📄 PRISM: Prosody-Integrated Multi-Agent Reasoning Framework for Empathetic Spoken Dialogue

#语音合成 #语音识别

8.1/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.8/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5

🔥 8.1/10 | 前25% | #语音合成 | #语音识别 | arxiv

👥 作者与机构

Wen Zhang, Xiaocui Yang, Zhuoyue Gao, Daling Shi, Yifei Feng, Daling Wang, Yifei Zhang。隶属于东北大学计算机科学与工程学院。

💡 毒舌点评

这篇工作试图用多智能体框架解决共情语音对话这个“老大难”问题，方向是好的。但就像一个组装精良却忘了拧紧螺丝的机器，理论框架看起来挺完整，可细节经不起推敲。那个拍脑袋定权重的“确定性分数”，简直是对“科学计算”四个字的侮辱。实验倒是把所有能拿的指标都拿上了，但缺少最硬核的声学评估，就像评价一个歌手只看他写了多少词，却从不听他唱得怎么样。最要命的是，声称“可解释”，但各模块间的“协调”机制描述得像黑话，这“多智能体”的协作到底有多智能，恐怕连作者自己都说不清。

📌 核心摘要

本文提出PRISM，一个用于共情语音对话的多智能体框架。该框架将语音感知、对话管理和语音合成分解为专门模块（Perceiver, Manager, Responder, Vocalizer），并通过引入“韵律到语言”转换机制，将低级声学线索转化为LLM可处理的文本描述，从而增强共情推理的可控性与稳定性。此外，框架支持按需调用外部知识工具。在AvaMERG数据集上的实验表明，PRISM在多个自动指标和人工评估上优于多种基线模型。

🔗 开源详情

• 代码：https://github.com/Bxzfrm/PRISM
• 模型权重：论文中未提供微调后Responder模型的具体下载链接。
• 数据集：
  1. TOOL-ED：论文中未提供直接下载链接。
  2. AvaMERG：论文中未提供直接下载链接。
• Demo：未提及。
• 复现材料：
  • 训练框架：LLaMA-Factory (https://github.com/hiyouga/LLaMA-Factory)。
  • 训练硬件：NVIDIA A6000 (48GB) GPUs。
  • 代码实现：使用OpenAI API调用GPT-3.5-Turbo作为Manager；使用COMET-BART模型进行常识生成。
  • 检查点：未提供训练中间检查点的下载方式。
• 论文中引用的开源项目：
  1. OpenAI Whisper：语音转文本 (https://github.com/openai/whisper)。
  2. FunASR emotion2vec：语音情感识别。
  3. WebRTC VAD：语音活动检测。
  4. COMET-BART：常识生成模型 (https://huggingface.co/HellaSwag/comet-bart)。
  5. StyleTTS2：语音合成 (https://github.com/yl4579/StyleTTS2)。
  6. GPT-3.5-Turbo：通过OpenAI API使用。
  7. LLaMA-Factory：训练框架 (https://github.com/hiyouga/LLaMA-Factory)。
  8. Qwen2.5-7B-Instruct：基础语言模型 (https://huggingface.co/Qwen/Qwen2.5-7B-Instruct)。
  9. Llama-3.1-8B-Instruct：基础语言模型 (https://huggingface.co/meta-llama/Llama-3.1-8B-Instruct)。

标签

#多智能体 #语音合成 #语音识别 #情感计算 #自然语言处理 主任务标签：#语音对话 主方法标签：#多智能体系统 补充标签：#工具学习 #情感计算

作者与机构

Wen Zhang, Xiaocui Yang, Zhuoyue Gao, Daling Shi, Yifei Feng, Daling Wang, Yifei Zhang。隶属于东北大学计算机科学与工程学院。

毒舌点评

这篇工作试图用多智能体框架解决共情语音对话这个“老大难”问题，方向是好的。但就像一个组装精良却忘了拧紧螺丝的机器，理论框架看起来挺完整，可细节经不起推敲。那个拍脑袋定权重的“确定性分数”，简直是对“科学计算”四个字的侮辱。实验倒是把所有能拿的指标都拿上了，但缺少最硬核的声学评估，就像评价一个歌手只看他写了多少词，却从不听他唱得怎么样。最要命的是，声称“可解释”，但各模块间的“协调”机制描述得像黑话，这“多智能体”的协作到底有多智能，恐怕连作者自己都说不清。

