合成语音也能当训练数据：更自然的德语TTS把嗓音筛查准确率推到0.87
核心概要
嗓音障碍的自动筛查受限于临床语音数据稀缺与类别不均。研究在Saarbrücken嗓音数据库的标准化句子录音上，用两个文本转语音模型各为每条训练录音生成一份合成样本，再比较多种模型架构与融合策略。盲听中Kartoffelbox合成样本仅52.6%被认出是合成音，XTTS为89.5%；用Kartoffelbox增广后HuBERT的敏感度达0.88、准确率0.87，四分类任务仍以喉炎最难。
深度剖析
合成语音被当作额外的训练数据，用来缓解嗓音障碍识别中临床录音稀缺、诊断类别不均的问题，二分类筛查与四分类诊断两个任务都做了检验。 此前的嗓音障碍研究多在样本少、类别同质的VOICED库上报告很高的敏感度与特异度，换到含71个病理诊断类别的Saarbrücken嗓音数据库后性能明显下降。 在原始数据上，HuBERT取得0.85准确率与0.84 F1，是基线中最均衡的；SVM敏感度0.915但特异度只有0.492，WavLM敏感度0.929而特异度0.656。
增广效果取决于用哪个文本转语音模型，更自然的合成语音带来更一致的提升。 两个模型生成的合成样本在盲听中的可辨识度差别很大，此前并不清楚合成语音的感知质量是否会传导到下游分类性能。 一位有20余年经验的耳鼻喉与嗓音专科医师盲评，Kartoffelbox合成样本被认出率52.6%（10/19），XTTS为89.5%（17/19）；用Kartoffelbox增广后HuBERT敏感度0.88、准确率0.87、F1 0.85。
把不同架构的输出融合起来，可在敏感度与特异度之间取得更平衡的取舍，加入性别嵌入主要改变这一平衡而非整体提升。 单一模型各有偏向，SVM与WavLM偏向多报病理，ResNet-18与LSTM偏向少报，简单等权平均没有利用各模型的互补性。 可学习融合学到三个分量接近均匀的权重0.35、0.32、0.33，准确率0.874、F1 0.859；带性别嵌入的版本准确率0.877、AUC 0.922；等权集成AUC最高，为0.930。
四分类诊断比二分类筛查难得多，喉炎是其中最难识别的类别之一。 二分类只回答是否可能患病，四分类要求区分非病理、功能亢进性发声障碍、喉炎与喉返神经麻痹，类别间声学表现本就重叠。 HuBERT在四分类上准确率0.72、F1中位数0.63；可学习融合把F1提到0.659、准确率0.733，喉炎在融合模型中F1最低，WavLM经Kartoffelbox增广后对喉炎一个样本都未正确识别。
启示与展望
结果来自Saarbrücken嗓音数据库的标准化短句录音，二分类任务把71个病理类别合并为一个“可能患病”类，定位为筛查而非诊断；四分类只覆盖非病理、功能亢进性发声障碍、喉炎与喉返神经麻痹四类。测试集只含原始录音，且按说话人划分，模型只在未见过的说话人上评估。合成样本被明确定位为分布层面的增广，而非对炎症、声带麻痹等病理机制的生理模拟。
数据库录音采集于1997至2004年，模型在当代录音上的表现尚不清楚。许多诊断类别样本极少，即使采用分层划分与类别加权损失，这些类别的性能估计在统计上仍然脆弱。盲听评估由单一评分者完成，无法计算评分者间一致性。二分类队列中非病理说话者保留比例低于病理说话者，可能引入选择偏倚；四分类所用类别偏向女性说话者。