S7 · 全量评测：从训练划分到完全 OOD（论文主结果）¶
| 批次 / 日期 | 第二批 · 用户 09-05："测试集不只是 160 的话，我们就得全测了"；笔记 1（09-09）"esd 的全部量的重新评测"；09-10 "分清楚是测试集，不要混在一起"；09-11 "从数据到结论都写清楚，包括数据集从训练开始的划分，到测试是 in distribution，只有说话人不同，到完全 ood……所有的结果（ESD，CREMA-D，IEMOCAP）+ 对应的训练数据" |
| 延续自 | E2 / E3 / E4 / E5 / E7 / E8 二轮（随机 160 条）；E3 的 CREMA-D |
| 状态 | ✅ T0-zh / T0-en / T1-CREMA / T1′-RAVDESS 四层完成（2026-09-11）；T2-IEMOCAP 等用户上传 |
1 目的与用法¶
这是论文的主结果表：同一个模型、同一套指标，从训练分布内一路测到完全分布外，每一层只改变一个因素。
2 数据：从训练划分到 OOD 的四层¶
五个层的数据集全貌、编号含义与各层中立录音情况见总表 · 评测数据集。
划分规则（ESD）：按句子编号，% 10 == 0 → test，== 1 → evaluation（未使用），其余 → train；不留说话人。训练说话人 17 位（中文 0001–0010，英文 0011、0015–0020；0012–0014 无音频）。
| 层 | 语料 | 语言 | 说话人 | 句子 | 录音条件 | 情感标签 | 与训练的差异 | 条数 |
|---|---|---|---|---|---|---|---|---|
| 训练 | ESD train | zh + en | 17 位 | 编号 % 10 ∉ | 录音室、朗读 | 4 情感 + 中立，平行 | — | 16,997 对（zh 10,097 / en 6,900） |
| T0 分布内 | ESD test | zh / en | 同 17 位（见过） | 编号 % 10 == 0（未见） | 同 | 同 | 只换句子 | zh 1,276 / en 861（样本冻结于 manifests/frozen/；ESD 0012–0014 补齐后 en 会涨到 1,348，届时另报） |
| T1 换说话人 | CREMA-D | en | 16 位演员（未见） | 12 句固定短句中的 3 句（IEO / IOM / TIE） | 录音室、朗读 | ANG / HAP / SAD × 强度 LO / MD / HI + NEU | 说话人 + 语料，且有真人强度三档 | 144 + 47 中立 |
| T1′ 换说话人 | RAVDESS | en | 24 位演员（未见） | 2 句固定 | 录音室、朗读 | 取 生气 / 高兴 / 悲伤 / 惊讶 × normal / strong，配对同句中立 | 同 T1，两档强度 | 765（每情感 96 normal + 96 strong） |
| T2 完全 OOD | IEMOCAP | en | 10 位（5 会话 × 男女各 1，未见） | 即兴 + 剧本对话，长句 | 对话、有交叠与噪声 | 标注者多数票；取 angry / happy（并 excited）/ sad / neutral，improvised 与 scripted 分开报 | 说话人 + 语料 + 说话风格 + 标签来源 | 上传后按上述筛选定 |
T1 与 T2 的输入只有情感录音（在线抽 whisper / CAM++），没有平行中立录音，所以：RA 锚点取该库自己的真实中立 / 真实情感均值；E7 的位移分解不做；α=0 的中立化只能与该库真实中立比。
3 指标¶
| 指标 | 测什么 | 工具 / 出处 | 锚点 | 门槛 |
|---|---|---|---|---|
| UTMOS ↑ | 自然度 | UTMOS22（Saeki 2022） | 同库真实中立 / 真实情感 | 严格可用：≥ 真实情感 − 0.5 |
| CER ↓ | 内容保真 | Paraformer-zh（中文）/ whisper-large-v3（英文） | 真实录音 CER | 严格可用：≤ 0.10；宽松 ≤ 0.15 |
| SECS ↑ | 说话人保持 | WavLM-base-plus-sv 余弦 | 同人真实中立 vs 真实情感 | — |
| RA（归一） | 情感强度 | 相对属性排序（E2），(RA − 真实中立) / (真实情感 − 真实中立) | 同库、同批 | 退化 |RA| ∉ [−3, 5] 剔除 |
| EIT 成对准确率 W<M / M<S / W<S | 相邻档能否分开（分辨力） | 协议出自 EMORL-TTS（Li et al., ICASSP 2026, arXiv 2510.05758）首次形式化的 Emotion Intensity Test；我们用 RA 代替听众打分，三档取 α = 0.5 / 0.75 / 1.0 | 随机 = 50% | 与 S8 基线同口径 |
