注意力如何塑造情感：面向语音情感识别的注意力机制比较研究
音频与语音处理
2026-03-17 v1
摘要
语音情感识别（SER）在推进人机交互中发挥关键作用。注意力机制已成为建模情感语音的主导方法，因其能够捕捉长程依赖并强调显著信息。然而，标准自注意力面临二次计算和内存复杂度，限制了其可扩展性。在本工作中，我们呈现了一个面向SER的优化注意力机制的系统基准测试，包括RetNet、LightNet、GSA、FoX和KDA。在MSP-Podcast基准测试的两个版本上的实验表明，虽然标准自注意力在测试集上取得了最强的识别性能，但高效注意力变体显著改善了可扩展性，将推理延迟和内存使用降低多达一个数量级。这些结果揭示了准确性与效率之间的关键权衡，为设计可扩展的SER系统提供了实用见解。
引用
@article{arxiv.2603.15120,
title = {How Attention Shapes Emotion: A Comparative Study of Attention Mechanisms for Speech Emotion Recognition},
author = {Marc Casals-Salvador and Federico Costa and Rodolfo Zevallos and Javier Hernando},
journal= {arXiv preprint arXiv:2603.15120},
year = {2026}
}