核心摘要

本文提出PRISM，一个用于共情语音对话的多智能体框架。该框架将语音感知、对话管理和语音合成分解为专门模块（Perceiver, Manager, Responder, Vocalizer），并通过引入“韵律到语言”转换机制，将低级声学线索转化为LLM可处理的文本描述，从而增强共情推理的可控性与稳定性。此外，框架支持按需调用外部知识工具。在AvaMERG数据集上的实验表明，PRISM在多个自动指标和人工评估上优于多种基线模型。

方法概述和架构

PRISM（Prosody-aware Reasoning Integrated System via a Multi-agent framework）框架包含四个核心组件，其架构如图1所示。数据从输入语音开始，依次流经Perceiver、Manager、Responder，最终由Vocalizer输出合成语音。

1. Perceiver（感知器）：负责将原始语音输入\(x\)转换为结构化的语言与副语言状态\(s=\{T, \mathbf{a}\}\)。其中，\(T\)是使用OpenAI Whisper进行语音识别（ASR）得到的文本转录。\(\mathbf{a}\)是一组设计好的副语言属性，包括：(i) 情感线索：使用FunASR的emotion2vec模型识别情感标签\(y\)（如happy, sad等）及其置信度\(q_y\)；(ii) 时间动态：通过WebRTC VAD计算停顿比\(p\)（静音时长占比）和语速\(r\)（式1）；(iii) 声学强度：计算帧级RMS能量的均值\(\mu_E\)和标准差\(\sigma_E\)；(iv) 不流畅性线索：计算填充词率\(f\)（式2），并基于语速、停顿比和填充词率通过经验公式（式3-6）计算一个可解释的确定性分数\(c\)。Perceiver的输出是Manager和Vocalizer的重要输入。
2. Manager（管理者）：作为中央协调模块，执行两项关键功能：
   • 韵律到语言转换：将Perceiver输出的数值化副语言属性\(\mathbf{a}\)转换为一段简洁的自然语言描述\(D\)。该过程分两步：首先通过规则阈值将数值映射为描述性文本标签；然后利用一个LLM（论文中使用GPT-3.5-Turbo）在少量示例提示（few-shot prompting）下生成连贯的韵律描述。这使得Responder能够以接近人类理解的方式感知用户的表达状态。
   • 响应级验证：对Responder生成的响应进行事后对齐检查，评估其情感类别、表达强度和交互策略是否与用户的韵律描述一致。如不一致，则提供修改建议以指导Resp的 refined。
3. Responder（响应者）：负责生成最终的文本响应及情感控制信号。它以当前转录\(T\)、Manager生成的韵律描述\(D\)和对话历史\(H\)为输入。Responder采用一个统一的LLM（论文中微调了Qwen2.5-7B-Instruct和Llama-3.1-8B-Instruct）联合决定是否调用外部知识（如使用COMET-BART生成常识）并生成响应。在生成时，模型利用\(D\)作为显式条件信号来动态调整回应策略和情感表达。除了文本响应\(R\)，Responder还预测目标情感类别\(e\)及其表达强度\(\lambda \in [0, 1]\)，作为Vocalizer的控制信号。
4. Vocalizer（发声器）：使用基于扩散的TTS模型StyleTTS2，将文本响应转换为富有表现力的语音。其参数计算采用两阶段控制过程：
   • 第一阶段（基础初始化）：根据Responder预测的目标情感\(e\)和强度\(\lambda\)，初始化四个关键参数：音色相似度\(\alpha\)、韵律强度\(\beta\)、扩散细化步数\(d\)和表现力缩放因子\(\kappa\)。强度\(\lambda\)主要影响\(\beta\)和\(d\)（高强度对应更强韵律和更多细化步骤），情感\(e\)影响\(\kappa\)。
   • 第二阶段（自适应精调）：利用Perceiver输出的用户副语言属性\(\mathbf{a}\)对基础参数进行自适应调整。例如，若用户表现出低确定性或频繁停顿，则降低\(\beta\)和\(\kappa\)以产生更温和的语调；若检测到强烈负面情绪，则提高\(\beta\)以匹配所需的共情表达强度。最后，所有参数被裁剪到有效范围内。 此外，Vocalizer还包括文本侧的韵律塑造（如为频繁停顿的用户插入停顿标记）和后处理（如调整语速和振幅）。

