病理语音评估

针对 vlog 抑郁二分类中特征高度重叠而标签只有 0/1 的问题，该研究用互 Transformer 做音视频融合再以优势加权排序损失同时拉开类间间隔与压紧类内方差，在 D-vlog 上 F1 为 77.66、在 LMVD 上 F1 为 77.01，但阈值需在验证集上重标定且尚未验证临床数据。

针对阿拉伯语发音评估缺乏临床对齐工具的问题，Harf-Speech 用标准音素生成加微调语音转音素加对齐加权评分的模块化路线，在 40 句三位专家评分上达到与专家均分 0.791 皮尔逊相关，代价是临床样本小且依赖微调后的音素识别精度。

针对德语 SKT 语音评估中转录误差与手部动作子测试缺失问题，该研究用规则打分融合 Whisper 编码器与解码器向量先校正言语子测试分再补偿总分，最强证据是言语子测试序列在缺失动作题时仍与专家总分达到 0.94 以上相关，代价是依赖小样本临床数据与固定超参数且未验证真实部署延迟与误诊成本。

针对波兰语儿童咝音替代筛查，论文用波兰语 wav2vec2 加 6 层后编码器做带括号替代标记的 CTC 词元识别，再经 Levenshtein 对齐定型并由固定模板助手呈现，在 10 名未见儿童 559 句上报告 88.7% 整句匹配与筛查代理 F1 为 0.67，代价是仅覆盖固定提示词与替代类偏差且假阴性仍明显。

针对标注构音障碍语音稀缺导致跨病因跨语言泛化难的问题，论文用教师伪标签加 LibriSpeech 粗二分弱监督对比预训练再微调，在五套未见数据集上平均 SRCC 达 0.761，而细粒度伪标签监督反而损害跨域表现。

针对 154 通中文心理热线三级危机分类，该研究把语音副语言线索文本化后交给文本大模型微调，并用推理生成做辅助约束，在呼叫级五折上报告准确率 0.805 与宏 F1 值 0.802，代价是依赖分块扩增与模型生成的非金标准推理目标。

针对颈表加速计长期监测中全天平均会稀释病理信号的问题，该研究用日内时间分段与言语歌唱分离做特征工程，再以树模型与逻辑回归集成区分结构性与功能性高功能，在盲测集上取得音创伤型曲线下面积 0.925 与非音创伤型 0.820，但长窗平均对后者反而有害且神经网络在小被试下过拟合。

针对帕金森低运动性构音里呼吸-喉-构音混杂难拆解的问题，该文用健康 USC-TIMIT 多线圈运动学学一维 Za 轴并经音频反演加仿射校准算出 AWI，在 9 对匹配对照中 PD 全部偏高并与 UPDRS 呈约 0.5 相关，而在 398 人声带高功能组保持稳定，代价是小样本英语朗读与单一反演模型的分布外风险。

该文把问题定为语音健康研究难复现是因为采集与特征定义不统一，选择先统一临床可解释的核心声学测量定义并给出美国英语常模与开源提取流程，最强证据是 1815 人朗读与最长发声任务上的分任务常模差异，代价是强度类测量仍受设备影响且嵌入表示仍需先建基线再用。

针对病理性语音可懂度评估需要准确且可解释的问题，ART-NAD 用说话人无关声学到发音反演得到的九通道准声道收缩变量替代 NAD 的 wav2vec2 特征做多变量 DTW，在 20 个参考音频协议上平均说话人级 Pearson 相关与 NAD-FA 持平而可定位到具体收缩通道，代价是反演模型只在英语 EMA 上训练导致非英语连贯语音出现差距。

该研究在抑郁、构音障碍、帕金森和口吃五个语音数据集上只用首秒或静音段做分类，发现其加权 F1 常与全音频持平甚至更高，说明录音条件等非言语线索可能贡献了预测性能，但未定位确切混杂源。

该研究用四种语音基础模型嵌入加四种浅层分类器做健康对照、轻度、重度三分类，在意大利语、英语、哥伦比亚西班牙语之间做零样本与每类 49 个目标片段的 k 样本适配，发现 k 样本一致提升目标语言 F1 且源语言基本稳定，但重度与轻度边界和预处理线索损失仍是主要代价。

该研究在相同骨干与训练流程下比较按病因拆分与混合病因的严重度分类，报告脑瘫、帕金森、肌萎缩侧索硬化三个方向上按病因模型全面领先混合基线，代价是需要病因路由、单次训练与以英语为主的评测局限。

针对自发语音中疾病效应被语言音系差异掩盖的问题，CL-DAF 在英孟 272 维公共声学空间中用符号秩二列效应与语言不变分数筛选出 26 个方向一致特征，使英译孟与孟译英 AUC 分别达到 0.825 和 0.722，而代价是需要双语标签估计对齐且目标全参与选择时会高估约 0.04 到 0.09。

针对肺功能检查依赖设备与配合的问题，SpiroPhonia 用真实访谈中的自发语音提取抖动、频谱与停顿三类特征，在 201 人被试独立测试上报告 78% 准确率、80% F1 与 87% AUC，代价是小样本下置信区间宽且跨语言跨设备泛化待验证。

针对一分钟语义和音位流畅性任务中整段平均会抹掉检索动态的问题，CCMAN 用词级多模态序列加双向跨模态注意与迁移学习建模时间不稳定性，在 843 人语料上语义二分类宏 F1 达到 0.81 而多分类仅 0.59，代价是三分类区分 MCI 与痴呆仍不显著且依赖 ASR 时间戳质量。

该工作在西班牙语德语捷克语帕金森语音上对比语音大模型的编码器表示解码器表示与零样本生成，报告编码器优于解码器而生成接近随机，并用样本自适应层聚合代替单层搜索，但跨语言绝对性能仍明显低于多语言混合训练。

该研究把气道狭窄检测做成患者级多录音分类，用冻结的 WavLM 第 15 层表示加 TransMIL 聚合，在 748 人五折交叉验证中报告 AUROC 为 0.952 与准确率为 0.924，而细粒度分型与严重度分级仍明显更难。

该研究只用语音音频区分阿尔茨海默病与健康对照，用 Librosa 手工声学均值特征与冻结 YAMNet 的 1024 维嵌入拼接后训练分类器，在 160 条合并数据上以 70% 训练 30% 测试取得 89% 测试准确率，代价是小样本、无人口学控制且未报告延迟与误判细节。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读