📄 同音不同形，真的同音吗？当语义在频谱里留下指纹
一句话：论文追问英语异形同音词是否真正同音，用时间归一化的梅尔频谱与 GPT-2 上下文嵌入做双向线性映射，证明词义能在时频形状上留下可泛化的痕迹，而代价是结论仍被单一新闻语域和 35 对样本所束缚。
标签：#语音识别 #大语言模型 #可解释性 #语音合成
评分：6.8/10 | 创新 1.5/2 | 技术严谨 1.3/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Yu-Hsiang Tseng：University of Tübingen, Germany
- Mirjam T. C. Ernestus：Radboud University, the Netherlands
- Louis F. M. ten Bosch：Radboud University, the Netherlands
- R. Harald Baayen：University of Tübingen, Germany
💬 毒舌点评
亮点在于用时间归一化梅尔频谱与上下文嵌入的线性映射直接挑战音位抽象层的经典假设，证据链从判别到生成再到去时长控制相当完整。短板是全部结论绑在美国电视新闻这一单一正式语域和35对异形同音词上，且完全依赖GPT-2文本嵌入代理语义，对说话人、韵律和对齐误差的混淆控制仍显单薄。
📌 核心摘要
论文追问英语异形同音词是否真正同音，以及词义是否系统性塑造语音实现。方法上构建时间归一化梅尔频谱向量与GPT-2上下文嵌入，通过判别词典模型（Discriminative Lexicon Model, DLM）的线性映射建立语音与语义的双向对应，并用广义加性模型（Generalized Additive Model, GAM）估计差异频谱。相对于仅关注时长的传统研究，新意在于将完整时频形状与token级语义直接对齐，无需音位转写且可做留出预测。35对同音词的留出判别显示词对分类与词内成员分类均显著高于随机基线，去时长后的表示仍保持判别力，语义质心经线性映射生成的预测频谱与GAM差异面高度吻合。结果为语音与语义的同构性提供了可泛化的计算证据，对形式音系学的抽象音位观构成挑战。主要局限在于语料单一、样本对数有限且语义表示仅来自文本模型，对自发对话和跨方言的外推仍待验证。
🔗 开源与复现资源
- 代码：论文中未提及代码链接
- 模型权重：https://huggingface.co/openai-community/gpt2 ，对应GPT-2模型，参数规模为137M，tokenizer包含50257个唯一token
- 数据集：Redhen 2016 Dataset，包含美国电视新闻广播视频、字幕及通过forced aligner获得的词级时间戳，共35对同音词、70个正字法词型、14000个token，每类词型200个token，论文中未提供直接下载链接
- Demo：论文中未提及
- 复现材料：论文在第4.2.1节及第5章给出完整处理流程，时间归一化频谱图固定为50个时间步与21个mel滤波器组，展平为1050维语音向量后经PCA降至50维，使用LDA进行10折交叉验证，附录B给出PLS去除时长影响的3次迭代公式，附录包含picture_book.pdf用于可视化
- 论文中引用的开源项目：GPT-2 https://huggingface.co/openai-community/gpt2 、Redhen资源、Discriminative Lexicon Model框架、forced aligner工具
🧭 深度解读
为什么“同音词听起来一样”是个需要检验的假设？
想象你在新闻里听到 wait 和 weight，字典告诉你它们发音相同，音标也写成一样。但如果你把几百次真实发音的波形叠在一起看，会发现时长、元音的到达时刻、高频能量分布似乎总有细微偏移。问题在于，这些偏移是随机的口误，还是跟着词义走的系统性差异？
传统音系学给出的答案很干净：声音先被抽象成音位，音位再去对应拼写和意义，语义不该直接“伸手”去调制发音细节。这个抽象层像一块隔板，挡住了意义对语音的渗透。如果隔板成立，那么 wait 和 weight 在去掉说话人、语速、重音这些偶然因素后，应该在统计上无法区分。