核心创新点

1. 提出PRISM多智能体框架：通过将语音对话系统解耦为感知、管理、生成、合成四个专门组件，并引入管理器进行协调与验证，实现了更灵活、可解释的系统架构，支持按需更新知识工具。
2. 引入“韵律到语言”转换机制：创新性地将低级声学副语言特征通过规则和LLM转换为自然语言描述，作为LLM推理的输入，使情感推理过程更稳定、更接近人类理解方式。
3. 实现情感可控的响应与语音合成：Responder不仅生成文本，还预测目标情感强度，为Vocalizer提供控制信号；Vocalizer则结合目标情感和用户输入韵律进行自适应的参数化语音合成，实现了从感知到生成的跨模态情感一致性。

实验结果

论文在AvaMERG数据集的测试集上进行了评估。 自动评估结果（表1）：

人工评估结果（图2）：三位标注员对100个样本在6个维度（共情、信息量、流畅度、一致性、韵律适当性、音文对齐）进行5分制评估（ICC=0.81）。PRISM在大多数维度上与LLaMA-Omni2和OpenS2S相比具有相当或更优的表现。

基于LLM的A/B测试（图3）：使用GPT-4o进行对比评估，PRISM在共情、流畅度、一致性方面对OpenS2S和LLaMA-Omni2表现出更高的胜率。

消融实验：在基于Qwen的PRISM上进行。“始终调用知识”、“不使用知识”和“去掉韵律描述”三个变体的性能均出现下降，验证了按需知识调用和韵律描述的有效性。

细节详述

评分理由

• 创新性 (1.5/2)：将多智能体架构与“韵律到语言”转换机制结合用于共情对话，思路清晰且有一定新颖性。但多智能体框架本身并非全新概念，核心创新点在于具体的转换机制设计。
• 技术严谨性 (1.2/1.5)：框架描述详细，数学公式（如确定性分数）完整。但部分设计（如确定性分数的权重0.55/0.25/0.20）完全基于经验，缺乏理论或大规模实验依据，降低了技术严谨性。Manager的验证机制描述较模糊。
• 实验充分性 (1.3/2)：在单一数据集（AvaMERG）上进行了全面的自动、人工和LLM评估，消融实验设计合理。主要缺陷在于：(1) 缺乏对韵律生成质量（如梅尔频谱图对比、韵律相关指标MCD、F0相关性）的直接声学评估；(2) 未与最新的端到端语音大模型（如GPT-4o语音模式、Gemini等）进行比较；(3) 基线模型虽多，但部分（如SALMONN）并非专门针对共情语音对话设计，对比公平性存疑。
• 清晰度 (1.6/2)：论文结构清晰，方法部分按模块展开，图表（框架图、结果图）有助于理解。但Manager模块的“响应级验证”具体如何实施、反馈何种信息未详细说明，影响整体清晰度。
• 影响力 (1.0/2)：工作针对共情语音对话这一重要且有挑战性的问题。作为多智能体框架的尝试，可能对相关社区有启发。但其性能提升高度依赖特定的工具链（如特定ASR、情感识别器、TTS），实际部署和泛化能力存疑，限制了广泛影响力。
• 开源 (0.8/1.5)：提供了代码仓库链接（https://github.com/Bxzfrm/PRISM），但未提供微调后的模型权重（Responder）和数据集的直接下载链接，降低了可直接复现的程度。has_code: 是， has_model: 否， has_dataset: 否。
• 可复现性 (0.8/1.5)：提供了代码、训练框架、硬件信息和主要依赖组件。但核心模块Manager依赖闭源API（GPT-3.5-Turbo），且Responder模型权重未开源，使得完整复现PRISM框架存在障碍。
• 工程/实践价值 (0.8/1.5)：展示了模块化设计在构建复杂语音对话系统中的价值，工程实现完整。但系统集成了多个外部组件和API，部署复杂度高、实时性可能受限，实际应用门槛较高。

