基于混合专家表征的联合学习：提升语音生成与鲁棒情感识别

基于摘要分析。本文研究噪声环境下语音情感识别（SER）与语音增强（SE）的联合学习，提出 Sparse Mixture-of-Experts Representation Integration Technique（Sparse MERIT），旨在减少传统共享骨干多任务学习中的梯度干扰与表征冲突。原标题使用“语音生成”，但摘要描述的辅助任务及实验均为语音增强，不宜据此扩展为通用语音生成方法。 机制上，Sparse MERIT 在自监督语音表征上执行逐帧专家路由：各任务通过独立门控网络，从共享专家池中动态选择专家，以兼顾任务适配和参数效率。其区别于先增强后识别的串联流程，也区别于直接共享骨干的朴素多任务学习；具体路由稀疏度、训练损失、骨干模型和计算开销尚未验证。 作者报告，在 MSP-Podcast 上，该方法在 SER 与 SE 任务中均优于所比较的基线。在最困难的 −5 dB SNR 条件下，SER 的 F1-macro 相对采用 SE 预处理的基线平均提升 12.0%，相对朴素多任务基线提升 3.4%；摘要称未见噪声条件下的改善具有统计显著性。作者另报告，SE 的分段信噪比（SSNR）相对上述两类基线分别提升 28.2% 和 20.0%，但摘要未明确这组 SE 数值是否同样限定于 −5 dB。这些百分比不应改写为百分点。数据划分、噪声构造、指标绝对值、消融及统计检验细节尚未验证。 平台推测（待验证）：若 EEG 去噪与下游解码存在类似任务冲突，可检验“任务特定门控＋共享专家”能否减少去噪对判别信息的损伤。可复用的是路由机制，需改造输入表征和去噪监督；语音预训练表征不能直接假定适用于 EEG。低信噪比、跨被试差异、通道变化和小数据可能导致路由不稳或过拟合。一个可证伪的小实验是在固定 EEG 数据划分下，以相同编码器比较共享骨干与稀疏专家联合训练，同时评估去噪及解码表现。相关 EEG 工作尚未检索确认。