语音属性识别

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。

该文用 640 段法语新闻短语音、100 名懂法语与 101 名不懂法语评分者的 0 到 100 分标注研究自动人格感知，最强证据是法语组尽责性多模态准确率 67.1 的分类结果，代价是整体精度仍在 50 到 67 之间且多模态不总是优于单模态。

论文用 196 份问卷加 66 份自录语音建成跨男性态度与语音库，证明自我感知的男性度与平均基频只有弱线性关系而满意度关系更顺，并揭示 Praat 与 REAPER 在同一批朗读上存在系统性基频偏差，但众包录音条件与横断面设计限制了因果推断。

该文把说话人属性预测从 44 类固定分类改写为对大语言模型嵌入的余弦对齐，并用关键词追加收紧流形、用前 k 负样本损失拉开拥挤区，在 LibriTTS-P 上闭集 F1 达到 0.7625 且同义词零样本基本不掉点，代价是依赖单一语料与特定嵌入维度。

该研究用英语音频加电磁发音数据同时估计 6 个口腔声道变量和周期性、非周期性、基频 3 个声源特征，再以鼻音度为腭咽代理跨语言测试，在未见过的法语和俄语上分别保持约 0.83 和 0.74 的平均相关，代价是俄语受噪声和鼻化差异影响更大且腭咽评估样本很少。

该文以酷儿语音数据难收、风险高为案例，提出由社区、项目形成、参与方式与个人自主构成的双向共创框架，但未做定量实验与新数据集验证，代价是落地成本与治理复杂度上升。

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。

论文把语音隐私从信号比对转向四属性组合的等价类与单试次重识别，证据是 72 人集上真实属性 38.9% 唯一、推断属性仍 31.9% 唯一且匿名后攻击错误率最低仅 0.58，代价是分类器误差相关反而帮助攻击、匿名并未针对属性保护设计。

针对塞音嗓音起始时间、闭塞时长与有无爆破三项细粒度标注问题，wav2VOT 把 wav2vec2 改成 1 毫秒帧分类器，先在日语 CSJ-C 大规模训练再向英语多语料微调，在未见数据上与 AutoVOT 相当、微调后显著提升，但小样本微调在录音差异大的语料上会暂时损伤性能。

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。

针对中文老年语音在自然场景下识别困难的问题，WildElder 从在线视频收集并人工标注 23701 条语音，用从零训练与预训练模型的字错率对比证明野外老年语音仍具挑战，而微调能显著降低误差但高龄与男性语音代价更高。

该研究用平行朗读语料和四项声学指标比较英汉嘎吱声生产，发现男性在 H1-H2c 与 HNR35 上更 creaky，且普通话性别差更大，但 CPP 无性别效应、朗读体与设备差异限制推广。

针对雅思口语四项评分标准互相干扰且转写会丢失韵律信息的问题，该工作用直接处理音频的多模态语音大模型做四个分工智能体加总审校对，在 270 段 22.63 小时模考数据上比回归基线更贴近考官打分，但 30B 稀疏模型并未随规模提升且系统未公开代码数据。

该文针对句子重音检测受子词切分稀释与词重音线索未被利用的问题，在冻结 Whisper 上并联词符级句子重音头与音素级词重音头并加入词跨度正则，在 TinyStress-15K 上完整配置取得句子重音 F1 为 0.934，代价是双头不直接交互且评估限于合成语音。

论文追问经听辨判定为目标齿音的 61 到 96 个月儿童其/s,z/摩擦噪声是否仍有连续年龄变化，用短时频谱与摩擦噪声特征加线性混合效应模型检验，报告/s/高频能量与峰间距随月龄上升而/z/低频能量与第一摩擦共振峰下降，代价是按月展开后样本稀疏且自发与跟读任务未完全平衡。

针对成对电磁发音数据稀少导致声学到发音反演泛化受限的问题，论文用大规模语音网格数据提取伪发音轨迹做预训练再在真实电磁发音数据上微调，在 HPRC 上把 PCC 提升 2.9%、在 USC-TIMIT 上提升 45.3%，代价是伪监督只覆盖可见唇颌且需两阶段训练。

针对说话时颏舌骨肌手工量厚度慢且不一致的问题，论文用深度分割加骨架中线测厚组成 SMMA，在 11 名粤语人上做到高质量图 MAE 为 0.53 mm 且/a:/显著厚于/i:/，代价是对图像质量敏感且样本小而单一。

针对英语单词重音检测依赖音节边界标注的问题，该研究用分层卷积把帧级表示压缩为音节级表示并以 Post-net2.0 损失约束每词恰有一个重音，在 ISLE 德意口音数据上报告最高 94.86% 与 96.24% 的准确率，但仍需真实音节数与后处理配合。

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。

该研究用固定朗读句控制词义、用端侧提取后删原音频来兼顾可比性与隐私，在 560 人 9877 条记录上验证了高依从与可分析性，但说话人分类强而 momentary 情感预测弱，且残留朗读合规与特征表达力的代价。