局限与问题

1. 方法依赖外部黑盒与经验规则：Manager核心的“韵律到语言”转换依赖于GPT-3.5-Turbo这一商业API，其输出的稳定性与可控性未知。Perceiver中的确定性分数\(c\)的计算公式（式6）及其权重（0.55, 0.25, 0.20）纯属经验设定，缺乏可解释性或优化过程，可能不具泛化性。
2. 评估不完整，回避关键度量：评估严重偏向文本指标（ROUGE, BLEU），几乎完全忽略了对语音合成核心——韵律生成质量的客观评估。未使用任何声学度量（如梅尔倒谱失真、基频相关性、节奏评估），无法证明Vocalizer生成的语音在韵律上真的“富有表现力”或“与描述一致”。
3. 实验比较存在选择偏差：虽然与多个基线比较，但缺乏与当前最强大的端到端语音大模型（如GPT-4o高级语音模式、Gemini Advanced）进行直接对比。所选基线中，部分模型（如SALMONN）并非专为共情对话设计，这使得声称的“优越性”需要更谨慎地看待。
4. 模块化带来的延迟与复杂性：四组件串行流水线（感知->管理->生成->合成）引入了显著的延迟，可能不适合实时对话。此外，框架的正确运行依赖于多个独立组件（Whisper, emotion2vec, VAD, COMET-BART, GPT-3.5, StyleTTS2）的正确配置与集成，工程复杂性和故障点较多。
5. “共情”的评估流于表面：共情评估主要依赖人工打分和LLM判断，但未能深入分析生成的响应在多大程度上真正理解并回应了用户的情感需求（例如，通过细粒度的情感一致性分析）。模型可能只是学会了生成“听起来共情”的文本模式。
6. 消融实验深度不足：消融研究仅针对两个宏观组件（知识调用、韵律描述），未深入探究框架内部关键设计（如Manager的验证机制、Vocalizer的两阶段参数控制）的有效性。

开源详情

• 代码：https://github.com/Bxzfrm/PRISM （提供完整实现）
• 模型权重：未提供微调后的Responder模型（基于Qwen2.5-7B-Instruct或Llama-3.1-8B-Instruct）的下载链接。
• 数据集：
  1. TOOL-ED：未提供直接下载链接。
  2. AvaMERG：未提供直接下载链接。
• Demo：未提及。
• 复现材料：
  • 训练框架：LLaMA-Factory (https://github.com/hiyouga/LLaMA-Factory)
  • 训练硬件：NVIDIA A6000 (48GB) GPUs
  • 代码实现细节：Manager使用OpenAI API调用GPT-3.5-Turbo；外部知识生成使用COMET-BART。
  • 检查点：未提供。
• 论文中引用的开源项目：
  1. OpenAI Whisper：https://github.com/openai/whisper
  2. FunASR emotion2vec：用于语音情感识别。
  3. WebRTC VAD：用于语音活动检测。
  4. COMET-BART：https://huggingface.co/HellaSwag/comet-bart
  5. StyleTTS2：https://github.com/yl4579/StyleTTS2
  6. GPT-3.5-Turbo：通过OpenAI API使用。
  7. LLaMA-Factory：https://github.com/hiyouga/LLaMA-Factory
  8. Qwen2.5-7B-Instruct：https://huggingface.co/Qwen/Qwen2.5-7B-Instruct
  9. Llama-3.1-8B-Instruct：https://huggingface.co/meta-llama/Llama-3.1-8B-Instruct

🏗️ 方法概述和架构

PRISM（Prosody-aware Reasoning Integrated System via a Multi-agent framework）框架包含四个核心组件，其架构如图1所示。数据从输入语音开始，依次流经Perceiver、Manager、Responder，最终由Vocalizer输出合成语音。

