论文解读
词对齐韵律：说话人差异远大于抑郁或创伤后应激严重度
论文检验词级韵律能否作为抑郁与 PTSD 的行为标记，发现词特异偏差跨语境几乎不重复，而按说话人聚合后高度可重复，但仍与症状严重度无可检测关联。
语音生物标志物
论文解读
术中构音障碍检测：从混合录音到跨说话人泛化的流水线拆解
该研究在 11 名清醒开颅患者的 2706 个 3 秒片段上，用留一说话人验证比较说话人分离、多层 wav2vec2 表示与级联分类器的分工，发现表示改进带来 18.2%-26.1% 的 AUC 提升而分类器差异不超过 4.7%，但跨说话人 AUC 仍明显低于说话人内校准。
论文解读
能解码不等于会使用：噪声与混响如何系统性推动阿尔茨海默语音预测
该文在 ADReSSo 上用三条大语音自监督主干做可控噪声与混响的输入与表示干预，证明即使无组间差异的噪声也能以最高翻转率系统性改变预测且方向可逆，而高精度本身不能保证稳健。
论文解读
只用生成阶段估计思维速度：ASR 加 VAD 校准停顿来逼近言语流畅指数
针对运动神经元病患者构音与认知混杂的问题，该研究只用一分钟字母流畅生成阶段音频，以 WhisperX 转写加 Silero 语音活动检测校准词与停顿边界再提取临床可解释特征回归估计言语流畅指数，最强证据是 P 词全自动 LASSO 达到 R² 0.856、NRMSE 0.053，代价是 S 词在构音障碍语音上误差明显增大且样本仅 42 人。
会议总览
interspeech-2026 论文深度解读
共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读
论文解读
声音不够时看脚步：用轨迹上下文补足医院压力检测
针对医院工作者日常压力随科室与活动变化而单靠语音不稳的问题，该研究用语音编码器加移动轨迹编码器的晚期拼接融合做天级二分类，并在 TILES 医院数据上报告融合相对音频基线 F1 提升而轨迹预训练与高低移动条件决定收益大小。
论文解读
早期帕金森语音检测为何难比较：用固定划分与多维度评估建立可复现基准
针对早期帕金森与健康对照的二分类问题，该基准用固定说话人无关划分与四种训练资源设置比较三种可运行方法，最强证据是 RECA-PD 在 DDK 与句子任务上平均最优而元音任务最难，代价是数据集泛化差距大且聚合与阈值迁移仍不稳定。
论文解读
跨语言朗读时间结构：用六个时长特征合成亨廷顿病语音指数
该研究用自适应能量包络检测朗读中的浊音 burst 与停顿，把六个跨语言一致差异的时间特征按语言匹配对照标准化平均为 CTSI，在 89 例 HD 与 82 例对照中与 cUHDRS 等临床分数强相关，最高为 SDMT 的 r=-0.77，代价是仅用时长信息且未做纵向验证。
论文解读
轨迹比端点更诚实：八次治疗里声音如何分叉
该研究用八次网络认知行为治疗的会话语音追踪隐居患者的纵向声音变化，以基线校正后的 MFCC 轨迹区分改善与恶化，并报告 Wav2vec 2.0 与 MFCC 加基频融合在各年龄性别组取得最高 F1，但样本小且中段无临床量表监督。
论文解读
从词到时间图：把饼干失窃描述变成可计算的叙事轨迹
针对饼干失窃图描述任务，该研究用微调伯特模型做 23 类内容信息单元识别并用层相关传播定位时间，再把单元转移建模为带时间间隔权重的有向时序图，证据是手动转录上 F1 为 0.879 左右而临床组表现出更少独立节点和更长转移间隔，代价是动作类定位精度偏低且长叙事需要按词数归一化。
论文解读
不把呼吸当静音：BreathGRU 为何要显式建模呼吸事件
针对呼吸音频中呼吸常被语音活动检测判为静音的问题，BreathGRU 用双向循环时序建模加时长约束解码做语音与呼吸两类分割，在手动标注哮喘语音上取得呼吸事件召回 0.83 与平均匹配交并比 0.81，代价是整体时长误差与部分语音指标仍弱于 Silero。
