📄 MeetingToM: Evaluating Multimodal LLMs on Theory-of-Mind Reasoning in Multi-Party Meetings

标签：#基准测试 #音频理解 #Transformer #模型评估

7.2/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 0.5/1.5 | 清晰 0.9/1 | 影响 0.5/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5

✅ 7.2/10 | 前50% | 文档类型：数据集与基准 | 评分置信度：高 | #基准测试 | #Transformer | #音频理解 #模型评估 | arxiv

👥 作者与机构

• 第一作者：Ziyi Wang（清华大学 AI 学院）[注：论文标注为共同第一作者]
• 通讯作者：Miao Liu（清华大学 AI 学院）
• 作者列表：Ziyi Wang（清华大学 AI 学院）、Yuhang Wu（清华大学 AI 学院）[注：论文标注为共同第一作者]、Dongxu Piao（清华大学 AI 学院）、Xingyu Liu（清华大学 AI 学院）、Tianhui Zhou（杜克大学生物统计与信息学系）、Miao Liu（清华大学 AI 学院）

💡 毒舌点评

论文在将心智理论评估从简单视频问答引入到真实、复杂的多方会议场景这一方向上迈出了重要一步，提出的“伪共识”概念和层次化任务设计颇具洞察力，抓住了社交互动中“言行不一”这一核心难点。然而，该基准的科学根基建立在第三方观察者对“心智状态”的推断之上，尤其在最具挑战性的态度推断任务中，标注者间一致性仅为中等（κ=0.50），这直接动摇了“黄金标准”的可靠性。此外，论文声称评估了“GPT-5”，但该模型在2026年7月并未公开发布，这在模型身份上存在重大疑问，严重削弱了实验结果的可信度和可复现性。

📌 核心摘要

本文针对多模态大语言模型在多方会议场景中进行心智理论推理能力不足的问题，提出了一个名为MeetingToM的评估基准。该基准的核心创新在于将评估场景从简单的视频问答扩展到包含复杂社交动态的会议，并首次提出了“伪共识”这一会议特有的社会现象，即表面的口头一致掩盖了私下异议。方法上，基准设计了三个层次化任务：个体层面的心智状态预测、双人层面的指代对象与态度推断、以及群体层面的共识（真共识/伪共识/无共识）判断。实验表明，无论是GPT-4o、Gemini-3 Pro等专有模型，还是Qwen等开源模型，其性能均显著低于人类水平（例如，在任务1上，人类准确率86.33%，最佳模型仅59.00%），尤其在整合非言语线索和区分真实与表面共识方面存在持续困难。该基准为推进面向会议的理解型AI提供了测试平台。主要局限性在于标注基于第三方观察而非参与者自报，标注一致性存在不足，以及评估所用的部分模型身份存疑。

主要实验结果表格：

🔗 开源详情

• 代码：https://github.com/oliviaziyi/MeetingToM
• 模型权重：论文中未提及
• 数据集：https://huggingface.co/datasets/OliviaWang1101/MeetingToM（基于AMI Meeting Corpus构建）
• Demo：论文中未提及
• 复现材料：论文中提供了详细的评估协议、提示模板和标注指南（附录）。构建流程所需材料（如AMI原始数据、标注指南）可部分复现，但GPT-5相关评估的输入处理细节依赖于闭源模型。
• 论文中引用的开源项目：
  • AMI Meeting Corpus：论文中作为基准数据集的来源，但未提供直接链接。

🏗️ 方法概述和架构

本文的核心贡献是构建一个名为 MeetingToM 的评估基准，而非提出一个新的模型。因此，其“方法”主要体现在该基准的系统化设计、构建流程与标准化评估协议上。该基准旨在全面评估多模态大语言模型在模拟的复杂社交场景——多方会议中，进行心智理论推理的能力，特别是理解隐含社交动态与群体心理的能力。以下将详细阐述其方法论的核心组成部分。

