语音子空间崩溃具有特定病因且跨语言稳定：来自 3,374 名说话者的证据

我们之前介绍了一种用于构音障碍严重程度评估的 无需训练 方法，该方法基于冻结自我监督语音表示中语音特征子空间的 d 素可分离性，并使用 HuBERT-base 在 5 种语言的 890 名说话者中进行了验证。在这里，我们使用 6 个 SSL 主干网，将分析范围扩展到涵盖 12 种语言和 5 种病因（帕金森病、脑瘫、ALS、唐氏综合症和中风）的 25 个数据集以及健康对照中的 3,374 名说话者。我们报告了三项发现。首先，特定病因的退化特征在组水平上是可区分的：13 个特征中的 10 个产生较大的效应量（ε 平方 > 0.14，Holm 校正 p < 0.001），帕金森病在 Cohen d = 0.83 时可与关节执行组分开；个人层面的分类仍然有限（22.6% 宏观 F1）。其次，轮廓显示出跨语言的轮廓形状稳定性：在每种病因可用的语言中，5 维辅音 d 素数轮廓的余弦相似度超过 0.95。绝对 d-prime 幅度未进行跨语言校准，因此该方法支持与语言无关的退化模式表型分析，但需要语料库内校准以进行绝对严重性解释。第三，该方法与架构无关：所有 6 个骨干网均产生单调严重性梯度，模型间一致性超过 rho = 0.77。固定词元 d-prime 估计保留了严重性相关性（每类 200 个词元时 rho = -0.733），确认该信号不是词元计数伪影。这些结果支持语音子空间分析作为一个强大的 无需训练 框架，用于病因学感知的构音障碍特征描述，并具有所代表样本中跨语言轮廓形状稳定性和跨骨干稳健性的证据。