1. Perceiver（感知器）：负责将原始语音输入\(x\)转换为结构化的语言与副语言状态\(s=\{T, \mathbf{a}\}\)。其中，\(T\)是使用OpenAI Whisper进行语音识别（ASR）得到的文本转录。\(\mathbf{a}\)是一组设计好的副语言属性，包括：(i) 情感线索：使用FunASR的emotion2vec模型识别情感标签\(y\)（如happy, sad等）及其置信度\(q_y\)；(ii) 时间动态：通过WebRTC VAD计算停顿比\(p\)（静音时长占比）和语速\(r\)（式1）；(iii) 声学强度：计算帧级RMS能量的均值\(\mu_E\)和标准差\(\sigma_E\)；(iv) 不流畅性线索：计算填充词率\(f\)（式2），并基于语速、停顿比和填充词率通过经验公式（式3-6）计算一个可解释的确定性分数\(c\)。Perceiver的输出是Manager和Vocalizer的重要输入。
2. Manager（管理者）：作为中央协调模块，执行两项关键功能：
   • 韵律到语言转换：将Perceiver输出的数值化副语言属性\(\mathbf{a}\)转换为一段简洁的自然语言描述\(D\)。该过程分两步：首先通过规则阈值将数值映射为描述性文本标签；然后利用一个LLM（论文中使用GPT-3.5-Turbo）在少量示例提示（few-shot prompting）下生成连贯的韵律描述。这使得Responder能够以接近人类理解的方式感知用户的表达状态。
   • 响应级验证：对Responder生成的响应进行事后对齐检查，评估其情感类别、表达强度和交互策略是否与用户的韵律描述一致。如不一致，则提供修改建议以指导Resp的 refined。
3. Responder（响应者）：负责生成最终的文本响应及情感控制信号。它以当前转录\(T\)、Manager生成的韵律描述\(D\)和对话历史\(H\)为输入。Responder采用一个统一的LLM（论文中微调了Qwen2.5-7B-Instruct和Llama-3.1-8B-Instruct）联合决定是否调用外部知识（如使用COMET-BART生成常识）并生成响应。在生成时，模型利用\(D\)作为显式条件信号来动态调整回应策略和情感表达。除了文本响应\(R\)，Responder还预测目标情感类别\(e\)及其表达强度\(\lambda \in [0, 1]\)，作为Vocalizer的控制信号。
4. Vocalizer（发声器）：使用基于扩散的TTS模型StyleTTS2，将文本响应转换为富有表现力的语音。其参数计算采用两阶段控制过程：
   • 第一阶段（基础初始化）：根据Responder预测的目标情感\(e\)和强度\(\lambda\)，初始化四个关键参数：音色相似度\(\alpha\)、韵律强度\(\beta\)、扩散细化步数\(d\)和表现力缩放因子\(\kappa\)。强度\(\lambda\)主要影响\(\beta\)和\(d\)（高强度对应更强韵律和更多细化步骤），情感\(e\)影响\(\kappa\)。
   • 第二阶段（自适应精调）：利用Perceiver输出的用户副语言属性\(\mathbf{a}\)对基础参数进行自适应调整。例如，若用户表现出低确定性或频繁停顿，则降低\(\beta\)和\(\kappa\)以产生更温和的语调；若检测到强烈负面情绪，则提高\(\beta\)以匹配所需的共情表达强度。最后，所有参数被裁剪到有效范围内。 此外，Vocalizer还包括文本侧的韵律塑造（如为频繁停顿的用户插入停顿标记）和后处理（如调整语速和振幅）。

💡 核心创新点

1. 提出PRISM多智能体框架：通过将语音对话系统解耦为感知、管理、生成、合成四个专门组件，并引入管理器进行协调与验证，实现了更灵活、可解释的系统架构，支持按需更新知识工具。
2. 引入“韵律到语言”转换机制：创新性地将低级声学副语言特征通过规则和LLM转换为自然语言描述，作为LLM推理的输入，使情感推理过程更稳定、更接近人类理解方式。
3. 实现情感可控的响应与语音合成：Responder不仅生成文本，还预测目标情感强度，为Vocalizer提供控制信号；Vocalizer则结合目标情感和用户输入韵律进行自适应的参数化语音合成，实现了从感知到生成的跨模态情感一致性。

📊 实验结果

论文在AvaMERG数据集的测试集上进行了评估。 自动评估结果（表1）：

人工评估结果（图2）：三位标注员对100个样本在6个维度（共情、信息量、流畅度、一致性、韵律适当性、音文对齐）进行5分制评估（ICC=0.81）。PRISM在大多数维度上与LLaMA-Omni2和OpenS2S相比具有相当或更优的表现。

