统计分析

该研究在一次未达到主要终点的早期帕金森 2 期试验中检验语音、面部与手指敲击客观测量是否与运动检查量表测到同一构念，并报告客观测量基线相关成立、纵向不跟随量表改善且受试者内变异更小，但眨眼率是例外且结论限于早期轻症人群。

该研究在成人组与家庭组的多人对智能体访谈中检验局部与全局趋同，发现人与人局部趋同强而与智能体局部趋同缺失、全局趋同微弱且依赖队列，代价是高度结构化访谈与小样本限制了推广。

该研究把 ALS 功能恶化定义为首次超过最小临床重要差异的事件并用生存分析比较到达时间，报告九项语音面部指标的中位事件时间与所需样本量均明显优于 ALSFRS-R，但代价是依赖指数近似恒定风险假设与存在删失偏倚的单中心远程队列。

针对自发语音内容多变、录音条件不可控下呼吸信号易被淹没的问题，SpiroPhonia 用声学扰动加频谱加停顿三类手工特征与两阶段特征筛选做被试独立分类，最强证据是在 41 人留出测试集上 78.05% 准确率与 87.14% AUC，代价是 201 人小样本与公开平台数据的选择偏差及跨语言跨设备泛化尚未验证。

该研究用超声逐帧追踪舌背与舌骨并做多变量建模，报告/g/以更长更大更快的舌背抬升和舌骨后缩对应低 f0、/k/以舌骨上抬前移对应高 f0，代价是舌轮廓本身差异极小且无声带预振动可直接验证。

该研究在守言与梅花两个湘方言中比较卷舌元音、高前元音与低后元音上的平调对立，用基频、时长、强弱与嗓音质量多线索加混合模型与 XGBoost 加 SHAP 说明高调更短更响更周期而元音与调系改变线索权重，但代价是仅男性发音人与单字载句朗读的受控证据。

该研究以 LibriVox 8854 本单人英文有声书为对象，用 129 维声学向量建模浏览率四分位与同书组内排序，发现声学信息在控制书名后仍有稳健关联，但全局伪 R 方仅 0.09 且效应量小，组合类型信息后分类准确率最高 0.35。

论文用冻结语音自监督模型的分层聚类信息量与下游可学习层权重的排序比较，证明在 10 分钟监督下对比式模型的权重分布能系统反映预训练音素与词信息结构，而 1 小时监督与聚类式目标会削弱这种对齐。

针对孟加拉语语音情感识别，该工作用 80 维谱特征走 DNN、51 维多尺度韵律描述子走轻量 KAN，再经双向交叉注意力和情绪自适应门控融合，在说话人无关评测下以 1.1M 参数在 SUBESCO 取得 92.12%、在 BanglaSER 取得 82.79%，代价是跨库与会话语音泛化仍受语料差异限制。

该研究用 9 名新西兰英语发音人在仰卧、坐、站三种静态姿势下复读同一套 11 个/hVd/单词，以线性混合效应模型检验姿势对 F1、F2 的影响，发现总体差异小且最清楚的对比都涉及仰卧相对直立姿势，并集中在少数高元音和高前元音上，女性和年轻女性条件下的差异更清楚，但样本小因而只能作为本数据集的描述。

该文把近端聆听增强做成在谱-时间调制域上学习全局掩蔽并保持总能量不变，在多种噪声和客观加主观指标上报告了优于时频基线的平均增益，但低信噪比下个别条件仍被基线反超且主观验证规模很小。

该研究在 42 种语言的替换错误上直接测量语音、形态、句法和词义相似度，用混合效应贝塔回归证明句子语义保留来自跨维度交互而非单维度叠加，最强证据是形态句法联合保留的增益和系统差异，但代价是对插入删除不建模且依赖现有工具链的标注噪声。

针对目标说话人标注中短片段分数方差大而同标签平均又怕误聚的问题，该文提出对每个分离标签内分数拟合两分量高斯混合并以最大后验分量均值校准，在 TST-Bench 与 ICSI 上严格工作点下提升明显，而代价是每标签至少需要 5 个片段且需估计混合参数。

该研究比较电台口语转写与三种书面语域输入的合成语音可听性，发现口语转写显著增加主观努力并降低回忆，而大模型生成文本与维基文本无显著差异，但四条件语义内容并不相同因而不能做因果归因。

该研究用 TIMIT 人工边界为金标准、以 MFA 自动对齐比较时长与 F1、F2，沿 token 递增轨迹检验差异是否缩小并何时稳定，报告 85% 组合显著改善而 F2 最费数据，代价是结论限于朗读式高质量英语且部分元音-特征未改善。

该研究以悉尼与布雷德伍德自发语音中五个双元音的整条共振峰轨迹为对象，用广义加性混合模型检验性别与地域差异，最强证据是性别对五个元音均显著而地域对其中三个显著，但轨迹中段差异与单点分析结论不一致的代价是模型复杂且可视化解释受限。

该研究以塔希提语、马克萨斯语和鲁鲁图语的口语塞音为对象，用强制对齐加手工校对与线性混合效应模型检验 VOT，最强证据是三语均为约 20 ms 的短延迟清塞音且后接元音是主要变异来源，代价是语料不平衡且仅覆盖朗读体、未能分离词重音与短语重音。

该研究以线性探针检验预训练语音嵌入与声学、语音和结构特征的关联，最强证据是振幅与频谱特征在测试集上可解释约五成方差，而形态句法特征几乎不可线性读取，代价是中值池化和线性假设可能压低结构信息的真实含量。

该文把情感计算从单人状态推断转向多人声音互动场，用 WavLM 连续表征加双变量与四人条件 Granger 检验在 AMI 会议上验证亚秒级方向性耦合集中于重叠共现，而独白对照与循环位移校准显示短窗检验存在明显尺寸膨胀。

论文用 10 名卢森堡政治人物各 20 句卢森堡语加 20 句法语共 400 句自发话语提取 41 个魅力相关声学韵律特征并以混合效应模型做方差分解，报告说话人中位 ICC 为 0.56 而语言仅占约 0.5%，语言差异集中在法语更高的 shimmer 与句末 F0 和卢森堡语更强的中频谱能量，但合成魅力指数无语言主效应。