对于主体层任务，基准定义了七种在会议场景中具有代表性的参与者认知状态，其特征如下表所示。

下图以表格形式清晰列出了每种心智状态（如主动参与、认知冲突）的定义、典型的非言语线索（如表情、凝视）以及示例语句，为任务1的标注提供了标准。

MeetingToM的层次化评估任务框架具体如下图所示。

下图详细说明了三个层次任务（主体层、双人层、群体层）的具体形式、输入（如特写视频、马赛克视频）和对应的多项选择问题设计。

MeetingToM基准的构建遵循一个严谨、多阶段的流水线，其目标是生成高质量、可评估的视觉问答实例。整个流程从原始数据出发，经过任务定义、数据挖掘、问题生成、人工标注与质量控制，最终形成标准化的评估协议。具体链路如下： 输入：来自AMI会议语料库的原始多方会议数据，包括同步录制的多视角视频（全局视角及四位参与者的特写视角）、精确到词的语音转录文本，以及相关的元数据（如决策时间戳）。 处理：

1. 任务定义与实例化：基于对会议场景社交动态的分析，定义三个层次化的理论推理任务。
2. 候选片段挖掘：利用规则和元数据，从长时间会议记录中自动挖掘与各任务相关的关键对话片段。
3. 问题模板生成：利用大语言模型根据任务定义和挖掘到的片段，批量生成符合格式的候选问题和选项。
4. 人工标注与验证：由经过培训的标注员独立观看视频与文本，依据详尽指南为每个问题确定标准答案，并通过裁决与讨论流程保证标签质量。
5. 评估协议封装：将标注好的实例与标准化的输入格式、提示模板和评估指标打包，形成最终基准。 输出：一个包含1800个实例的评估数据集，每个实例都包含特定视角的视频片段、对齐的对话文本、多项选择题以及经人工验证的标准答案。该数据集以JSONL等结构化格式存储，可直接用于模型的评估。

这是MeetingToM基准设计的核心，它系统性地将会议场景中的心智理论推理分解为三个难度递增、对社交理解要求逐层深入的任务层级。

• 组件功能：定义评估的具体问题空间和推理目标，为数据构建和模型评估提供理论框架。
• 内部结构与实现：该模块通过形式化定义（如文中公式1-5）来规范每个任务的输入、输出和推理要求。其内部基于心理学与认知科学理论，为会议场景提炼出一套可操作、可观察的心智状态与社交关系分类体系。
• 输入：原始会议记录、预定义的任务模板。
• 输出：三个具体任务的详细规范说明，包括每个任务的输入数据形式、待预测标签空间以及评估逻辑。

具体任务定义如下：

• 任务1（主体层心智状态预测）：
  • 功能：评估模型从短暂视频片段中识别个体参与者当前心智状态的能力。
  • 内部结构：定义了七种基于研究和观察的、会议特有的心智状态标签集合 𝒮，包括：主动参与（Active Engagement）、支持性认同（Supportive Endorsement）、专注倾听（Focused Listening）、认知冲突（Cognitive Conflict）、困惑（Confused Bewilderment）、犹豫（Hesitation）和脱离退缩（Disengaged Withdrawal）。每种状态均附有清晰的描述、典型的非言语线索（如表情、凝视、姿态）以及示例。
  • 输入：目标参与者的5秒特写视频片段 𝒱^A 和对应的对话语境 𝒰。
  • 输出：预测的心智状态标签 ŝ_A。
• 任务2（双人层指代与态度推理）：
  • 功能：考察模型理解双向社交互动的能力，包括识别说话人指向谁以及被指代者对此的态度。
  • 内部结构：包含两个顺序执行的子任务。
    1. 代词“你”的指代对象识别（Task 2.1）：
       • 功能：确定当说话人使用代词“你”时，其实际指代的对象。
       • 输入：全局视角视频 𝒱^g 和包含目标代词的对话上下文 𝒰。
       • 输出：从标签集合 ℛ（包括参与者A, B, C, D, “多人”, “未知”）中预测的被称呼对象 r̂。
       • 关键挑战：需要模型结合视觉线索（如说话人的凝视方向、身体朝向）与语言上下文来解析指代。
    2. 对被指代者态度的推断（Task 2.2）：
       • 功能：推断被识别出的指代对象对说话人陈述所持的态度。
       • 输入：四格拼接的马赛克视频 𝒱^m、对话上下文 𝒰 以及前一子任务识别出的指代对象 r̂。
       • 输出：预测的态度标签 m̂_{r̂→A}，标签集合 ℳ 包括：支持、反对、中立、不确定。
• 任务3（群体层共识推理）：
  • 功能：探查模型对群体决策质量的深层理解，特别是识别表面一致下的潜在异议。
  • 内部结构：包含两个子任务。
    1. 共识分类（Task 3.1）：
       • 功能：在群体决策的关键时刻 t*，判断共识的真实性质。
       • 输入：马赛克视频 𝒱^m 和对话语境 𝒰。
       • 输出：预测的共识类型标签 ĉ，标签集合 𝒞 包括：真共识、伪共识、无共识、不确定。其中，“伪共识”被定义为在社交压力下，口头同意掩盖了私下异议的特殊会议现象，这是本基准的核心创新点之一。
    2. 私下异议者识别（Task 3.2）：
       • 功能：仅在共识分类结果为“伪共识”时触发，任务是识别持私下异议的参与者。
       • 输入：马赛克视频 𝒱^m、对话语境 𝒰。
       • 输出：预测的异议参与者标签 n̂，标签集合 𝒩 包括四位参与者标识及“无”。
  • 组件间关系：任务3.2的执行严格依赖于任务3.1的输出结果，体现了条件性推理链。

