时间线索在进入模型前就已丢失
基于语音的阿尔茨海默病（AD）筛查之所以有吸引力，是因为自发语音可以远程采集，也可以并入常规认知评估，并且同时携带两类互补信号：一个人说了什么，反映词汇提取和语义组织；以及他怎么说，反映流畅度、时间和发音。这篇论文的出发点是，第二类信号在转写阶段基本被丢弃。普通转写文本不显式记录停顿和词拉长，语言模型读到这样的文本时，无法把时间信息与词汇内容放在一起权衡。
此前的修补方案覆盖范围有限。把时间戳导出的停顿映射为标点确实编码了时间，但标点本身还承担句法和话语功能，于是标记把时间与语言结构混在一起。基于重复的方案只编码停顿，其中不设上限的版本对更长的静默加入更多标记，却没有固定上限。词级拉长通常被留作连续时长或声学特征，而不是写进文本。论文图1在同一条时间线上把这个缺口具体化：普通文本不显示任何时间信息，标点和无上限重复只显示停顿，而论文提出的协议同时显示停顿和拉长。
这一点重要，是因为论文把文本视为更强的诊断通道。在论文自己的消融实验中，仅文本变体在ADReSS上比仅语音变体分别高9.27和12.03个百分点，在ADReSSo上分别高3.59和7.22个百分点，对应交叉验证和留一被试两种评估。如果更强的通道看不到时间信息，副语言证据就必须从别处进入，而论文的答案就是把它放进转写文本本身。
停顿与拉长变成有上限的文本标记
LAPE全称LLM-Anchored Paralinguistic Enrichment（以大语言模型为锚点的副语言增强），它为每个带时间戳的转写词附加两类显式标记。停顿标记放在后一个词之前，重复次数由间隔长度决定：500毫秒及以下不标记，超过500毫秒至1000毫秒记一个，超过1000毫秒至2000毫秒记两个，更长的间隔记三个。拉长标记放在宿主词之后，取决于该词超出按音节数设定的参考时长多少。这个参考是一张固定表，从单音节260毫秒起，到四音节700毫秒，此后每多一个音节加150毫秒；它由ADReSSo自动语音识别词对齐的音节条件时长统计初始化，再经取整和平滑。
残差即观测时长减去参考时长，也按同样的方式分档：200毫秒及以下不标记，超出量越过200、500和800毫秒时分别记一个、两个、三个标记。重复次数上限为三，正是这一协议区别于无上限重复的设计选择：更长的事件仍被表示，但标记数量不会无界增长。标点与标记同时保留，因此句法结构和语音时间留在各自通道，而不是被合并。
增强后的转写文本随后与一段固定任务指令一起送入冻结的Kimi模型，指令定义了AD与健康对照的二分类任务，并说明重复标记的含义。文本化这一步的关键不在于抽象地告诉模型存在时间信息，而在于时间事件与词处在同一个标记序列中，语言模型因此能把它们与词汇内容联合建模。
分块让稀疏事件不被稀释
把事件文本化会带来第二个问题：增强后的序列更长且不均匀，在错误的粒度上池化，可能恰好冲掉那些携带信号的稀疏事件。论文在联合协议下比较了三种聚合层级。Token保留子词单元，Word使用词汇—韵律单元，Chunk对连续词单元做均值池化，同时让每个停顿、拉长和边界单元各自保持为单独一块。
结果支持最粗的层级。从Token到Word的变化并不一致，在ADReSS交叉验证、ADReSS留一被试、ADReSSo交叉验证和ADReSSo留一被试上，准确率分别变化0.00、2.78、−0.51和0.61个百分点。Chunk在四项中全部排名第一，比更好的细粒度方案分别高2.73、2.78、0.68和2.41个百分点，平均2.15。相对Token，它的平均增益从交叉验证下的1.71个百分点升至留一被试下的4.29。
作者把这一模式解读为：对连续词单元池化可以抑制说话人特有的冗余，同时保留稀疏的副语言事件；互补的事件标记必须保持显著，而不是在长标记序列中被稀释。这一解读是对消融模式的解释，但模式本身是一致的：分块的收益在更严格的按被试评估下更大，因为此时说话人特有的捷径更难被利用。
联合标记优于任一单一事件
协议比较分离出了哪些线索真正起作用。相对于基础转写，只加入停顿标记使ADReSS在交叉验证下提高3.63个百分点、留一被试下提高1.86，但ADReSSo的变化为0.00和−1.20个百分点。只加入拉长标记使四项设置分别变化−1.18、−3.70、−0.02和−1.20个百分点。两种单一事件协议单独使用都不可靠，而仅拉长变体在每一项设置中都差于基础转写。
同时编码两类事件的联合协议，相对基础转写分别提高5.45、5.56、1.82和3.62个百分点，平均4.11，并比更好的单一事件协议平均高2.74个百分点。它在两个数据集上留一被试下的增益都大于交叉验证，ADReSSo上最明显，增益为3.62对1.82个百分点。作者将其解释为互补作用：停顿标记中断，拉长捕捉语境中的拖长语音，因此联合编码对留出的说话人更稳健。
