病理语音评估

论文用疼痛这一词汇中性但声音有变化的任务，比较七个音频大模型在只听声音与听明示评分时的表现，并用探测、感知和文本化线索回填定位信息在编码器早期存在但到语言层不可用的瓶颈， pairwise 加文本线索最多提升 32 个点。

共分析 47 篇语音/AI 论文

论文把语音阿尔茨海默检测从二分类改写为先讲声学-语言线索推理再给标签的生成任务，用合成数据加 ADCoT-7K 与两阶段感知训练打底，再用四奖励 GRPO 优化推理质量，在 Pitt 上达到 80.72% F1 和 81.10% 准确率，代价是需要大规模合成与多阶段训练。

论文用类别对比神经元选择加匹配随机对照的消融，证明三个模型中 0.5% 解码器神经元能大幅平移认知障碍二选一决策的偏置并可跨语音文本与语料迁移，而监督线性读出显示诊断信息广泛分布在更大神经元集合中。

论文把音频配对的元数据来源本身当作干预，用四种配对轨迹证明正确配对能提高档案找回和属性可解码性，但匹配后的疾病预测增益仍不确定，且代价是需要严格的协变量匹配与锁定流程。

共分析 80 篇语音/AI 论文

NarraSpace 针对 Cookie Theft 看图说话的痴呆分类问题，用固定场景图式把词语、语音时间和事件取回文本组织成可检查的证据，再用冻结语言模型做事件级类比打分与常规分类器结合，在官方 48 人测试集上平均准确率 80.88%，代价是小样本下家族贡献不确定且评估仍属探索性。

共分析 58 篇语音/AI 论文

论文针对社区招募带来的自报诊断标签噪声问题，用注意力、执行功能和记忆三域测验分数重划痴呆、轻度认知障碍与健康对照标签，再训练语音转文本分类器，内部二分类与三分类分别提升约 13 与 12 个百分点并在三个外部语料上复现，而代价是重标签仍是代理标签且依赖单语英语与不均衡小样本。

共分析 34 篇语音/AI 论文

该文把冻结的 wav2vec 2.0 编码器用情绪与 ASR 两个任务向量按层加权调整，只训练每层两个系数和一个线性头，在 ADReSS 与 ADReSSo 上提升了二分类效果，并在 PROCESS 三分类上与 LoRA 结合取得最好宏观 F1，代价是三分类本身仍困难且波动大。

共分析 57 篇语音/AI 论文

论文把构音障碍音视频识别从单词级推到句子级，用搜索切分从原始视频造出对齐语料，再用无标注的测试时适应逐句调模型，在未见说话人上多数条件下降低字错率，但绝对误差仍高且依赖预训练基础。

该研究用 740 段孟加拉语朗读语音做痴呆与非痴呆分类并用转写文本做补全，语音长短期记忆网络报告 97.30% 准确率、文本最好约 83.7%、补全测试约 59.74%，但结论只在朗读式小样本和转写校正条件下成立。

论文用 7 次智能音箱对话的视频音频文本做成四维张量，以分层 Transformer 同时建模单次内的疲劳斜率和多次间的漂移，在 35 人数据上以 5 折准确率 0.733 报告优于单次基线，但样本小且方差大。

该文把口吃预测做成每 100 毫秒只用过去语音估计未来起始风险的时间到事件预报，用冻结 Whisper 加 3.67M 因果 Conformer 在 36 人 2872 个事件上达到 300 毫秒视界 AUROC 0.63，代价是平均精度仍低且误报频繁。

论文用 35 名老人在三种 Alexa 对话任务中同步采集的视频、音频和文本特征做轻度认知障碍二分类，核心证据是单模态随任务波动而三模态融合在任务 1 和任务 3 上都达到 0.76 准确率，但结论只在小样本、MoCA 标签和任务内评测条件下成立。

共分析 69 篇语音/AI 论文

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。