该模块负责将抽象的任务定义转化为具体的、带标签的评估实例，是保证基准质量和有效性的关键。

• 组件功能：自动化提取候选片段、半自动化生成问题、全人工进行答案标注与质量控制。
• 内部结构与实现：这是一个多步骤的混合流水线：
  1. 候选片段提取子模块：
     • 功能：基于预定义规则，从完整的AMI会议记录中自动挖掘可能包含相关社交事件的视频片段。
     • 内部实现：利用AMI语料库提供的元数据和规则。例如，对于任务1，挖掘目标参与者作为说话人或主要倾听者的5秒交互窗口；对于任务2，定位包含第二人称代词“你”的语句，并筛选出指代对象可从上下文解析的片段；对于任务3，以会议决策时间戳为锚点，寻找围绕提案-回应结构和同意标记的片段（通常为50-70秒）。提取后，使用ffmpeg等工具对所有相关视角的视频、音频和文本进行严格的时间对齐剪切。
  2. 问题生成子模块：
     • 功能：基于任务模板和提取的片段上下文，批量生成格式规范的问题和选项。
     • 内部实现：调用GPT-5等大语言模型，根据任务定义将具体的参与者、触发语句、决策时刻等变量填入预设的问题模板中。此步骤严格限定为仅生成问题文本，而不参与确定标准答案，以避免数据污染。
  3. 人工标注与验证子模块：
     • 功能：为每个生成的问题确定正确答案，并确保标注的一致性和可靠性。
     • 内部实现：由两名经过培训的标注员独立工作。他们能够同步查看完整的视频片段（包括所需视角）和对应的文字记录，并遵循详尽的标注指南进行判断。标注必须基于可观察到的证据（如言语内容、对话轮次转换、凝视、表情、姿态、手势、反应时机等）。对于两名标注员意见不一致的实例，提交给第三名标注员进行裁决，通过多数投票确定最终标签。仍无法达成可靠一致的样本将被丢弃。此外，对于保留的非一致同意样本，还会通过联合讨论进行最终验证。标注过程中会剔除存在时间对齐错误、视角缺失、证据不足或依赖片段外信息的低质量样本。
• 输入：原始AMI数据、任务定义、问题模板。
• 输出：经过清洗和验证的、包含“视频/帧输入 + 对齐文本 + 问题 + 标准答案”的JSONL格式数据文件。

该模块定义了在评估阶段，如何向模型呈现数据以及如何衡量其表现的标准化流程。

• 组件功能：确保所有被评估的模型在相同条件下进行测试，并提供可比较的评估指标。
• 内部结构与实现：
  1. 输入格式化：规定模型的输入必须且仅包含：特定视角的视频（或对于不支持视频的模型，转换为均匀采样的帧序列，如0.5 FPS）、对齐的转录文本、以及统一的任务提示词。严格排除AMI原始标注、元数据和金标准标签，以模拟模型在真实场景中的输入。
  2. 提示策略管理：评估中可能测试不同的提示策略，如直接回答、链式思考（CoT）、情感链式思考（ECoT）或任务特定CoT，以分析其对推理能力的影响。
  3. 评估指标定义：主要报告精确匹配准确率。考虑到任务1和任务3.1存在显著的类别不平衡（例如，任务1中“主动参与”状态远多于“认知冲突”），因此额外报告宏平均F1分数，以更公平地评估模型在所有类别上的平均性能。任务3.2的评估是条件性的，仅在模型正确完成任务3.1（即识别出“伪共识”）的情况下才计算其准确率。同时，为每个子任务计算基于均匀随机猜测的机会水平基线。
• 输入：来自数据构建模块的标准化数据集。
• 输出：每个模型在各个任务上的性能评估报告（如准确率、宏F1分数等）。

