统计分析

论文审计六个英语语音技术数据集，发现可测量的酷儿占比仅 0–1.4%，不足以做稳健差异测量，并以两个酷儿社区语音库为对照提出扩展与包容、效率与参与、开放与自主、静态分类与流动身份四组实践张力。

该研究用合成语音控制发音变量，对比可读性与转写错误，发现现代端到端语音识别的字错率与全局可读性指数近乎正交，而人类感知难度仍与错误相关，内部不确定性也未随文本变难而上升。

论文在三个语音分类任务上用九个预训练实例比较八种微调配方，发现统计上不差于最优的顶组身份随 checkpoint 而变，多随机种子还会双向翻转激活成败，因此小幅领先更像实例与种子相关的唤醒匹配而非普遍更高的性能上限。

该研究以荷兰语地图任务对话中 1910 个语段交界为样本，用句法完整与边界调预测保持、附和与转换三类过渡，发现附和与两者都不同但更接近转换，而高边界调与完整句法是关键区分条件。

该研究用 250 通法国 SAMU 真实急救电话和调度员标注的 5 级优先度比较类别情绪与维度情绪接入有序回归的效果，报告显示类别情绪无增益、维度情绪仅有说话人依赖的交互效应，而年龄与说话人角色等元数据预测力更强。

论文以奥克兰现代 67 人与历史 8 人的前后元音声学比较为证据，显示/e/与/æ/经历先升高前移后降低后移，而/ɪ/在历史组已中央化且受边音条件制约，代价是历史样本小且录音介质不一致使结论仍为初步。

论文以 20 种经典与神经编解码条件的 P.800 实验室与 P.808 众包 DCR 对照为基准，证明未筛选众包存在量程压缩与方差增大，并以陷阱题加最低参考分与量程加锚点排序的组合筛选把条件均值误差降到 MAE 为 0.230，代价是仅保留 7 人因而需超额招募。

论文用先听后想象的配对范式采集单人超 21 小时 EEG，以音素诱发电位与加权 Canberra 距离检验听觉感知与想象言语在音素级是否一一对应，最强证据是对角最小与分离比提升 3.37 倍，代价是单被试与弱头皮信号带来的泛化限制。

论文针对开慧话极高调 T4 究竟是假声还是紧喉真声的问题，用全声调多维声学比较证明 T4 是低频谱倾斜更平的紧张型真声，且在与 T6 基频趋同时音质差异消失，代价是仅有声学证据、老年样本与句中单一语境。

本研究以 30 名台湾华语韩语学习者的四选一尾音辨认任务检验韩语塞尾音/p,t,k/的感知，报告/p/>/t/>/k/的层级与元音条件混淆转移，而初级与中级组间无显著差异，代价是小样本、课程分组与双发音人刺激限制了推广。

该研究以 35 对英语异形同音词共 14000 个自然语料 token 为对象，用 50 帧时间归一化梅尔频谱与音素对数值比较同对词的音段实现，并用广义加性模型检验语境语义可分性对语音可分性的调节，代价是结论依赖强制对齐、线性判别与观察性建模而非因果操纵。

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。

论文用变换器自动检出填充停顿并以 Mundlak 校正的广义估计方程建模近四千小时四国议会语音，复现了年龄与语速的负关联、发现南斯拉夫议会中女性更高的性别反转与情感正关联，而政治倾向与执政在野效应只在部分议会成立且代价是自动情感与自动检出的噪声会进入发生率估计。

针对韩语 g2pk 转换慢且词边界音变建模不准的问题，论文用分层指针加递归重估的规则引擎把转换精度从 27.2% 提升到 85.7%、单句耗时从 14.98 ms 降到 3.14 ms，并用 96 个 VITS 模型的方差分析证明高精度音素输入显著降低可懂度误差而不损失音质。

该研究用多变量函数主成分分析同时建模 F1 和 F2 在归一化时间上的形状，在 57,269 个悉尼自发语音元音上检验年龄、性别、阶层和语音环境的制约，最强证据是各元音第一或第二主成分均显示年轻人向预期变化方向移动且女性领先，代价是主成分是对原始共振峰的抽象且依赖未手校的自动追踪与严格过滤。

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。

该研究用信息结构受控的面对面纸牌任务比较独白与对话中说话人间距，报告时长 9 对、基频 excursion 8 对、头部 4 对、舌体 2 对出现趋同，并以伪配对检验排除模式切换的一般效应。

论文把多人说话视频的谁说了什么拆成以声音或画面为锚的跨模态检索，用受控玩具体验揭示时间编号与位置编号的三阶段绑定，并证明瓶颈在音视对齐，进而用现成说话人检测框加不到 300 步微调带来可复现的提升。

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。