检验这个假设很难。第一，时长最容易测量，所以过去大量工作只比时长，容易把“形状差异”误判为“长短差异”。第二，真实语音时长不一，直接把频谱拼起来维度都不对齐，零填充又会引入人为的空白。第三，词义本身在不同语境下也在变，用一个固定的词向量去代表 wait 的所有用法，会抹掉恰恰需要检验的细微语义变化。
这篇论文站在哪条研究脉络上？
第一条脉络是同音词时长的频率效应。Gahl 等人在 Switchboard 等口语语料中发现，更高频的同音成员往往更短，解释有激活水平、预测性、发音程式化等多种。Gahl & Baayen 进一步指出，词义对词形的支持度本身就能预测时长，暗示意义与形式并非独立。
第二条脉络是声音与意义的非任意性。像 gl- 往往与光亮有关，frog 的发音与蛙鸣有声学相似性，跨语言的量化研究也反复发现这类音义相关。这为“意义塑造发音”提供了更广的背景，但大多停留在类型层面，缺少对同一词在不同语境下发音微变的 token 级检验。
第三条脉络是判别词典模型（Discriminative Lexicon Model，DLM）。它不存储静态的词条，而是用形式与意义之间的联结权重来完成理解与产生，常用线性映射实现。论文选择这条路线，正是看中线性映射的可解释性：没有隐藏层去过滤信息，能直接追问频谱与语义在多大程度上同构。
论文把问题如何形式化？
任务被定义为：在不依赖音位转写的前提下，判断异形同音词的语音实现是否可区分，以及这种区分是否能被语境中的词义系统性预测。输入是原始音频与对应文本，输出是 3 类可检验的预测：同音词对能否被区分、同音词成员能否被区分、语义能否生成对应的频谱形状。
关键约束是“去时长”检验。即使发现频谱可分，也必须回答：这是否只是时长不同带来的副产品？因此论文要求在剥离时长信息后，区分度和跨模态预测依然成立，才算支持“形状本身携带语义信息”的结论。
全景：从波形到语义的单向流水线
流水线分 4 段，数据只向前流动，没有反馈。起点是电视新闻的音频与字幕，终点是判别准确率、差异频谱面和跨模态预测。
第一段做语音侧表示。波形经预加重后做短时傅里叶变换，再经 21 通道梅尔滤波压缩，得到贴近人耳基底膜频率映射的时频表示。为解决时长不一，用自适应步长把每条词级音频固定为 50 帧，展平为 1050 维向量，再经主成分分析（Principal Components Analysis，PCA）降至 50 维。
第二段做语义侧表示。用含 137M 参数的 GPT-2，对目标词取包含该词在内的前 5 词窗口，抽取最后一层隐状态作为 768 维上下文嵌入（Contextualized Embedding，CE），同样 PCA 至 50 维。这里的嵌入是 token 级的，同一拼写在不同语境下向量不同。
第三段做对齐。把形式矩阵记为 C，语义矩阵记为 S，学习双向线性映射来做理解与产生。第 4 段并行做统计检验：广义加性模型（Generalized Additive Model，GAM）估计差异频谱面，线性判别分析（Linear Discriminant Analysis，LDA）提供交叉验证的判别视角，并用偏最小二乘（Partial Least Squares，PLS）做去时长对照。
关键组件：时间归一化、线性映射与差异面如何各司其职？
时间归一化要解决的是“变长信号如何变成定长向量”。论文不用零填充，而是动态调整步长，使每条词都恰好得到 50 帧：
\[\text{step size}=\left\lfloor\frac{N-w}{T-1}\right\rfloor\]其中 N 是采样点数，w 是窗长采样点，T=50。输入是变长波形，输出是 50×21 的梅尔频谱，行方向拼接后为 1050 维语音向量。这个设计的职责是保留时频形状的同时显式暴露形状相似性，避免深度语音编码器把相邻词的信息混进来。代价是时长信息仍隐含在步长里，后续需要专门剥离。
形式与意义的对齐由 DLM 的线性判别学习承担。设形式矩阵与语义矩阵均为 n×50，理解映射与产生映射分别为：
\[\displaystyle\bm{F}\]\[\displaystyle\bm{C}\cdot\bm{F}\]更完整地，
\[\bm{F}=(\bm{C}^{\top}\bm{C})^{-1}\bm{C}^{\top}\bm{S},\quad \bm{G}=(\bm{S}^{\top}\bm{S})^{-1}\bm{S}^{\top}\bm{C}\]，预测为
