零样本下模型只有随机水平
论文的起点是一个决定后续解读方式的负面结果。在没有任何任务相关训练的情况下，让模型把录音标为健康或构音障碍，Phi-4-multimodal 在 PC-GITA 上的说话人级准确率为 50.0±0.0%，Qwen2-Audio 为 51.0±0.0%。在二分类问题上，这相当于抛硬币。作者据此认为，尽管这些模型在许多其他音频任务上表现良好，它们本身并不具备完成构音障碍语音检测的能力。
这决定了后面结果该怎么读。之后报告的任何提升都来自让模型适应这项任务，而不是提示词唤醒了某种潜在的诊断能力。论文自己的表述是：微调贡献了相对零样本表现的大部分提升。
语义编码器忽略了声学细节
加入特征的动机来自论文指出的一个听音方式缺口。论文引用先前研究发现，大型音频语言模型主要依赖 Whisper 编码器这类语义语音编码器，因而在很大程度上忽略低层声学特征。Qwen2-Audio 的音频编码器确实基于 Whisper-large-v3，论文也一并描述了它 128 通道梅尔频谱的前端。
这个缺口之所以重要，是因为临床文献把构音障碍描述为表现为单音调、单响度、气息声和语速不规则等特征。这些是声学信号本身的属性，而不是所说词语的属性。如果编码器主要捕捉语义内容，临床医生会去听的线索可能根本传不到语言模型。论文提出的补救办法是单独计算一小组描述量，并把它们的数值写进文本提示。
把六个数值写进提示词
特征增强框架保留音频输入，并增加一句文本。作者用 OpenSMILE 框架计算音高的均值和标准差（单位 Hz）、感知响度的均值和标准差（单位 dB）、平均谐噪比（单位 dB）以及平均语速（单位音节每秒）。提示词还会写明说话人的性别和语言。原始数值直接进入提示词，而不是先转换成类别标签。
作者说明，选择这些描述量是因为临床文献常把它们与构音障碍语音联系起来，而不是经过了特征筛选或优化流程。他们把这组特征称为一个示例性的起点，框架可以继续扩展。对照条件是标准提示，只提供音频和任务描述，不含人口学信息，也不含特征数值。
微调贡献了大部分提升
消融实验把两处可能被混为一谈的改动分开。从零样本转为标准微调，Phi-4-multimodal 从 50.0±0.0% 升到 79.0±5.1%，Qwen2-Audio 从 51.0±0.0% 升到 84.0±2.5%。在微调基础上再加入声学特征和人口学信息，两者进一步升到 83.0±2.2% 和 85.0±0.8%。
因此顺序很清楚：适应任务带来大幅跃升，特征增强带来较小但稳定的增益。论文还指出，特征增强降低了不同随机种子之间的标准差，并将其解释为模型对交叉验证折的构造方式更稳健。这一稳健性判断依据的是三个随机种子之间的离散程度，而不是另一项独立实验。
两个模型都超过了深度学习基线
核心比较对象是两个自监督基线，论文按其所描述的当前最优做法搭建：从 wav2vec 2.0 或 XLS-R 取表示，在时间维度上取平均，再经过两层线性层输出二分类结果。在 PC-GITA 上做 10 折交叉验证，wav2vec 2.0 基线的说话人级准确率为 82.3±3.1%，XLS-R 基线为 80.3±1.7%。
特征增强后的模型达到 83.0±2.2%（Phi-4-multimodal）和 85.0±0.8%（Qwen2-Audio）。Qwen2-Audio 是论文中最强的配置。相对于基线的标准差，这些领先幅度并不大，论文的结论也停留在“超过基线”这一层面，而没有声称存在明显差距。还需注意，Qwen2-Audio 在标准微调条件下已达 84.0±2.5%，在未加入任何特征时就已高于两个基线。
谐噪比排在第一位
第二项消融实验以 Phi-4-multimodal 作为代表性模型，通过分别用单个描述量微调来给四个特征排序。从最有效到最无效依次是谐噪比、语速、响度和音高。作者随后按这个顺序逐步累加特征，报告性能总体随特征增加而提升，四个特征全部加入时结果最好。
这一排序只针对一个模型和 PC-GITA 这一设置，论文把它作为排序呈现，而不是声称谐噪比单独承载了诊断信号。加入特征的过程中任务描述保持通用、未作修改，因此比较隔离出的是特征数值本身，而不是措辞变化。
准确率按说话人判定而非按片段
报告的数字是说话人级准确率，与片段级分类是不同的量。录音被切成 30 秒片段，重叠 50%，每段话语最后的残余片段也保留；模型对某位说话人的诊断，由该说话人所有话语的投票得出。读者若把这些数字与别处的片段级结果相比，比较的其实是不同单位。
数据集是 PC-GITA，一个西班牙语语料库，包含 50 名帕金森病患者和 50 名神经典型说话人的录音，两组各为 25 名男性和 25 名女性。实验使用独白、朗读文本和句子三个子集，并重采样到 16 kHz。评估采用标准 10 折交叉验证框架，用三个随机种子重复，报告值是这些运行的均值与标准差。
一个语料库、一种病因、两个模型
证据支持的结论范围窄但有用：在 PC-GITA 上，以帕金森病作为构音障碍来源，用包含六个声学描述量和说话人人口学信息的提示微调两个特定的音频语言模型，得到的说话人级准确率高于两个自监督基线。论文没有测试其他语料库、其他语言或其他神经系统病因导致的构音障碍，也没有报告与临床医生评估的对比。
在这一边界内，论文确立的实际优先级是干预手段的先后顺序，而不是特征清单本身。微调才是让模型脱离随机水平的原因；声学描述量和人口学信息则补上剩余差距并越过基线，同时还收窄了不同种子之间的离散程度。对 Qwen2-Audio 而言，特征增强相对标准微调的增益是 1.0 个百分点，对 Phi-4-multimodal 则是 4.0 个百分点，因此增强的价值取决于模型，且在基础微调模型最弱的地方最大。
本文引用的文献
Augmenting Large Audio Language Models with Low-Level Acoustic Features for Dysarthric Speech Detection
用包含低层声学特征和说话人人口学信息的提示微调 Qwen2-Audio-7B-Instruct 和 Phi-4-multimodal-instruct，在 PC-GITA 上分别达到 85.0±0.8% 和 83.0±2.2% 的说话人级准确率，高于 wav2vec 2.0（82.3±3.1%）和 XLS-R（80.3±1.7%）基线，而零样本表现仅为随机水平。