统计分析

针对口语翻译评价只用文本上下文而低估人工译文的问题，该文提出以场景视听标签为共同条件的 AV-CXMI，在韩英电影翻译上报告与人工评分显著正相关 r=0.400 而文本版为负相关，代价是依赖云端大模型抽标签且仅在小规模单语对上验证。

论文以 WavLM 第 1 层为对象，用线性探测定位音高响度、以 JumpReLU 稀疏自编码器做解耦再做潜变量消融，发现去掉前 50 至 100 个最重要维度后探针 R2 仍保留约 97% 以上，最强证据是 INLP 子空间擦除使目标特征 R2 下降 94% 以上而响度擦除对其他探针影响小于 1.5%，代价是频谱类特征共享子空间、离散消融基本失效。

该研究以词中相对词首的塞音弱化为问题，用跨语言统一的强度轮廓函数主成分分析加贝叶斯混合效应模型来度量弱化，最强证据是浊塞音在九种语言中几乎一致地更短且强度凹陷更浅，而鼻音和清塞音的实现方式因语言而异，代价是词重音混杂与强制对齐误差仍需补充检验。

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。

该研究以 12 语言 1386 人的元音共振峰估计声道长度并用因果中介分解性别对/s/峰值频率的直接与间接效应，最强证据是共振峰间距效应显著而性别直接效应不显著且间接效应更大，代价是朗读语体与纯声学估计带来解释边界。

论文用人类感知的说话人相似度分数检验 43 个语音与音频基础模型各层嵌入余弦相似度的对应关系，发现编码器与大规模监督模型峰值对齐更高，而解码器、语音识别微调与参数增大总体拉低峰值并改变层间走势，但层间斜率仍多半无法被现有配置解释。

论文用线性残差化减去音素、二音子与三音子信息后，再用帧级线性探针测词身份，发现中后层仍能远超偶然基线识别词，同时以词发现任务验证去音素表示的增益与去上下文信息的代价。

针对倾听者反馈相对会话机会点延迟分布不一致的问题，论文用生存分析验证快慢功能类别的延迟差异，再用快慢双路径分别预测帧级起始与类别，最强证据是 Macro-F1 从 0.4862 提升到 0.6254，代价是只用单通道声学线索且依赖固定静音阈值定义的机会点。

该研究用玩具问答诱发对比性焦点与两种手势，报告象征手势拉长目标音节时长、典型发展儿童压缩焦点后时长而自闭症儿童对手势呈现更弥散的缩短，支持多通道整合困难的解释且代价是效应集中在时长而非基频扩展。

针对冻结语音自监督特征经一阶池化丢失通道协同的问题，论文提出在可学习低维子空间估计协方差并经对数欧氏映射到切空间的二阶相关层，在 ESD 与 RAVDESS 上以可运行基线对比验证提升，同时以子空间维度与去掉映射的消融揭示稳定性代价。

该研究用两类微笑语音与三档巴布尔噪声检验听者能否检出微笑并区分微笑类型，最强证据是敏感度随噪声单调下降而判断标准同时向保守端移动，代价是强噪声下愉悦微笑优势被逆转。

论文把图像领域的 DAAM 归因搬到语音扩散模型上，用每词时间热力图研究风格描述词如何影响合成语音，最强证据是风格词时间方差显著更低且与能量语义一致，代价是只在单个 CapSpeech 模型和合成提示上验证且无因果干预。

论文只改变输入归一化来训练识别墨西哥西班牙语元音的多层感知机，再用美国英语元音测试其归类与不懂英语的西班牙听者数据的吻合度，最强证据是 Lobanov 在平均绝对误差、均方根误差、相关和首选类别一致数上全面最优，代价是它以抹平说话人与语言间差异为前提，只适用于初始态建模。

该研究以冲突名词对动词第二音节为对象，用带地标配准的多变量函数主成分分析检验无声学信息时重读与非重读音节是否可分，最强证据是六人中四人出现条件分离而口音最重两人未分离，代价是仅 98 个可用 token 且结论只具描述性。

该研究以 60 名认知正常的粤语老年人自然听故事脑电为对象，用声学、分段、音位战术三套编码模型比较皮层追踪强度，发现主观认知抱怨越重，对亚音节语言特征和平淡语体的追踪越弱，而对声学包络的追踪相对保留，但丰富韵律的代偿解释仍待验证。

该研究以 57 名普通话母语者的被试内设计同步测量声调与辅音的识别斜率和 Ganong 效应，报告跨水平的 2 组相关均未达显著而水平内的 2 组负相关均显著，支持可靠性加权的共同策略与水平特异的加工资源并存。

针对汤戈阿岛纳卡纳曼加语究竟有一个还是两个舌冠塞音的问题，研究用词中位置的嗓音起始时间与闭塞时长测量，显示清齿塞音与浊前鼻化 postalveolar 塞音在正负嗓音起始时间和鼻口闭塞构成上稳定分离，但结论限于词中语料与强度分段口径。

该文把情绪、语言、病理和源滤波器做成手工特征集，用有界神经互信息估计加非参数校验量化维度间依赖，最强证据是跨维度互信息低于 0.15 纳特而源滤波器互信息为 0.47 纳特，代价是结论只对手工静态特征和六个英语语料成立。

针对冻结说话人嵌入的无标签增强问题，该文用冯·米塞斯-费舍尔分布对干净目标建模并轮廓化样本级集中度，得到对数残差损失，在保持标准集基线的同时改善 CN-Celeb、VOiCES 等失配集，代价是标准集提升微弱且重度失配仍有残留误差。

论文用同一 MMS 骨干的 126 至 4017 语言识别模型对比 49 种语言的质心聚类，显示只有 4K 规模在 K=18 处把系统发生恢复从 ARI 0.47 推到 0.74 并以 1.00 精度分离出太平洋宏簇，代价是仍有一个毛利语例外和一处未解释分支。