关于相对语音印象估计的探索

语言和非语言性的语音方面会强烈影响听者的印象。虽然大多数研究聚焦于绝对印象评分，但本研究探讨了相对语音印象估计（RIE），这是一种预测同一说话人两个发音之间感知差异的框架。估计目标是从主观评估中衍生的低维向量，量化第二个发音相对于第一个沿反义轴（例如“Dark--Bright”）的感知变化。为隔离表现性和韵律变化，我们使用了来自不同风格下朗读同一文本的专业说话人录音。我们比较了三种建模方法：常用于语音情感识别的经典声学特征、自监督语音表示以及多模态大语言模型（MLLM）。我们的结果表明，使用自监督表示的模型在捕捉复杂和动态印象（例如“Cold--Warm”）方面优于经典声学特征的方法，而经典特征在这类印象中则表现不佳。相比之下，当前的MLLM对于这一细粒度的两两任务证明不可靠。该研究提供了对RIE的首个系统性调查，并展示了自监督语音模型在捕捉细微感知变化方面的优势。