语音情感识别

针对跨通道矛盾定义的犹豫与矛盾识别问题，论文选择显式建模模态差异的 9 token Transformer 路线，在 BAH 标注测试集上报告 0.7408 Macro F1，代价是小数据下额外 token 带来的过拟合风险与多窗口训练成本。

针对语音大模型用自回归解码做四分类情绪识别会产生无效标签并偏向多数类的问题，论文在冻结主干上对比同一最终提示词隐状态的生成式解码与单层线性分类头读出，最强证据是加入对话上下文后宏平均 F1 达到 78.14 且在 ASR 转写下从 74.47 提升到 76.50，代价是只验证了 IEMOCAP 四类设置且可解释关联暴露了预训练的文化偏置。

该文把视频多模态情感分析拆为极性判别与强度回归，用极性与强度瓶颈专家分别压缩各模态信息再做跨模态路由融合，在四个中英文数据集与多种语言模型上报告了路由设置与专家分工证据，但未公开代码与完整训练预算。

针对语音共情对话中只做情绪识别就直接生成的问题，ER-EDF 用感知加规则调节再提示生成的链路组织回复，在 IEMOCAP 与 MELD 构造的两种共情参考上多数情况下提升共情指标，但高强度表演式对话与小模型接地能力仍是代价与边界。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该研究用 48 段高兴与生气冲突或一致的动态视听短片加眼动追踪，检验 27 名人工耳蜗学龄前儿童与 25 名健听同龄人的线索权重与注视分配，发现人工耳蜗组在冲突时显著偏向面孔且眼口注视更均衡，代价是听觉线索利用不足与注视表现关联缺失。

该研究把接警员投入度与心理灵活性下降转写为可实时跟踪的声音心理生理状态变化，用预训练模型输出效价唤醒优势三轴曲线先在中性到非中性合成序列上验证再在真实接警录音上试探，合成条件下变化可被标出而真实通话结果混杂因而需要更多通话特征。

该研究让 19 名高熟练牙买加英语、卡斯蒂利亚西班牙语和南部标准英国英语说话人在中性、积极、消极条件下用英语做自发与半自发表达，测量语调短语时长、停顿时长、语速、发音速率和音高范围，发现只有消极高强度情绪带来可重复的组间交互且以音高范围变窄最突出，而发音速率不受情绪影响。

该研究用 40 个法语西班牙语非言语声音做四选一情绪识别，报告年龄越大识别越准、喜悦悲伤优于恐惧、非言语声优于句子、五岁双语儿童优于单语，但样本小且组间不均衡使语言效应只能算探索性发现。

该工作把网球赛后发布会视频加工成带说话人角色、转写和词级对齐的自发情感语音语料，并用预训练声学与文本模型做维度回归、离散分类和文本情感三组基准，显示胜者效价与优势感更高、败者悲伤主导更集中，但两组文本多呈积极且 arousal 差异小。

用普通话双音节词的情绪 Stroop 任务比较 23 名音乐家与 20 名非音乐家，报告显示音乐家在韵律和语义任务中反应更快且在韵律准确率探索性分析中占优，但组别与一致性的交互不显著，说明优势在加工速度而非冲突调节，且情绪类别仅限高兴与生气。

该研究用上升与下降两套 4×4 重合成连续体检验核重音与边缘调对惊讶感知的相对权重，发现升调主要由句尾音高驱动、降调主要由重音音高驱动，整体效应得到贝叶斯有序模型的支持，但语境与言语行为混淆仍待验证。

该研究用 31 名魁北克法语非演员的/papa/六情绪表演与 5 名专家听辨数据，结合 eGeMAPS 声学分析，报告敬畏表达更长、更轻、音色更暗且元音更稳，而听者把敬畏标签投给更长、基频变异更大、第一共振峰变异更小的声音，其中时长效应最强。

该综述按 PRISMA 筛出 2014-2025 年 27 项急救电话语音研究，发现 78% 做呼叫优先级排序且近半依赖情绪识别，但仅 7 项评估临床或运行影响、14 项依赖模拟语料，说明算法性能不等于分诊可用性。

针对对话情感识别中随机缺失模态导致语义不一致与模态冲突，论文用掩码超图注意力为扩散恢复提供条件并用特征源与判别双通道估计不确定性做证据融合，在缺失率 0.0 至 0.7 下保持最高准确率，代价是两阶段训练与 300 步扩散采样开销。

针对语言、视觉、声音互相冲突时融合不可靠的问题，CICA 先让每个单模态编码器输出置信度和不确定度，再用它们调制融合注意力，在 MOSI 上报告 MAE 0.630 和 Corr 0.855、在 MOSEI 上报告 MAE 0.489 和 Corr 0.856，代价是需要两阶段训练并保留互信息正则以防止文本主导时压垮其他模态。

针对类别标签难表混合情绪、维度分数难直观解释的问题，该研究把日语表演性情绪语音标注为色相、饱和度、明度并用回归直接预测，留一说话人交叉验证下多任务学习在色相角误差约 29.7 度、饱和度与明度一致性相关系数约 0.560 与 0.803、六分类准确率 90.8% 上同时优于单任务，但结论限于表演性日语与小规模众包标注条件。

针对同一视频中语言、视觉、音频情感极性不一致时相似性对齐会扭曲共享语义的问题，论文提出冲突感知自适应交叉重构 CACR，用共享空间冲突分数加权交叉重构实现隐式对齐并以视听线索精炼文本，在 MOSI 上报告 ACC7 为 48.69、ACC2 为 87.04，代价是需要多组重构解码器与多项正则损失协同训练。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读