语音交互的大语言模型同时处理说话内容和说话方式，但两者并不总是一致。本文探讨这种不一致是否会降低情感识别的准确性。我们将文本和音频映射到统一的价值‑激活‑支配（valence‑arousal‑dominance）空间，计算它们之间的欧氏距离，并用两分量高斯混合模型将距离转化为连续、无阈值的不一致得分。该得分在人工标注上得到验证。实验在三套数据集（eNTERFACE'05、MELD、CMU‑MOSEI）上对三种具备音频输入能力的模型进行评估，保持模型跨模态一致。结果显示，只要音频存在，不一致得分的提升都会显著增加错误概率，且该效应在所有语料上均显著，已控制真实情感标签和特征空间距离。使用相同特征训练的监督分类器表现相反，说明问题出在模型对原始证据的融合方式，而非信号本身。仅文本的影响不稳定：更换读取转录的模型会在某一语料上改变符号。去除情感词典后重新构建得分仍能复现核心结论，在六种更简易的无标签替代方案中，只有该得分能够在全部三套语料上预测错误。代码、数据表和提示词已公开。\n\n点评：该工作提供了量化多模态不一致的方法，并揭示了当前音频大模型在融合文本与声学信息时的系统性弱点，为后续模型设计提供了重要参考。