该论文针对现有语音毒性检测研究中普遍忽略副语言线索（如情感、语调、语速）的问题，提出了一套全新的解决方案。首先，作者构建了ToxiAlert-Bench，一个大规模音频数据集，包含超过30,000个音频片段，标注了7个主要毒性类别和20个细粒度毒性标签。该数据集独特之处在于标注了毒性来源——区分文本内容和副语言起源，从而支持全面的毒性语音分析。其次，论文提出了一种针对毒性语音检测的双头神经网络架构，配备多阶段训练策略。该架构包含两个任务特定分类头：一个用于识别敏感性来源（文本或副语言），另一个用于分类具体毒性类型。训练过程采用独立的头部训练后联合微调，以减少任务干扰。为缓解数据类别不平衡，引入了类别平衡采样和加权损失函数。实验结果表明，融合副语言特征显著提升了检测性能。该方法在多个评估指标上持续优于现有基线，与最强基线相比，Macro-F1分数相对提升21.1%，准确率相对提升13.0%，凸显了其增强的有效性和实际应用潜力。