标签：#语音增强 | #自回归模型 | #向量量化 | #大语言模型
评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 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 1/1.5
👥 作者与机构
- Hao Shi：机构信息未在 arXiv HTML 中可靠披露
- Yuan Gao：机构信息未在 arXiv HTML 中可靠披露
- Zhaoheng Ni：机构信息未在 arXiv HTML 中可靠披露
- Junyi Peng：机构信息未在 arXiv HTML 中可靠披露
- Gongping Huang：机构信息未在 arXiv HTML 中可靠披露
- Yu Tsao：机构信息未在 arXiv HTML 中可靠披露
- Xugang Lu：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
语音增强需从加性噪声观测恢复干净可懂语音，自回归生成虽能修复重度缺损却易产生观测不支持的幻觉内容，而确定性增强保留观测耦合证据但残留噪声与局部失真。第一步负责生成观测耦合证据，冻结Whisper引导的DPRNN输出确定性波形并与原始观测混合后分词为FSQ离散证据序列，将该证据传递给生成器作为条件。第二步用于生成观测支撑锚点，证据与连续Whisper特征共同条件化自回归干净语音token生成器，码空间接地按FSQ汉明距离惩罚偏离并送入自适应选择，进入下一步。第三步负责解码精炼输出自然波形，残差信噪比条件化接地按整句自适应选择接地强度并冻结应用，邻域精炼在锚点汉明球与大模型Top-K交集中重排并传递给合成后端。与无约束生成相比，该机制以分级距离兼容替代硬token匹配，只在小半径内允许修正而封堵大范围无支撑偏移，兼顾内容保真与感知质量。在论文报告的评测设置下，本文方法相较UD的WER指标从9.3%降至8.5%，方向为更低。适用边界是：结论限于LibriSpeech合成加噪与DNS无混响条件，混响等卷积失真尚未验证，极端尾部错误仍难完全纠正。成本方面，GNR-LLM需一次额外教师强制前向，相对SNR-CSG增加约2.5%解码开销，训练与部署成本披露不完整。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，输出要保留什么？
输入是一段加性干扰下的含噪语音，目标是恢复干净可懂的语音波形。必须保留的信息有 3 类：语言内容是否与观测一致，说话人特征是否被保持，以及在有干净参考时信号层面的可懂度和失真水平。输出是增强后的波形，但论文把评价拆成忠实保持与感知质量两类，前者用词错率、语音语义相似度和说话人余弦相似度等衡量，后者用感知打分衡量，二者不同时成立是全文的起点。
沿一个样本走一遍有助于建立依赖：含噪波形先进入确定性前端得到增强估计，再与原始观测插值并分词为证据；同一含噪波形还给出连续语音表示；两者共同作为自回归生成器的条件，生成干净 token 序列后再经合成后端变回波形。白话说，确定性分支是紧贴观测的速写，生成分支是靠语言先验的补画，论文要解决的是补画时把内容画偏的问题。
确定性增强 × 生成式增强： 确定性增强负责紧贴观测波形给出单点估计，分工是保留语言内容和说话人证据，但易残留噪声或压掉弱语音；生成式增强负责用干净语音先验重建严重缺损区，分工是恢复自然度和上下文连贯，但先验过强会覆盖模糊证据而幻觉。两者搭配的理由是失败模式互补：前者提供观测支撑的位置，后者提供修复局部失真的能力，组合意义是把前者降格为不完美证据而不是最终答案，让后者在证据邻域内生成。
论文把确定性输出重新定位为不完美但与观测耦合的证据：它的作用不是规定唯一的干净 token 序列，而是划出观测支撑的生成应该发生的位置。这个定位决定了后续所有设计都不做硬 token 匹配，而是用码空间距离做软约束。
已有路线在同一任务上各修了哪一段？
在相同输入和相同增强目标下，确定性路线直接估计波形、频谱或时频掩码，运行阶段是 1 次前向得到单点估计，优点是内容不易大偏，代价是残留干扰、弱语音被抑制或局部伪影。生成路线包括扩散、流匹配和离散 token 路线，其中基于大语言模型的自回归路线擅长利用长程语言上下文修复重损区，但强先验会在声学模糊时覆盖证据而产生流利却不一致的幻觉。