\[\hat{\bm{S}}=\bm{C}\bm{F},\; \hat{\bm{C}}=\bm{S}\bm{G}\]。输入是两类 50 维向量，输出是跨模态预测向量。选择线性而非深度网络，是为了让信息流可追踪，并检验“梅尔非线性之后是否已足够线性可分”。
为了衡量 token 级对齐是否超越“只分对词类”，论文引入恢复率：
\[R_{\text{L2}}=\frac{\sum_{i=1}^{n}\lVert\hat{v_{i}}\rVert^{2}}{\sum_{i=1}^{n}\lVert v_{i}\rVert^{2}}=\frac{\sum_{i=1}^{n}\hat{\bm{v}}_{i}\cdot\hat{\bm{v}}_{i}}{\sum_{i=1}^{n}\bm{v}_{i}\cdot\bm{v}_{i}}.\]它比较预测向量与真实向量的 L2 范数平方和，能捕捉最近邻准确率看不到的 token 级贴合度。
GAM 则回答“差异长什么样”。它为每对同音词估计基准频谱面与差异面：
\[\displaystyle\sim\]具体模型为 spec ~ I + te(timestep, filter_bank) + te(timestep, filter_bank, by=I) + s(duration) + s(speaking rate) + preceding pause + subsequent pause。输入是每条语音向量拆成的 1050 个观测及其时频坐标与协变量，输出是平滑的频谱面与差异面。通过比较含差异面与不含差异面的模型，以 AIC 差值判断词效应是否成立，并把差异面与语义质心经 G 映射生成的原型频谱做视觉与数值对照。
没有梯度训练，模型如何“学习”？
这项工作没有传统意义上的神经网络训练阶段。语音与语义的对齐是确定性求解：给定形式矩阵 C 与语义矩阵 S，映射矩阵 F 与 G 由最小二乘闭式解直接算出，不需要优化器、学习率或批量大小。评估采用 10 折交叉验证，在每一折上用 9 折求闭式解，在剩余 1 折上做最近邻判别或计算 R_L2。
降维与去混淆也是确定性计算。PCA 将 1050 维语音向量与 768 维 CE 分别降至 50 维，分别保留约 90% 与 96% 方差，目的是去相关与去噪。PLS 去时长则迭代 3 次，每次找到与时长最协变的线性组合并从语音矩阵中剔除，得到去时长矩阵 C_defl，满足 T^T C_defl = 0 的正交性。正交性保证了时长成分与残差在 Frobenius 范数意义下可分解，后续才能把方差归因到时长与非时长两部分。
推理时，理解方向用语音向量乘 F 得到预测语义，产生方向用语义向量乘 G 得到预测频谱，再以欧氏距离做最近邻判定。GAM 的平滑参数由 mgcv 包按惩罚似然自动选择，同样无需手调训练轮数。
数据、协议与对照如何搭建？
论文使用 Redhen 2016 数据集的美国电视新闻视频与字幕，通过强制对齐获得词级时间戳。筛选标准是每种拼写至少 200 次出现且上下文去重，超量下采样至 200，最终得到 35 对异形同音词、70 个词型、14000 个 token。这些 token 来自 215 个节目，平均每词型出现在 63.2 个节目中。音频采样率 16 kHz，预加重系数 0.97，窗长 10 ms，梅尔通道 21，时间归一化帧数 50。时长均值 330 ms，标准差 117 ms。
根据论文正文与图中报告值整理，数据集与实验协议如下：
| 项目 | 构成与设置 | 关键参数与划分 | 备注 |
|---|---|---|---|
| 语音表示 | 21 通道梅尔频谱，50 帧时间归一化，展平 1050 维后 PCA 至 50 维 | 自适应步长 floor((N-w)/(T-1))，保留约 90% 方差 | 避免跨词信息污染，保留形状信息 |
| 语义表示 | GPT-2 137M，前 5 词窗口的最后一层隐状态，768 维后 PCA 至 50 维 | 保留约 96% 方差，capitol 取两子词平均 | token 级嵌入，同一拼写随语境变化 |
| 样本 | 35 对异形同音词，70 词型，14000 token | 每词型 200 token，上下文去重 | 8 对含形态差异，3 对为不规则动词 |
| 评估协议 | LDA 与 LDL 均为 10 折交叉验证，置换基线重复 30 次 | 指标为最近邻准确率与 R_L2，GAM 以 AIC 差值与经验贝叶斯 p 值检验 | PLS 去时长迭代 3 次，控制语速与前后停顿 |