| BWS-auto 分 | 整条刻度的两端是否拉得开 | Best-Worst Scaling 的协议（Zhou et al., TAFFC 2022 用于情感强度）+ 自动打分器：每组 4 条同句同情感样本（α = 0 / 0.5 / 1.0 / 1.5），用 RA 代替听众，RA 最高者 +1、最低者 −1，每档取均值，范围 [−1, 1] | 单调且两端拉开 | 见下方 ⚠️ |
| 真人强度一致（T1 / T1′） | 尺子效度 | CREMA-D 的 LO/MD/HI、RAVDESS 的 normal/strong 标注 vs 输出 RA | 保序 | — |
4 实验计划¶
| 层 | 生成 | α | 状态 |
|---|---|---|---|
| T0 zh 1,276 | 正式链路（音高对齐）七档 + 锚点 | 0 … 1.5 | ✅ 已有（outputs/m21full/e4、e4pa） |
| T0 en 861 | 正式链路七档 + 锚点 | 0 … 1.5 | ✅ outputs/m21full/e3pa |
| T0 附属：E5 四臂 / E7 位移分解 / E8 分段 | 全量 | — | ✅ 已有 |
| T1 CREMA-D 191 | 正式链路七档 + 锚点 | 0 … 1.5 | ✅ outputs/m21full/cremapa |
| T1′ RAVDESS 765 | 正式链路 + 直路七档 + 锚点 | 0 … 1.5 | ✅ outputs/m21full/ravpa（清单 manifests/ravdess_eval.jsonl） |
| T2 IEMOCAP | 正式链路七档 + 锚点 | 0 … 1.5 | ✅ 33,132 条，见 S9 |
5 结果（正式链路，2026-09-11）¶
分析脚本 m21_s7_analyze.py → outputs/m21full/s7_analysis.json。每层同一模型（M20@420k）、同一套指标、同一条推理链路（音高对齐混合）；RA 归一 = (RA − 该层真实中立) / (该层真实情感 − 该层真实中立)。
5.1 T0 分布内 · ESD 中文 test（1,276 条）¶
| α | 0 | 0.25 | 0.5 | 0.75 | 1.0 | 1.25 | 1.5 | 真实中立 | 真实情感 |
|---|---|---|---|---|---|---|---|---|---|
| UTMOS ↑ | 2.32 | 2.15 | 2.07 | 2.19 | 2.29 | 2.00 | 1.63 | 3.68 | 2.74 |
| CER ↓ | 0.264 | 0.222 | 0.161 | 0.085 | 0.064 | 0.074 | 0.100 | 0.016 | 0.030 |
| SECS ↑ | 0.855 | 0.867 | 0.883 | 0.902 | 0.917 | 0.909 | 0.883 | 0.887 | 1.000 |
| RA | 0.16 | 0.29 | 0.47 | 0.69 | 0.97 | 1.26 | 1.63 | 0.07 | 1.03 |
| 归一 RA | 0.10 | 0.24 | 0.42 | 0.65 | 0.94 | 1.24 | 1.63 | 0 | 1 |
5.2 T0 分布内 · ESD 英文 test（861 条）¶
| α | 0 | 0.25 | 0.5 | 0.75 | 1.0 | 1.25 | 1.5 | 真实中立 | 真实情感 |
|---|---|---|---|---|---|---|---|---|---|
| UTMOS ↑ | 2.87 | 2.83 | 2.82 | 2.93 | 2.98 | 2.66 | 2.17 | 4.19 | 3.65 |
| CER ↓ | 0.124 | 0.097 | 0.080 | 0.060 | 0.053 | 0.059 | 0.081 | 0.026 | 0.028 |
| SECS ↑ | 0.827 | 0.837 | 0.851 | 0.871 | 0.892 | 0.895 | 0.883 | 0.902 | 1.000 |
| RA | 0.37 | 0.42 | 0.49 | 0.62 | 0.76 | 0.92 | 1.10 | 0.27 | 0.78 |
| 归一 RA | 0.21 | 0.29 | 0.45 | 0.69 | 0.98 | 1.29 | 1.64 | 0 | 1 |
英文层的 α=0 中立化比中文干净（CER 0.124 vs 0.264），音质也更高，与 E3 的结论一致。
5.3 T1 换说话人 · CREMA-D（完整版 819 条 · 91 位演员）¶