各模块间的数据流是严格单向的，通过中间数据文件进行连接，形成了一个清晰的“数据准备-评估执行”管道。

1. 原始数据预处理：AMI原始多视角视频与文本数据进入候选片段提取子模块。
2. 任务定向挖掘与剪辑：该子模块根据任务定义中的规则，输出一系列带时间戳的候选片段。这些片段随后被送入视频剪辑工具（如ffmpeg），生成各个任务所需的特定视角（特写、全局、马赛克）的短视频片段。
3. 问题模板填充：问题生成子模块接收这些片段及其对应的转录文本，结合任务模板，输出格式化的候选问题JSON文件。
4. 人工标注与实例化：候选问题、视频片段和文本一同进入人工标注与验证子模块。该模块输出带标准答案的实例化数据集。
5. 基准封装：该数据集被评估协议模块封装，附加统一的提示模板和评估脚本。
6. 模型评估：最终，被评估的模型接收来自评估协议模块的标准化输入（视频+文本+提示），并给出预测结果，该结果与标准答案比对后生成评估分数。

整个流程中，各组件通过JSONL、视频文件等格式传递中间产物，确保了流程的可复现性和模块化。

• 选择AMI语料库作为数据源：动机在于AMI是少数提供同步多视角视频、精确词级转录文本以及丰富元数据（如决策时间戳） 的公开会议语料库。这满足了构建多模态社交推理任务对数据完备性（同时拥有视觉、听觉、文本信号）和事件可定位性的要求。
• 设计“伪共识”推理任务：这是本基准最具创新性的设计。动机是捕捉真实会议中普遍存在的“表面和谐下的暗流”现象——参与者可能出于社交压力、礼貌或从众心理而口头同意，但其非言语线索（如肢体语言、微表情、反应延迟）可能泄露其真实异议。这种情境下的推理比识别公开的赞同或反对更具挑战性，能更深入地检验模型的社交理解深度。
• 采用第三方观察者标注而非参与者自报：这是一个受现实约束的实用折衷。由于无法重新联系AMI数据的原始参与者获取其当时的真实内心想法，研究者转而采用经过培训的第三方标注员，基于可观察的行为证据进行系统化推断。论文明确承认这是一个局限，因此所有标签应被视为“基于观察证据的系统性第三方推断”，而非绝对的“真实”心智状态。
• 使用GPT-5辅助生成问题而非答案：此设计具有双重动机。一方面，利用大语言模型强大的指令遵循和文本生成能力，可以高效、规模化地构建符合任务格式要求的问题和选项，极大减轻人工编写负担。另一方面，通过将标准答案的确定权完全交由独立的人工标注流程，有效避免了评估数据的“污染”和标签的“泄露”，确保了评估的独立性和公平性。模型在评估时仅接收原始多模态输入，杜绝了利用AMI元数据作弊的可能。
• 提示策略与模态消融分析的设计：在评估中系统性地测试不同提示策略（如CoT、ECoT）并进行输入模态（仅视频、仅文本、视频+文本）与上下文先验（参与者角色、会议阶段等）的消融实验。其动机是深入诊断模型的能力瓶颈：性能下降是因为缺乏必要的信息线索，还是因为无法有效融合多模态信息？是因为推理策略不当，还是因为对社交语境不敏感？这些分析为理解模型局限性和指导未来改进提供了实证依据。