基线与统计设计刻意保留了“最难的对手”。随机置换基线打乱形式与语义的配对，检验对齐是否只是偶然；仅时长对照检验对齐是否可被时长完全解释；去时长对照则看剥离时长后是否仍有判别力。GAM 额外控制时长与语速的平滑项，避免把语速差异误读为词效应。
关于图中应看什么：Figure 2 展示 35 对各自的词内 LDA 准确率，读者应看蓝点是否系统性落在 50% 基线右侧以及红线所示的总体均值；Figure 3 以 wait/weight 为例，读者应对比平均频谱与差异面中蓝色减弱与红色增强的时频区域，判断元音起始是否延迟；Figure 4 的 t-SNE 中每个点是一个 token 的 CE，颜色代表词身份，应看同词是否聚类以及动词与名词在第一维上的分离；Figure 5 则对比真实配对与完全置换基线的最近邻准确率分布。
主结果：同音词能否被分开，语义能否预测频谱？
第一个问题是语音向量本身是否包含足够的区分信息。LDA 的留出检验给出肯定答案，且难度越大差距越清晰。
根据论文正文与图中报告值整理，关键结果如下：
| 比较或条件 | 指标与方向 | 明确报告值 | 这项数字支持什么 |
|---|---|---|---|
| 35 词对分类 | LDA 10 折准确率，越高越好 | 79.30% vs 随机 2.82% | 50 维语音向量保留丰富时频形状，约为基线 28 倍 |
| 70 词分类 | LDA 10 折准确率，越高越好 | 51.13% vs 随机 1.43% | 类别翻倍后仍显著可分，约为基线 36 倍 |
| 词内平均（35 对各自 10 折） | 准确率 vs 50% | 全部高于随机 2 个标准误 | 排除跨对声学距离带来的乐观偏差，成员本身可分 |
| GAM 含差异面 vs 不含差异面 | AIC 降低，越大越好 | 平均降低 3114，mail/male 降低 8909.03，sight/site 降低 638.13 | 差异面在统计上强烈支持词效应，且与 LDA 高低一致 |
第二个问题是这种可分性能否被语义预测，以及是否独立于时长。LDL 的双向映射显示，语义到频谱的预测在去时长后仍高于仅用时长的基线，且差异面与语义质心生成的原型频谱在峰谷位置上高度吻合。
| 比较或条件 | 指标与方向 | 明确报告值 | 这项数字支持什么 |
|---|---|---|---|
| 语义到频谱（PLS 去时长） | 最近邻准确率 | 58.39% vs 仅时长 51.79% | 形状信息独立于时长，去时长仅小幅下降 |
| 仅时长到语义 | 最近邻准确率 | 51.79% | 时长单独几乎无法预测语义，不能解释对齐 |
| 产生方向 R_L2（词内置换） | 超出 95% 置信区间比例 | 几乎全数超出 | token 级对齐在产生方向稳健 |
| 理解方向 R_L2（词内置换） | 超出 95% 置信区间比例 | 约 12 对超出 | 双向同构强度不对称，理解方向较弱 |
需要强调不能推出的结论：高准确率不等于每个 token 都能被人类听辨，也不等于差异完全来自语义。GAM 虽控制时长与语速，但未显式建模基频与重音，LDA 也未按说话人分层，仍可能混入说话人或韵律的系统性差异。
论文图 2。这张图来自原论文 Figure 2:，图示内容为“LDA classification accuracies for the speech tokens of the members of homophones within homophone pairs.”。请结合“主结果：同音词能否被分开，语义能否预测频谱？”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
反证：去掉时长后，证据还站得住吗？
论文用两组互补的消融来回应“时长解释一切”的质疑。第一组是回归视角：用不同表示去预测时长本身。GPT-2 嵌入预测时长的 R2 约 24.15%，而原始频谱可达 52.90%，说明频谱天然携带时长信息；经 PLS 去时长后，R2 降至 13.00%，与置换基线 12.74% 相当，表明时长已被有效剥离。