论文解读
不只补数据、要补认知痕迹：用检索约束文本再对齐语音的 AD 增强
针对语音 AD 检测数据稀缺且通用增强丢失认知特征的问题，该研究用检索增强大模型生成认知受约束文本再用属性引导语音合成补齐声学一致样本，在 ADReSSo 等多模型对照中提升检测性能，代价是需要精细标注、微调与控制增强比例。
论文解读
隐私与性能难以兼得时，原型对齐如何在联邦抑郁检测中稳住多模态表示
针对语音抑郁检测中联邦非独立同分布、多模态不一致与成员推理泄露问题，FedMPA 用模态特异原型与指数滑动平均全局原型库加原型引导损失与混合推理，在 E-DAIC 上以 0.89 无加权平均召回和 0.52 成员推理曲线下面积取得 0.92 隐私性能分数，但仍只验证了黑盒置信攻击与单一数据集。
论文解读
同时测抑郁和焦虑的德语语音：GADVOX 如何把众包自由言说变成可回归的严重度标签
GADVOX 针对德语缺失焦虑抑郁双标注语音的问题，用 10 个随机化中性自由言说提示在众包平台采集 1004 人语音并配对 PHQ-9 与 GAD-7 自评严重度分数，以 29.3% 多阶段质检换取可做双目标回归的数据，最强证据是量表内部一致性与质量-严重度无相关的核查，代价是自评非临床诊断且样本偏向高教育数字人群。
论文解读
标签不准又只给包级标签：用校正加双流多示例拆开抑郁语音检测
针对语音抑郁检测中样本标签可能标错且抑郁线索只藏在片段里的问题，论文用似然比加原型融合做样本级标签校正再用最大规则与聚合器双流多示例学习做片段级检测，在 DAIC-WOZ 上报告 UAR 0.651 与 F1 0.642，代价是两阶段流水线与多个阈值和权重需要调参。
论文解读
抑郁线索稀疏而不均匀：用跨模态门控重新分配帧权重
针对抑郁相关模式在语音中稀疏分布的问题，该研究用自适应跨模态门控对声学帧和文本词元重新加权，在 PDCD2025 上跨模态门控达到 81.25% 平均准确率并在 DAIC-WOZ 上达到 69.39% 的 F1，同时可视化显示门控偏向低能量语音和消极词汇，但预训练模型冻结与聚合口径等细节仍需按原文条件理解。
论文解读
把停顿、话题和音素装进同一个提示：LoRA 微调大模型做痴呆检测
该研究把转录加停顿标记、话语话题簇、流利度统计和音素序列统一写进结构化提示并用 LoRA 微调大模型做话语级二分类，在 ADReSSo 上最好达到说话人级 F1-score 为 90.14%，代价是话语标注依赖外部商用模型且仅在英语图片描述任务上验证。
论文解读
不开参数也判病：用模拟法庭辩论约束大模型的抑郁检测
针对自动抑郁检测中微调成本高且易过拟合的问题，Moot-Court 用冻结大模型做文本化声学融合与控辩对抗图推理加可进化经验库，在 DAIC-WOZ 上报告 F1 为 0.8856 且召回达 0.9394，但全文存在 0.8750 与 0.8856 的数字冲突与小样本泛化边界。
论文解读
把一个人的 8 段发音连成一张图：多发音图学习为何在 ALS 分级上超过单段基线
针对 ALS 构音障碍分级与 ALSFRS-R 进展预测，该工作把每人多段 2 秒语音的冻结 SSL 嵌入建成单张 k 近邻图并做图分类，最强证据是官方验证集上 HuBERT+GIN 的宏 F1 为任务 1 的 0.73 与任务 2 的 0.69，代价是固定补齐引入重复伪影与固定 kNN 可能连入通道相似而非临床相似的边。
论文解读
自然对话里藏着早期认知衰退：结构化病历不够时语音补上了什么
该研究用 175 人的真实护理对话检验自然语音能否补充结构化病历做早期认知损害检测，最强组合达到 AUC 0.92 与 F1 83.08，代价是更长录音、缺失插补与小样本解释的局限。