不稳定。

该研究用自适应能量包络检测朗读中的浊音 burst 与停顿，把六个跨语言一致差异的时间特征按语言匹配对照标准化平均为 CTSI，在 89 例 HD 与 82 例对照中与 cUHDRS 等临床分数强相关，最高为 SDMT 的 r=-0.77，代价是仅用时长信息且未做纵向验证。

针对卒中后构音障碍朗读中停顿是否恰当难自动评的问题，论文用逐字 Whisper 转写加 MFA 对齐与 VAD 修正再交大模型分类，专家评定上轻中度组宏 F1 达 0.68，加入不恰当停顿特征使构音障碍检出宏准确率提升 8.4 个百分点，但重度组因转写不可靠未纳入定量评价。

该文用 228 篇文献的范围综述加 40 名口吃者与 30 名言语语言病理师问卷，报告研究集中于口吃辨识分类而用户更需要何时何地检测与可解释转写，并以英语中心与低开放共享为代价提出分类法与协作指南。

该研究用八次网络认知行为治疗的会话语音追踪隐居患者的纵向声音变化，以基线校正后的 MFCC 轨迹区分改善与恶化，并报告 Wav2vec 2.0 与 MFCC 加基频融合在各年龄性别组取得最高 F1，但样本小且中段无临床量表监督。

针对只有受试者级标签的周级颈表加速度日常嗓音监测，该研究用日级分布统计的 CatBoost 分支捕捉长期低效、用 12 秒窗口门控注意力多实例分支定位短时高强度事件，再经分位数校准的逻辑回归堆叠融合，在官方测试上报告 PVH 的 AUC 为 0.891 与 NPVH 的 AUC 为 0.861，而消融显示深度分支增益很小且 NPVH 存在明显欠置信。