第二组是分类与跨模态预测视角。词内 LDA 在原始频谱上显著高于 50%，去时长后均值 62.50% 仅小幅下降，仍高于仅用时长的 58.10%。语义到频谱的 LDL 最近邻准确率在去时长后为 58.39%，同样仅略低于原始频谱，且明显高于仅时长基线的 51.79%。如果差异完全由时长驱动，去时长后应跌回随机水平，但实际并未发生。
一个未胜出的细节值得注意：理解方向的 token 级 R_L2 仅约三分之一词对显著超出置换区间，而产生方向几乎全数显著。这种不对称提示，从频谱预测语义比从语义预测频谱更困难，可能与语义嵌入来自文本而非真实言语意图有关，也可能反映线性映射在理解方向上拟合上限更低。
论文图 3。这张图来自原论文 Figure 3:，图示内容为“An example of a GAM for a homophone pair: wait vs.”。请结合“反证：去掉时长后，证据还站得住吗？”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
论文图 4。这张图来自原论文 Figure 4:，图示内容为“Contextualized embeddings of homophone tokens.”。请结合“反证：去掉时长后，证据还站得住吗？”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
论文图 5。这张图来自原论文 Figure 5:，图示内容为“Alignments of predicted meaning vectors (left panel) and form vectors (right panel) compared to a full permutation baseline (in red).”。请结合“反证：去掉时长后，证据还站得住吗？”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
边界在哪里？哪些结论暂时不能外推？
作者明确承认的局限有三点。样本仅 35 对，不足以分解形态结构与词类效应，语义效应很可能与这些因素交织；残差中仍包含韵律、情感、语速及发音力学约束等未被上下文嵌入捕获的因素，需要为残差建立可证伪的补充模型；异形与同形同音词的对比是检验拼写影响的关键未来工作。
更严格的审视指向数据与表示的边界。语料单一来自正式的电视新闻播报，说话人专业化且语体受控，向自发对话、不同方言与非母语者的外推受限。强制对齐误差未被量化，对短词与弱读形式的边界更敏感，可能系统性影响时频对齐与差异面。语义侧完全依赖文本训练的 GPT-2，未使用语音自监督表示或多模态接地，5 词窗口也可能截断长距离语义。
方法层面，PCA 降至 50 维虽去噪但也可能滤除细粒度频谱细节；线性映射可解释但可能低估非线性同构强度，且缺乏与非线性基线的直接对比。35 对中 8 对含形态差异与 3 对含不规则动词，词频与形态混淆未做分层控制，mail/male 等极值对可能驱动平均效应。这些都意味着“语义塑造频谱”的结论在当前证据下是可泛化的统计规律，而非对每个词对、每种语体都同等强度的因果断言。
复现需要什么，哪些信息是缺失的？
可复现的部分已经相当具体。语音侧给出预加重 0.97、10 ms 窗长、21 通道梅尔、50 帧时间归一化与展平 1050 维后 PCA 至 50 维的完整链路；语义侧给出 GPT-2 137M、50257 词表、前 5 词窗口、768 维 CE 后 PCA 至 50 维的设置；对齐部分给出闭式解与 R_L2 定义，GAM 给出含张量积平滑与协变量的完整公式，PLS 去时长给出 3 次迭代与正交性条件，附录还提供 picture_book.pdf 可视化差异面。
缺失的部分也需如实说明。论文未提供代码仓库与数据集直接下载链接，仅引用公开的 GPT-2 权重与 Redhen 2016 资源，未发布自训练模型权重与 Demo。硬件型号、数量与训练时长未报告，但由于映射为解析解，计算成本主要在频谱提取与 PCA 上，复现门槛更多在数据获取与强制对齐质量，而非大规模训练预算。随机种子等细节也未完全披露，复现时需自行固定交叉验证与置换的随机性。
收束：我们该如何重新理解“同音”？
回到开头的问题：同音词是否真的同音？论文的回答是，在时间归一化的梅尔频谱这一可解释表示下，答案是否定的。35 对同音词不仅在词对层面可分，在词内成员层面也可分，且差异面在控制时长与语速后依然显著。更关键的是，这些差异能被语境中的意义以线性映射的方式预测，且语义质心生成的原型频谱与 GAM 估计的经验差异面在能量峰谷上相互印证。
