语音情感识别

VISTA 用七字段事件评价调节多模态权重来解释情感冲突，在 CA-MER 冲突子集达到 64.5% 准确率，代价是 360 token 评价目标、每种子 72 GPU 小时训练与 15.5 秒中位推理延迟。

该文针对脑电伪影污染融合表示的问题，用差分注意力抑制共享噪声并用门控对齐融合语音，在 PME4 和 EAV 上以留一被试协议取得多模态显著提升，但未直接对比已有脑电语音融合系统。

针对整句单标签无法定位多人多事件录音中情绪归属的问题，论文把任务改写为带起止时间的语音段结构化预测，并用掩蔽情绪与距离加权时间戳辅助损失训练 EMO-TAG，在 MELD 和 IEMOCAP 多段定位与单句识别上超过所比基线，但代价是两次前向与精心清洗的多段构造流程。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

论文在冻结语音与人脸编码器加小头架构下检验音频视觉情感识别，证明预言者选对分支即算对的上限只是分支精度与分歧的函数，拼接融合至多转化约一半头部空间而学习路由处处不如拼接，污染编码器则通过抬高音频分支掩盖头部空间。

针对文本、音频、视觉共存缺失与噪声的多模态情感分析，RCE 用 vMF 不确定性做质量感知压缩与跨样本增强加多级融合，在 CMU-MOSI/MOSEI 完整与缺失噪声设置下取得最优或接近最优，代价是记忆库与超模态带来更多参数与调参量。

针对合成语音能演而公开评测只能判六到九类基本情绪的问题，该工作用 40 情绪专家标注与 57 维说话风格探针构建野外基准并配以 Emolia 大规模训练数据，VoiceCLAP-Large 在 VoiceNet-Emo 上达到 0.702 的按提示校准平衡准确率，代价是阈值需事后校准且 Ext 子集一致性仍在机遇水平。

该研究用被试内普通话四情绪识别任务对照人声与 AI 克隆陌生或熟悉音色，报告人声在高兴、悲伤和生气上准确率更高且反应更快，而熟悉 AI 音色仅对高兴有补偿、对恐惧反而延迟，且心率变异性未区分条件。

针对无源域数据、只有多个预训练源分类器和极少量有标签目标数据的语音情感分类问题，MOCHEE 用软置换对齐加元学习合并权重构造靶向分类器，在 CAFÉ和 Oréau 上报告最高准确率与 Macro-F1，但对齐与内外层划分等细节仍有未验证边界。

针对开放词汇情绪推理中全局音频编码丢失话语内微韵律的问题，AcoustEmo 用时间戳同步滑动窗口加话语感知声学 Q-Former 提取片段级声学 token，在 EMER-Fine 上取得平均 67.55 分的最佳可运行结果，代价是依赖转写时间戳且需同时保留全局分支。

针对声音与文本矛盾时模型只信文本的语义主导问题，论文用对抗合成基准 ASPIRE 和解耦网络 ACR-Net 做诊断与分离，在极性冲突上把声学准确率做到 68.4%，代价是依赖合成语音和额外解耦超参数。

论文研究无非典型听者标注时如何从少量样本泛化声音情感，选择冻结大模型加 LoRA 并用 36 个文本情感锚点打分效价唤醒，在 AAD 上训练、在 EmoSoundscapes 上跨域验证，最强证据是音频微调把 AAD 效价排序从负相关拉到 0.71 左右，代价是仍只验证神经典型数据且未真正建模 hypersensitivity 个体差异。

针对背景噪声与帧损坏会让融合偏向坏模态的问题，该研究用 Mamba2 加交叉注意力做带噪输入重建干净特征的预训练，在 RAVDESS 上显示噪声音频获益而视频基本保持，仅以视频小幅下降为代价。

针对语义主导和缺乏认知深度的问题，该研究用同一文本配多种情感的 LIME-440K 迫使模型听声学线索，再以四步 EIPS 显式推理加混合内化与双路由强化学习实现直接共情回复，在冲突语音上把共情分从不足 2.0 提升到 2.91 并把冲突情感准确率从 24.0% 提升到 46.0%，代价是三阶段训练与合成语音和真实微韵律之间仍有差距。

针对语音情绪标注主观且噪声大的问题，论文用众包感知一致性与意图对齐定义由易到难的课程，在 CREMA-D 上用 LSTM 和 Transformer 验证了规则课程的精度与梯度更新效率，但随机划分课程无效且最难类的划分与代价依赖特定数据集。

针对整句标注掩盖帧级情感动态的问题，该文只用声学信号做协同推理与冲突回填的多粒度监督，在 IEMOCAP、EmoDB 和 MELD 上报告了 78.10% WA、97.30% WA 和 55.48% WF1，代价是需要先训练 K 组上游子模型并调平衡系数。

该研究用 61 人 769 条德语语音日记同时比较声学与文本模型推断每日唤醒度效价与压力，文本模型在人群层面明显占优但仍偏向特质差异而非日内状态追踪且声学整体接近零效应。

针对多人标注不一致的模糊语音情感，该工作把预测目标从单标签改为情感分布，并用分布对齐目标加结构化思维链分别管住决策不确定性和推理过程，在 IEMOCAP 和 CREMA-D 上用 SFT、DPO、GRPOz 验证了改进，但高维分布下不同策略的优劣会变化。

该文把神经音频编解码器与编解码器自监督预训练解耦做三组对照，报告重建语音与离散-token 预训练在英日中任务上对编解码器训练语言不敏感、但对自监督预训练语言高度敏感，代价是仍需为目标语言做一次自监督预训练。

针对对话中各模态可靠性逐句变化的问题，EmoEUS 用上下文分布估计输出均值与方差并以 2-Wasserstein 距离显式监督方差，再按不确定性加权融合，在 IEMOCAP 上报告 74.33% 准确率与 74.36% 加权 F1，代价是需要延迟引入辅助损失并维护情绪与模态相关的分布簇中心。