2026-09-13 用完整 CREMA-D（7,442 条全库）重建评测集，取与本项目情感体系一致且带真人三档强度标注的全部样本： 91 演员 × 3 情感（生气/高兴/悲伤）× 3 强度档（LO/MD/HI）= 819 条，全部来自 IEO 句；锚点为同演员同句的中立版本 91 条。 此前的 144 条子集（仅 16 位演员）已废弃。
| α | 0 | 0.25 | 0.5 | 0.75 | 1.0 | 1.25 | 1.5 | 真实中立 | 真实情感 |
|---|---|---|---|---|---|---|---|---|---|
| UTMOS ↑ | 2.67 | 2.47 | 2.28 | 2.34 | 2.42 | 2.21 | 1.93 | 1.61 | 1.55 |
| CER ↓ | 0.543 | 0.520 | 0.488 | 0.444 | 0.429 | 0.443 | 0.462 | 0.400 | 0.399 |
| SECS ↑ | 0.698 | 0.703 | 0.719 | 0.740 | 0.751 | 0.751 | 0.746 | 0.833 | 1.000 |
| RA | 0.23 | 0.33 | 0.47 | 0.65 | 0.84 | 1.03 | 1.27 | -0.67 | 0.48 |
| 归一 RA | 0.78 | 0.87 | 0.99 | 1.15 | 1.31 | 1.48 | 1.68 | 0 | 1 |
EIT W<M 0.81 · M<S 0.83 · W<S 0.85（n = 819） BWS-auto -0.71 · -0.08 · +0.03 · +0.76（n = 817，严格单调）
输入强度的次序被保住了（真人三档标注 → 同一 α 下的输出 RA，每档 272–273 条）：
| 输入档 | 真实录音 RA | α=0 | α=0.5 | α=1.0 | α=1.5 |
|---|---|---|---|---|---|
| LO 低 | 0.09 | 0.21 | 0.38 | 0.64 | 0.96 |
| MD 中 | 0.39 | 0.25 | 0.46 | 0.78 | 1.19 |
| HI 高 | 0.97 | 0.22 | 0.55 | 1.12 | 1.67 |
三档在 α ≥ 0.5 处完全保序（91 位演员、每档 272 条，比原 16 演员子集可信得多）。
三点口径说明：① 该库真实录音的 UTMOS 只有 1.55（众包录制），UTMOS 在本层不作绝对参照；② 被测样本全是同一句 IEO，CER 只能层内相对比较，该库原声 CER 就有 0.399；③ SECS 0.75 低于同人真实中立的 0.833，未见说话人上的音色保持有差距。
5.4 T1′ 换说话人 · RAVDESS（765 条，24 位未见演员）¶
| α | 0 | 0.25 | 0.5 | 0.75 | 1.0 | 1.25 | 1.5 | 真实中立 | 真实情感 |
|---|---|---|---|---|---|---|---|---|---|
| UTMOS ↑ | 2.59 | 2.39 | 2.40 | 2.57 | 2.61 | 2.28 | 1.86 | 4.08 | 3.32 |
| CER ↓ | 0.346 | 0.283 | 0.180 | 0.094 | 0.064 | 0.067 | 0.094 | 0.000 | 0.003 |
| SECS ↑ | 0.719 | 0.743 | 0.769 | 0.799 | 0.826 | 0.835 | 0.825 | 0.898 | 1.000 |
| RA | 0.15 | 0.27 | 0.40 | 0.58 | 0.79 | 0.97 | 1.20 | 0.26 | 0.88 |
| 归一 RA | −0.16 | 0.02 | 0.23 | 0.53 | 0.85 | 1.14 | 1.52 | 0 | 1 |
两档输入强度（normal / strong）同样保序：
| 输入档 | 真实录音 RA | α=0 | α=0.5 | α=1.0 | α=1.5 |
|---|---|---|---|---|---|
| normal | 0.62 | 0.17 | 0.31 | 0.58 | 0.90 |
| strong | 1.14 | 0.14 | 0.48 | 1.00 | 1.50 |
α=1 时两档输出 0.58 / 1.00，与真实录音的 0.62 / 1.14 同序且量级接近；α=0 时两档被压到 0.17 / 0.14——中立化把输入的强度差异抹平了，这正是中立化该有的行为。
5.5 跨层汇总¶
| 层 | 说话人 | α=0 CER | α=1 UTMOS | α=1 CER | α=1 SECS | α=1 归一 RA | EIT 弱<中 / 中<强 / 弱<强 | n |
|---|---|---|---|---|---|---|---|---|
