病理语音评估

论文用两维逻辑回归探针检验 ADReSS 与 ADReSSo 的声学变异性，发现固定测试集上双特征可达 0.875 与 0.831 的宏 F1，但标签置换仍可偶发高分且蒙特卡洛均值回落到 0.622 与 0.667，代价是固定划分成绩不能作为病理相关性的证据。

论文以能否保留副语言信号为问题，用八个开源克隆模型在复述与固定文本下做下游分类对照，最强证据是 176 组配置均显著高于随机且跨语言克隆训练显著优于英语直接迁移，代价是多数配置仍有中位数 3.2 个百分点的下降且与语内训练仍有差距。

论文用一周颈表加速度计的 14 维帧级嗓音特征做两类发声过度功能检测，任务 1 全部队伍超基线且最优 AUC 达 0.93，任务 2 仅四队超基线且最优 0.86，代价是对日内时变建模敏感且非创伤型更难分。

该研究把严重度评估做成四分类并用训练全程梯度对齐估计每个训练样本对每个测试话语的影响，再用受控删除验证解释忠实度，最强证据是删高影响样本导致中度准确率从 36.8% 掉到 0.3%，代价是基分类器简单且轻度类基线极低。

针对十种诱发范式各需专用模型且简单混训不增益的问题，论文用 Qwen2.5-Omni 语音大模型加 10 个 DoRA 专家动态路由统一建模，在 1223 名青少年数据上把平均准确率从单范式 0.628 提升到 0.656 并改善未见范式泛化与校准，代价是专家数、负载均衡与温度缩放都需仔细配置且个别范式仍不占优。

该文用 SAP 语料先做 LoRA 无监督域适应再冻结 Wav2Vec2-Large 做 25 个 DAB 维度的层探测与可学习标量混合，报告显示最优单层随维度变化而混合优于单层，但标签偏态与时序池化限制仍在。

该研究用 CUCO 库比较鼻中隔成形、鼻内镜鼻窦手术、扁桃体切除与健康对照在术前、术后 2 周和术后 3 个月的元音鼻化，显示 A1-P0 对病理差异更敏感且效应集中在/u/，只有扁桃体组出现术后早期的短暂鼻化减弱而无长期改变。

该工作以口腔与口咽癌患者可懂度评估为任务，用 PWCCA 逐层度量 Wav2Vec 2.0 表征与 eGeMAPS 低层描述符的线性相关，最强证据是频谱组 0.77 与韵律组 0.71 在末层仍高度相关而嗓音质量组仅 0.65，代价是只做相关性解释而不证明因果与可部署替代效果。

该研究用训练量相同、仅说话人重叠不同的对照划分检验语音抑郁检测，显示重叠时微调模型可达 97.65% 而严格独立时跌至 58.74%，且域对抗去身份信息后差距仍在，代价是现有高分很大程度上依赖说话人记忆而非可泛化的病理特征。

问题是单库训练的语音筛查在新语种、新任务和新录音流程下出现方向反转与局部崩溃，方法是用留一库评估审计 70 个可解释指标并把源库选出的 4 个证据锚与冻结 XLM-R 文本分数加权融合，最强证据是平衡融合平均说话人 AUC 为 0.769 到 0.785 区间、最重锚融合最差域 AUC 为 0.615，代价是在接近饱和的 Chou 域上融合轻微拉低分数且最难 …

针对言语流畅性与图片描述中只计数不建模词间关系的不足，该工作提出只用目标词建图并把语义、语音、空间、时间差异编码为边权重的加权言语图，用一两个可解释图特征达到与完整基线特征集可比的痴呆判别效果，代价是依赖转录与时间戳质量和较小样本的特征选择。

针对颈表加速度区分创伤性与非创伤性发声过强问题，论文用静态、动态、比率、耦合四层特征加被试分组交叉验证，报告任务一 AUC 0.891 而任务二仅 0.728，代价是复杂特征对非创伤性亚型仍不稳定。

该研究在 28 人法语朗读 SOMVOICE 数据上只用 eGeMAPS 与 Snack 等可解释声学特征加 SVM 等简单分类器估计睡眠剥夺及嗜睡疲劳与警觉下降，最强证据是 PVT 速度与反应发散度 UAR 达 0.858 与 0.841 而 KSS 仅 0.662，代价是小样本与年龄性别偏倚及症状间混淆仍待验证。

针对构音障碍临床标注稀缺问题，该工作用 QualiSpeech 合成语音评价数据的 MOS 监督做增强，对比联合训练与先预训练再微调两种范式，报告在 SAP 可懂度与自然度上微调一致增益而联合训练主要改善自然度，同时付出可懂度标签语义失配的代价。

该研究用 5754 段德语神经心理测验录音比较手工声学特征与自监督嵌入在任务级、领域级和全局级认知分数上的预测力，发现开放任务随层级升高而稀释、受限任务随聚合而增强，而二分类 MCI 时手工特征反而占优，但整体精度仍有限。

针对 AD 语音数据稀缺，CoSTA 用认知状态条件化的 CosyVoice2 与 F5-TTS 合成 AD 样和健康对照样语音，并对比人工转写与 36 种 ASR 转写驱动，在 ADReSS 纯音频测试集上达到 85.83%，但合成伪影使增强超过约 2.5 倍后性能回落。

针对病理性语音标注稀缺问题，论文提出跨语言检索增强分类 CRAC，用有监督对比对齐做跨语言检索再做交叉注意力融合，在韩国脑卒中和意大利 ALS 两套数据上受试者级平衡准确率达到 87.3% 和 86.7%，代价是需要维护异语言向量库并调检索数 k。

针对临床录音需外传处理带来的延迟与信息技术障碍，该演示把韵律分析全流程搬到 NVIDIA Jetson AGX Orin 上本地运行，用麦克风采集、显示器呈现交互仪表盘，并以快于音频时长的本地处理支撑床旁复核与重算，但原文未报告可比精度与延迟数字。

针对轻度认知障碍老人抑郁与认知衰退声音混杂问题，该研究用每次录音共时的抑郁与认知评分筛选声学特征，发现只有共振峰组在控制认知后仍与抑郁相关，并用 12 个第一二共振峰特征取得 0.760 的非加权平均召回率，但代价是样本仅 89 人且女性特异性偏低。

针对口吃检测与转写长期分开建模导致互相约束丢失的问题，DysfluentNet 用冻结 WavLM-Large 共享编码器同时做六类多标签检测与含口吃标记转写，在 SEP-28k 上报告宏观 F1 为 72.4、在 FluencyBank 上报告 DI-WER 为 18.3，代价是仅覆盖英语且对齐窗与冻结策略仍有未验证空间。