💡 核心创新点

1. 将心智理论评估引入多方会议场景：之前的多模态ToM基准多关注于更简单的互动视频或叙事。本文首次聚焦于结构化、目标导向且充满社会规范（如礼貌、从众）的多方会议，这更贴近真实的工作场景，使评估更具应用相关性。
2. 提出并形式化“伪共识”概念：作者明确指出了会议中“表面同意掩盖私下异议”的社会现象，并将其定义为一种需要识别的共识质量（伪共识）。这超越了传统的“同意/不同意”二分法，要求模型能够发现语言与非语言信号间的矛盾，是一个深刻且新颖的社会推理目标。
3. 设计层次化的社交推理任务体系：基准不采用单一问答，而是设计了从个体到双人再到群体的三个层次任务。这种设计遵循了社会认知的复杂度递进关系，能够更全面地诊断模型在社交推理不同环节的能力瓶颈，诊断性更强。
4. 构建了基于真实会议、包含丰富多模态信号的高质量基准：利用AMI语料库，构建了包含1800个片段、覆盖7种心智状态、4类共识等丰富标签的基准。其混合标注流程（规则提取+GPT辅助生成问题+人工标注答案）在效率和质量之间取得了较好平衡，并提供了详细的标注指南和评估协议。

这一现象可以具体地表示为下图所示的‘伪共识’示例。

下图展示了一个伪共识实例，其中参与者B口头同意，但面部表情和后续语句泄露了异议，而MLLM需判断其是真共识还是伪共识。

📊 实验结果

论文对多种专有和开源多模态大语言模型（MLLMs）进行了系统评估，并进行了多项消融分析，以探究模型在会议心智理论推理任务上的表现及其影响因素。

表1：主流MLLMs在MeetingToM基准上的整体性能

为了解基准数据集的构成，下图展示了三个代表性任务的标签分布情况。

下图中的饼图可视化了任务1、2.1和3.1的类别分布，表明数据集存在类别不平衡（如主动参与样本远多于认知冲突），这解释了为何需报告宏平均F1分数。

表2：使用Gemini-3 Pro进行的输入模态消融分析

表3：不同提示策略下的性能对比

表4：在Qwen3-VL-32B上进行的上下文先验消融结果

表5：在Qwen3-VL-32B上进行的话语标记消融

关键结论：

1. 模型与人类表现差距显著：所有模型在各项任务上的表现均远低于人类基准（表1）。在最具挑战性的群体层共识分类任务（Task 3.1）上，表现最佳的模型GPT-5准确率（43.00%）仅约为人类水平（80.33%）的一半。性能从主体层到群体层显著下降，验证了基准的层次难度设计。宏平均分数（Macro）显示，模型在少数类（如认知冲突、伪共识）上的表现极差，表明聚合准确率可能高估了模型的可靠性。
2. 文本信息通常比视觉信息更关键：输入模态消融分析（表2）表明，在多数任务中，仅使用文本输入的效果优于仅使用视频。但在需要视觉线索解决指代的任务2.1上，融合视频与文本模态才能带来最佳性能。这表明当前模型在有效融合多模态线索方面仍存在困难。
3. 提示策略效果不一致：链式思考（CoT）和情感链式思考（ECoT）等提示策略的效果因具体任务和模型而异，并非总是有益（表3）。例如，Task-CoT和ECoT能显著提升Qwen3-VL-32B在Task 1上的表现，但可能损害其在Task 2.1或Task 3.1上的性能。这表明提示主要影响模型对社会性证据的注意力分配，而非简单地增加推理深度。
4. 外部结构化先验信息未带来一致提升：在Qwen3-VL-32B模型上引入来自AMI语料库的结构化先验（如参与者角色、会议阶段、对话行为），并未带来一致的性能提升，甚至可能损害模型性能（表4）。这说明当前模型难以将外部知识与局部视听证据进行有效校准。
5. 话语标记对不同层级任务影响不同：移除犹豫和反馈标记（如“hmm”、“emm”）后，在主体层任务（Task 1）上准确率提升，但在双人层（Task 2.1, 2.2）和群体层（Task 3.1, 3.2）任务上性能下降（表5）。这表明此类标记对局部心智状态识别可能构成干扰，但对更高层级的互动推理（如指代、态度、共识判断）仍具有信息价值。