| T0 ESD-zh | 见过 | 0.264 | 2.29 | 0.064 | 0.917 | 0.94 | 0.94 / 0.93 / 0.96 | 1274 |
| T0 ESD-en | 见过 | 0.124 | 2.98 | 0.053 | 0.892 | 0.98 | 0.81 / 0.85 / 0.86 | 861 |
| T1 CREMA-D | 未见 | 0.543 | 2.42 | 0.429 | 0.751 | 1.31 | 0.81 / 0.83 / 0.85 | 819 |
| T1′ RAVDESS | 未见 | 0.346 | 2.61 | 0.064 | 0.826 | 0.85 | 0.90 / 0.89 / 0.94 | 765 |
| T2 IEMOCAP | 未见 | 0.707 | 1.98 | 0.346 | 0.770 | 1.71 | 0.80 / 0.85 / 0.87 | 3923 |
EIT 口径与 S8 完全相同（同句同情感三档 α = 0.5 / 0.75 / 1.0，RA 打分，随机 = 50%），协议出自 EMORL-TTS。
5.6 BWS-auto（Best-Worst Scaling 协议 + 自动打分器）¶
这不是主观 BWS
原始 BWS 是人评指标：每组 4 条样本，听众各选一条"情感最强"和一条"最弱"，分数 = (选为最强次数 − 选为最弱次数) / 出现次数。 本节把听众换成 RA 排序器，协议（四元组、极值计分、分数定义）完全照搬 Zhou et al., TAFFC 2022，但打分来源是自动的，所以记作 BWS-auto。
为什么可以这样代替：RA 在 CREMA-D 的真人三档强度标注上验证过（成对准确率 76%，随机 50%，E2 §4.3），是有效度的强度代理。 两条限制：① 不能与其他论文里的主观 BWS 数值直接比较，只能层内比、模型间比（S8 用同一口径）；② 主观 BWS 能捕捉的"听感自然度混淆强度"这类效应，自动版读不到。若需要主观版，协议照搬即可，只需换成听众。
每组 4 条同句同情感样本（α = 0 / 0.5 / 1.0 / 1.5），RA 最高者记 +1、最低者记 −1，每档取均值。
| 层（BWS-auto） | α=0 | α=0.5 | α=1.0 | α=1.5 | n 组 |
|---|---|---|---|---|---|
| T0 ESD-zh | −0.92 | −0.03 | +0.07 | +0.88 | 1267 |
| T0 ESD-en | −0.64 | −0.11 | +0.05 | +0.70 | 859 |
| T1 CREMA-D | -0.71 | -0.08 | +0.03 | +0.76 | 817 |
| T1′ RAVDESS | −0.82 | −0.10 | +0.07 | +0.85 | 763 |
| T2 IEMOCAP | −0.64 | −0.14 | +0.06 | +0.72 | 3907 |
四层都严格单调，两端接近 ±1（中文 −0.92 / +0.88 表示 92% 的组里 α=0 被判为最弱、88% 的组里 α=1.5 被判为最强）。中间两档的 BWS 分接近 0 是这个指标的定义使然——只有极值计分，中间档很少被选为最强或最弱；它们的可分性由 EIT 的相邻档准确率回答（0.76–0.94）。两个指标互补：BWS 证明整条刻度的两端拉得开，EIT 证明相邻档也分得开。
6 结论¶
-
五层全部完成：T2（IEMOCAP，真实对话）的 EIT 0.80 / 0.85 / 0.87、BWS 严格单调，详见 S9。跨层比较请用 EIT，不要用归一 RA——IEMOCAP 的锚点跨度只有 0.52（ESD 0.96），归一值会被放大。
-
强度旋钮在五层上都成立：归一 RA 随 α 单调；EIT 三个准确率 0.76–0.96，全部远高于随机 50%；BWS-auto 四层严格单调、两端达 ±0.64 ~ ±0.92。分布内（中文 EIT 0.94/0.93/0.96）最高，换说话人后仍有 0.76–0.94。
- 未见说话人上仍保住输入的强度次序：CREMA-D 的真人三档（LO/MD/HI）与 RAVDESS 的两档（normal/strong）在 α=1 时都被正确排序，且量级接近真实录音——模型读到的是"这条录音有多强"，不只是"什么情感"。
- α=1 是各层的最优工作点：四层的 CER 最低点、SECS 最高点附近都在 α=1–1.25；α=1.5 各层 UTMOS 明显下滑（1.63–2.17）。
- OOD 的代价在音色不在内容：RAVDESS 的 α=1 CER 0.064 与分布内持平，但 SECS 0.826 低于同人中立 0.898；CREMA-D 的 SECS 0.757 vs 0.820。内容与强度可迁移，音色保持随说话人分布外而下降。
- 中立化（α=0）是最弱的一环：中文 CER 0.264、CREMA-D 0.542。这与 E4 §3.5 的逐说话人结论一致，是当前方法的已知边界。