这对教学与研究有两点启示。第一，研究语音实现时，除了时长，时频形状本身值得作为一等公民被建模，时间归一化频谱提供了一种无需音位转写的探针。第二，形式与意义的接口可能比“抽象音位隔板”所假设的更薄，意义的细微变化会在发音细节中留下可被统计模型捕捉的痕迹。
同时，保持审慎也很重要。证据来自单一正式语域、有限词对与文本来源的语义表示，残差中仍有大量未被解释的韵律与力学因素。把“同音不同形导致不同音”从相关推向因果，需要跨语域、跨方言、按说话人分层以及更丰富的语义与韵律建模来共同完成。
📎 论文与评分元数据
标签：#语音识别 #大语言模型 #可解释性 #语音合成
6.8/10 | 创新 1.5/2 | 技术严谨 1.3/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
✅ 6.8/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音识别 | #大语言模型 | #可解释性 #语音合成 | arxiv
⚖️ 评分依据与证据（展开查看）
逐维得分、全文证据与扣分边界
创新性 (1.5/2)：时间归一化 50 帧 21 通道梅尔频谱展平为 1050 维并 PCA 至 50 维，结合 GPT-2 768 维上下文嵌入与双向线性映射 F 与 G，实现 token 级形式意义对齐与质心生成频谱和 GAM 差异面交叉验证，超越仅时长研究的形状建模。去时长后仍保持判别与预测，体现方法组合新颖性。
技术严谨性 (1.3/1.5)：线性映射采用最小二乘闭式解并在附录 C 给出 Frobenius 范数正交分解证明，GAM 以 te(timestep, filter_bank) 加 s(duration) 与语速协变量控制混淆，PLS 迭代 3 次满足 T^T C_defl = 0 的正交性，假设与推导一致且无明显逻辑漏洞。提供正交性推导支撑。
实验充分性 (1.1/1.5)：35 词对 LDA 79.30% vs 2.82% 基线与 70 词 51.13% vs 1.43% 基线均经 10 折交叉验证与 30 次置换检验，词内 LDA 全部高于 50% 2 SE，PLS 去时长后 62.50% vs 58.10% 仅时长对照及语义到频谱 58.39% vs 51.79% 对照构成直接消融，GAM 平均 AIC 降低 3114 提供独立统计证据。但仅单一电视新闻语料与 35 对样本，未做跨数据集与按说话人分层验证，理解方向仅约 12 对超出置信区间且缺乏非线性基线对比。
清晰度 (0.8/1)：全文按语音表示 50 帧 21 通道到 1050 维再 PCA 50 维、语义 768 维再 PCA 50 维、LDL 双向映射与 GAM 张量积平滑的流水线组织，公式与符号完整，图表与附录 B 流程可核对，写作结构清晰且阶段衔接明确。
影响力 (1.0/1.5)：以 14000 token 的可泛化计算证据挑战抽象音位观，证明异形同音词时频形状与 token 级语义同构且独立于时长，为语音与语义接口提供新范式，对语音科学具启发性。但语料限于美国电视新闻正式语域且仅 35 对，跨方言与自发对话外推受限，影响力集中于理论语音学而非广泛应用。
开源 (0.0/1.5)：论文未提供代码链接与数据集直接下载链接，未发布自训练模型权重，仅引用公开 GPT-2 137M 权重与 Redhen 2016 资源，无 Demo 与复现仓库，核心产物完全关闭且无未来开放承诺，按锚点为 0。
可复现性 (0.3/0.5)：已披露 50 帧 21 通道梅尔频谱、PCA 50 维、GPT-2 5 词窗口 768 维、LDL 闭式解与 GAM 模型式及 PLS 3 次迭代等关键步骤，附录 B 给出去时长公式，复现路径大部分充分。但未报告硬件型号数量与训练时长，且部分随机种子等细节缺失，存在少量缺失故为 0.3。
工程/实践价值 (0.8/1.5)：给出从预加重 0.97 与 10 ms 窗长到自适应步长 floor((N-w)/(T-1)) 固定 50 帧、展平 1050 维再 PCA 50 维及 PLS 去时长 3 次迭代的可复用流水线，附录含完整公式与 picture_book.pdf 可视化，具工程可复用性。但未报告真实延迟吞吐或资源测量，工程验证停留于流水线层面。