本研究提出了一种双阶段跨模态对齐框架，用于情感模仿强度（EMI）估计。通过改进的CLIP架构和时间感知动态融合模块，显著提高了特征对齐精度和抗噪声能力，实验结果表明该方法在情感维度上优于最佳基线40%。