基于LLM的A/B测试（图3）：使用GPT-4o进行对比评估，PRISM在共情、流畅度、一致性方面对OpenS2S和LLaMA-Omni2表现出更高的胜率。

消融实验：在基于Qwen的PRISM上进行。“始终调用知识”、“不使用知识”和“去掉韵律描述”三个变体的性能均出现下降，验证了按需知识调用和韵律描述的有效性。

⚖️ 评分理由

• 创新性 (1.5/2)：将多智能体架构与“韵律到语言”转换机制结合用于共情对话，思路清晰且有一定新颖性。但多智能体框架本身并非全新概念，核心创新点在于具体的转换机制设计。
• 技术严谨性 (1.2/1.5)：框架描述详细，数学公式（如确定性分数）完整。但部分设计（如确定性分数的权重0.55/0.25/0.20）完全基于经验，缺乏理论或大规模实验依据，降低了技术严谨性。Manager的验证机制描述较模糊。
• 实验充分性 (1.3/2)：在单一数据集（AvaMERG）上进行了全面的自动、人工和LLM评估，消融实验设计合理。主要缺陷在于：(1) 缺乏对韵律生成质量（如梅尔频谱图对比、韵律相关指标MCD、F0相关性）的直接声学评估；(2) 未与最新的端到端语音大模型（如GPT-4o语音模式、Gemini等）进行比较；(3) 基线模型虽多，但部分（如SALMONN）并非专门针对共情语音对话设计，对比公平性存疑。
• 清晰度 (1.6/2)：论文结构清晰，方法部分按模块展开，图表（框架图、结果图）有助于理解。但Manager模块的“响应级验证”具体如何实施、反馈何种信息未详细说明，影响整体清晰度。
• 影响力 (1.0/2)：工作针对共情语音对话这一重要且有挑战性的问题。作为多智能体框架的尝试，可能对相关社区有启发。但其性能提升高度依赖特定的工具链（如特定ASR、情感识别器、TTS），实际部署和泛化能力存疑，限制了广泛影响力。
• 开源 (0.8/1.5)：提供了代码仓库链接（https://github.com/Bxzfrm/PRISM），但未提供微调后的模型权重（Responder）和数据集的直接下载链接，降低了可直接复现的程度。has_code: 是， has_model: 否， has_dataset: 否。
• 可复现性 (0.8/1.5)：提供了代码、训练框架、硬件信息和主要依赖组件。但核心模块Manager依赖闭源API（GPT-3.5-Turbo），且Responder模型权重未开源，使得完整复现PRISM框架存在障碍。
• 工程/实践价值 (0.8/1.5)：展示了模块化设计在构建复杂语音对话系统中的价值，工程实现完整。但系统集成了多个外部组件和API，部署复杂度高、实时性可能受限，实际应用门槛较高。

🚨 局限与问题

1. 方法依赖外部黑盒与经验规则：Manager核心的“韵律到语言”转换依赖于GPT-3.5-Turbo这一商业API，其输出的稳定性与可控性未知。Perceiver中的确定性分数\(c\)的计算公式（式6）及其权重（0.55, 0.25, 0.20）纯属经验设定，缺乏可解释性或优化过程，可能不具泛化性。
2. 评估不完整，回避关键度量：评估严重偏向文本指标（ROUGE, BLEU），几乎完全忽略了对语音合成核心——韵律生成质量的客观评估。未使用任何声学度量（如梅尔倒谱失真、基频相关性、节奏评估），无法证明Vocalizer生成的语音在韵律上真的“富有表现力”或“与描述一致”。
3. 实验比较存在选择偏差：虽然与多个基线比较，但缺乏与当前最强大的端到端语音大模型（如GPT-4o高级语音模式、Gemini Advanced）进行直接对比。所选基线中，部分模型（如SALMONN）并非专为共情对话设计，这使得声称的“优越性”需要更谨慎地看待。
4. 模块化带来的延迟与复杂性：四组件串行流水线（感知->管理->生成->合成）引入了显著的延迟，可能不适合实时对话。此外，框架的正确运行依赖于多个独立组件（Whisper, emotion2vec, VAD, COMET-BART, GPT-3.5, StyleTTS2）的正确配置与集成，工程复杂性和故障点较多。
5. “共情”的评估流于表面：共情评估主要依赖人工打分和LLM判断，但未能深入分析生成的响应在多大程度上真正理解并回应了用户的情感需求（例如，通过细粒度的情感一致性分析）。模型可能只是学会了生成“听起来共情”的文本模式。
6. 消融实验深度不足：消融研究仅针对两个宏观组件（知识调用、韵律描述），未深入探究框架内部关键设计（如Manager的验证机制、Vocalizer的两阶段参数控制）的有效性。

← 返回 2026-06-12 语音/音乐/音频论文速递