统计分析

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。

该研究用 10 名政客各 20 句卢森堡语加 20 句法语共 400 句自发话语的辅元音标注与成对检验，显示元音时长与语速随语言系统性重组而辅音保留说话人指纹，且语言与性别无稳健交互，但样本限于精英政客与聚合分析。

该研究以 459 名日语被试的回放与听觉想象对照量化自我声音厌恶，证实回放比想象更不适且身份相似感不变，顺序与个人特质调节差距，而可复制的声学主效应稀少、特质与声学交互更关键。

论文用田野 9 人约 4 小时加网络 51 人约 94 分钟拼成 60 人 7.5 小时语料，以 Silero 切分加 Wav2Vec2 转写按韵律短语计算莫拉每秒并人工补岛屿和 50 岁二分年龄，发现仅 Nga Pu Toru 年轻人显著快于年长者而另两岛无年龄差，但人脸年龄估计失败使流程只能半自动。

针对极角估计中声源谱与头相关传输函数纠缠的病态问题，论文用相关性贝叶斯观察者联合评估生态声源先验与五种空间先验，最强证据是所有变体复现了谱分辨率提高时极角误差与象限错误率单调下降而非对称先验整体更贴合，但生态声源先验增益有限且组水平无一致最优先验。

论文以 32 名三代平顶山话发音人的声学与喉头仪同步生产实验，显示老年组主要靠音高区分 T2 与 T4，而青年组在音高轮廓差缩小后显著加重了嘎裂声发声与时长权重，随机森林平均 AUC 超过 0.97，但结论目前仅来自生产端而无感知验证。

论文用 Qwen3-Omni-30B-Instruct 在 1848 条印尼中学生朗读上检验口音度与可理解度自动评分，显示少样本下中等相关并能检出前后测进步，但线索排序在口音度上与人差异更大且整体打分偏低。

论文以最小对立体偏移方向的余弦检验听觉与文本两流是否共享区别性特征方向，最强证据是仅清浊特征在两个 Qwen2.5-Omni 模型中通过多重校正，而随机配对基线在模型间相差达 7 倍，说明不能对零比较。

论文以沙普利归因而非词错率比较六个音视模型在不同信噪比、解码阶段和输入位置的音频与视觉贡献，发现噪声加重时视觉占比上升但音频在负 10 分贝仍占约四成，且信噪比是主导因素而识别难度影响很小，代价是每条样本需 2000 次掩码前向的高计算开销。

论文用 8 个时长节奏指标加线性混合模型、分层聚类与线性支持向量机检验 5 种东北印度英语和 2 种印地语，再用 2048 维语种识别嵌入经主成分分析降至 42 维后做线性判别分析投影，发现英语内部高度重叠而印地语可分，且第一主成分与元音占比强相关 r=0.77，代价是英语变体分类准确率仅在 chance 附近且材料语言不同带来混淆。

该研究用跨通道启动比较孤立词与高低可预测句中浊音目标词的身份优势，发现孤立词中嗓音起始时间模糊度以渐变方式缩小目标与竞争词反应时差，而句子中可预测性扩大该差值却不再受模糊度调制，代价是结论只限于词汇竞争层面且未直接检验语音编码保真度。

论文指出按频率选词 n 元组会混入主题词而高估证据强度，改用显式定义的 156 个功能词集并以 ANOVA F 值筛选到 50 维，在 104 名澳大利亚男性说话人电话对话上从 Cllr 0.83 改进到 0.78，但仍弱于含主题词基线的 0.60。

论文以 WavLM 与 wav2vec 2.0 的 12 层帧表示为对象，用 k 近邻估计的局部本征维度量扰动引起的几何膨胀，并报告该膨胀与词错误率退化同向出现、层级 LID 向量可区分对抗与良性输入，但高信噪比下可分性与攻击成功率同步下降。

论文在冻结编码器加固定轻量后端的配方下，用约 315M 容量的 wav2vec2 家族对照 1 到 1406 种语言覆盖，并用相同 Libri-Light-60k 数据对照掩码预测与对比目标，发现域外误差在 128 语言处触底而 1406 语言不再提升，且掩码预测明显更稳，代价是结论限定于单训练语料与固定流程且覆盖与数据量无法彻底解耦。