对于考虑采用某种转写协议的人来说，这是论文中最具决策相关性的比较。价值不在于加入更多时间信息，而在于同时加入两类事件，而且这样做的优势在整位说话人被留出的评估中最大。
语音特征以文本锚点为基准缩放
融合阶段解释了模型为什么不只是把所有特征拼接起来。LAPE保留四个块：大模型文本表示；与相同词和事件单元对齐的、局部聚合的Whisper语音表示；以及两个话语级块，一个是覆盖韵律、发声和音质的手工eGeMAPS向量，一个是均值池化的WavLM表示。文本作为直接锚点进入，从不被缩放。三个语音来源的块经过NormGate：用每次运行训练数据的统计量对每个块标准化，再按其维度的平方根重缩放，以免高维块主导，最后由全部四个块预测每个录音的标量门控值。
门控值被限制在0.5到1.5之间，并因最终预测层零初始化而从1开始。因此每个辅助块保留其标准化基线幅度的50%到150%，训练学到的是随样本变化的调制，而不是固定权重。消融显示，局部Whisper块加入文本后从未降低准确率，增益为0.91、2.78、0.60和0.00个百分点，平均1.07。不带NormGate的话语级块只在ADReSSo留一被试下有帮助，其余设置中性或更差；加入NormGate后，准确率比该变体分别提高0.91、2.78、0.62和1.21个百分点，平均1.38，且留一被试下的平均增益大于交叉验证，为2.00对0.77个百分点。
这种不对称正是要点。与具体词和事件绑定的局部声学证据始终有用，而整段录音的嗓音特征需要相对文本做自适应缩放才能起作用。作者把NormGate定位为解决模态贡献不均衡，消融也支持这一作用特别体现在话语级块上。
领先优势在按被试评估下依然成立
LAPE在全部四项主要设置中排名第一，在ADReSS和ADReSSo上，参与者级交叉验证下准确率为98.18%和94.01%，留一被试下为95.37%和91.57%。它对所列最强基线的领先幅度为2.21到8.37个百分点，平均5.55。论文以准确率为重点，因为宏平均F1与它的差距最多0.01%；论文还指出，官方测试集较小，指标增量粗糙且对划分敏感，而参与者级交叉验证和留一被试让每位参与者都在样本外被评估。
更严格的评估确实带来准确率损失：留一被试使LAPE在ADReSS上降低2.81个百分点、在ADReSSo上降低2.44个百分点，但其领先幅度仍为7.41和4.22个百分点，而交叉验证下为8.37和2.21。ADReSSo上的准确率比ADReSS低3.80到4.17个百分点，这与全自动、仅语音的设置相符，不过作者指出数据集差异使得不能把这一差距单独归因于转写条件。
这一保留对理解比较很重要。ADReSS提供官方人工转写，而ADReSSo只提供语音，因此两个基准的差异不止一处，论文也没有声称转写条件单独解释了这一差距。
协议选择比融合算子更关键
论文的证据为基于大模型的语音AD检测指出了一个具体优先级：转写协议和聚合粒度带来的增益，比融合机制更多。联合事件标记相对基础转写平均增加4.11个百分点，分块聚合相对更好的细粒度方案平均增加2.15个百分点，NormGate相对不带它的话语级块平均增加1.38个百分点。单项最大的杠杆是同时编码停顿和拉长两类事件，而不是只编码其中一类。
适用范围同样具体。所有结果都来自ADReSS和ADReSSo，采用参与者级交叉验证和留一被试，使用冻结的Kimi和Whisper骨干，以及一张由ADReSSo对齐数据导出的固定音节条件时长表。拉长参考只是粗略的任务专用基线，作者把扩展到更丰富的副语言线索以及蒸馏到更小的大模型列为未来工作，因此报告的数字描述的是这一配置，而不是已部署的筛查工具。
对于要决定带走什么的读者，实际的分界在于事件覆盖与事件保留。在这些结果中，只加停顿或只加拉长并不比普通转写更可靠；同时加入两者并让每个事件保持为独立块，才是准确率优势出现的地方，而且这种优势在整位说话人被留出时最清楚。
本文引用的文献
LLM-Anchored Paralinguistic Enrichment for Alzheimer's Disease Detection
LAPE把停顿和词拉长编码为带时长分档、重复有上限的转写标记，只对连续词单元池化，并以大模型文本锚点门控语音特征；它在ADReSS和ADReSSo的全部四项主要设置中排名第一，参与者级交叉验证下准确率为98.18%和94.01%，留一被试下为95.37%和91.57%。