🔬 细节详述

• 训练数据：本文是基准论文，不涉及模型训练。基准数据来源于AMI Meeting Corpus（约100小时会议录像）。
• 损失函数/训练策略/关键超参数/训练硬件/推理细节：不适用，因为本文不训练模型，仅评估现有模型。评估中对不支持视频输入的模型（如GPT-5），将视频转换为0.5 FPS的帧序列输入。
• 标注协议细节：详见附录B.3和G.2。每个实例由两名标注员独立标注，有详细的编码指南（如图8）。Fleiss‘ Kappa一致性分数：任务1为0.71，任务2.1为0.73，任务2.2（态度推断）仅为0.50，任务3.1为0.57，任务3.2为0.57。最终标签通过裁决和多数投票确定。
• 数据增强/预处理：论文未提及额外的数据增强。预处理主要是使用ffmpeg对视频、音频和文本进行同步剪切和对齐。

⚖️ 评分理由

• 创新性 (1.5/2)：首次将心智理论评估引入复杂的多方会议场景，提出‘伪共识’概念和层次化任务体系，抓住了‘言行不一’这一社交核心难点。

• 技术严谨性 (1.0/1.5)：方法设计系统，定义了层次化任务、混合标注流程和标准化评估协议。但论文声称评估的‘GPT-5’在声称时间点不存在，对此模型身份的质疑削弱了该部分实验的可信度。

• 实验充分性 (0.5/1.5)：实验全面，包含主实验、模态消融、提示策略和上下文先验分析。但人类基线（200例）规模有限且标注员背景未说明，GPT-5身份存疑影响了部分实验的可信度。

• 清晰度 (0.9/1)：论文结构清晰，任务定义形式化，并提供了详细的附录和标注指南。写作流畅，图表和公式使用得当，便于理解。

• 影响力 (0.5/1.5)：为评估多模态模型的社交推理能力提供了新的基准，场景新颖。但核心贡献是评估基准而非方法，且其评估的会议场景对语音/音频领域而言是次要应用，领域相关性有限。

• 开源 (1.5/1.5)：核心产物（MeetingToM数据集）在Hugging Face上完整开放，评估代码在GitHub上公开，并提供了详细的评估协议、提示模板和标注指南，文档齐全。

• 可复现性 (0.3/0.5)：评估协议描述详细，包括任务定义、标注流程和评估指标。但关键信息如标注一致性（任务2.2 κ=0.50，任务3.1 κ=0.57）数据完整，但作为基准构建的一部分，其复现细节主要依赖外部AMI语料库和论文提供的协议。

• 工程/实践价值 (1.0/1.5)：构建了一个从数据挖掘、问题生成、人工标注到标准化评估的完整流水线，并提供了可运行的代码库和评估脚本，为社区提供了实用的测试平台。

🚨 局限与问题

1. 论文明确承认的局限：
   • 语言单一性：仅基于英语会议，未评估多语言场景。
   • 场景局限性：基于结构化的线下专业会议（AMI），其发现能否推广至非正式、线上或混合会议存疑。
   • 标注局限性：无法获取会议参与者自我报告的真实心智状态，所有标签均为第三方推断，可能与真实情况存在偏差。
   • 时间片段限制：评估基于短片段（5-50秒），而非完整会议，可能无法捕捉长期动态。
2. 审稿人发现的潜在问题：
   • 标签噪声与模糊性：任务2.2（态度推断）的标注者一致性较低（κ=0.50），这直接引入了标签噪声，可能使该任务上的模型评估结果可信度下降。任务3.1的一致性（κ=0.57）也仅为中等。
   • 人类基线不足：200例的评估规模对于衡量人类在复杂社交任务上的能力可能不够充分，且未报告标注员的背景（如普通大学生 vs. 社会学专家），可能影响基线的代表性和稳定性。
   • 模型评估偏差与可疑性：所有评估均基于模型的零样本提示能力。模型可能并不具备任务相关的先验知识，其性能低下可能部分源于对“会议心智理论”这一陌生任务格式的不适应，而非纯粹的社交推理能力不足。更重要的是，论文中声称评估的“GPT-5”模型，在论文声称的2026年7月发布时间点并不存在，这使得该部分实验结果的真实性和整个评估的严肃性受到严重质疑。
   • 对“伪共识”标注的依赖：该标签的确定高度依赖于标注员对非言语线索（如交叉手臂、延迟反应）与言语内容矛盾性的主观判断，其“真值”本身具有高度主观性，是基准可靠性的根本瓶颈。
   • 评估生态效度有限：基准基于人工剪辑的片段，模型在真实、连续的会议流中进行推理的能力未经测试。

← 返回 2026-07-22 语音/音乐/音频论文速递