已有降幻觉工作多改进供给生成器的信息，例如更稳健的音系表示、提纯后的语义条件或噪声不变的声学语义表示。论文指出这只修了输入条件，没有在解码过程中显式约束一旦开始自回归后模型偏向先验而非观测支撑选项的倾向。因此本文的对照点是解码时机制，而不是再换一个更强的条件编码器。
同监督与同运行阶段的对照需要小心：联合文本预测在某些连续特征配置下能修内容，但在更强的证据配置下反而使语音 token 词错率上升，所以语言监督不是通用的接地替代品。直接用增强后 token 做条件也不够，从仅用较弱增强 token 到结合更强证据与连续特征，词错率逐步下降，说明证据的表示方式本身决定生成行为。
为什么只改条件不够，还要在解码时设限？
问题可以表述为可靠性与自然度的折中。确定性系统在测试集上内容指标更好，生成系统在感知打分上明显更好，但自然不等于忠实。固定接地强度的扫描显示，中等接地降低词错率，过强接地拉低感知质量，说明证据压力能压住无支撑偏离，但证据本身的局部失真也会被转移到输出。
受控信噪比进一步显示最优点随声学难度移动：重噪声需要强接地，干净条件弱接地或无接地更好，单一全局强度无法跨条件稳健。这就引出两个待解操作：如何按句自适应选择接地强度，以及如何在不放开全局生成的前提下修复锚点继承的局部声学缺陷。论文用先构造观测支撑锚点、再在锚点邻域内局部重选的两段式回答该问题。
全景：证据从哪里来，到哪里被使用两次？
全景分 4 段。第一段用冻结语音编码器引导的确定性增强器构造与观测耦合的波形估计，再与原始观测插值并分词为离散证据，同时保留连续语音表示。第二段把离散证据与连续表示拼接为自回归生成器的声学条件。第三段在输出侧复用证据做接地，先按码空间兼容度与自适应强度得到完整锚点序列，再在锚点邻域内做 1 次局部重排。第 4 段用公共合成后端把最终 token 转回波形。
下面导读图 1 有助于把 4 段的位置关系固定下来，先看主路径再看汇合点与解码约束的位置。
看图路径： 1. 沿左上噪声语音到确定性增强再到插值与分词器的主路径，确认证据从何而来；2. 看右上连续特征与离散证据在自回归生成器之前如何汇合为条件输入；3. 看下方输出侧接地的四个子块如何从兼容度到强度再到锚点最后到局部精修串联；4. 对照图例中冻结与可训练、连续特征与离散码的颜色，区分哪些模块在解码时不更新
论文图 1。原论文 Fig. 1:：“Overview of the proposed evidence-grounded generative SE framework.”。
图 1 从像素上可分为 4 个编号区域：左上证据构造、右上条件生成、下方输出侧接地、右下合成。左上同时输出连续特征与离散证据 token；右上把两类条件送入可训练的自回归生成器得到下一步分布；下方把证据兼容度、残余信噪比强度、接地重排与邻域精修串成解码约束；右下冻结声码器只负责波形合成。关键是证据被使用 2 次：1 次作为输入条件，1 次作为输出侧惩罚与邻域中心。
观测稳定化 × 证据序列： 观测稳定化的分工是把确定性估计波形与原始含噪波形按权重插值，补回可能被确定性处理删掉的观测细节；证据序列的分工是把插值后波形送入冻结分词器得到的离散序列，同时用于自回归条件和输出侧接地。搭配理由是纯增强输出可能过平滑而纯噪声保留干扰，需要中间点平衡内容、说话人保持与感知质量，组合意义是后续所有接地都以该稳定化序列为基准，而不是以伪干净监督为目标。
主干配置把插值权重固定为 0.6 倍增强加 0.4 倍观测，后续所有解码方法共享同一增强器、分词器、语言模型检查点、提示条件与合成后端，保证比较的是解码策略而不是底座差异。
码空间如何度量兼容，解码分数如何被改写？
语音分词器工作在 25 赫兹，词表为 6561 个有限标量量化 token。白话解释，有限标量量化就是把每个 token 写成多个独立量化坐标的组合，而不是无关类别编号；汉明距离就是数两个 token 有多少个坐标不同，不计每坐标变化幅度。原生分解经检查为 8 个三值坐标，因为 3 的 8 次方等于 6561。知道词表大小不能反推分解方式，这是原文明确提醒的几何前提。
有限标量量化 × 汉明距离： 有限标量量化的分工是用多个独立量化的标量坐标表示一个语音 token，从而给出可分解的码空间结构；汉明距离的分工是数两个 token 有多少个坐标不同，给出分级的兼容度量。搭配理由是若把词表看作无关类别就只能硬匹配，而分解结构允许小误差通过、大偏离受罚，组合意义是证据定义的是观测支撑邻域而不是唯一目标 token，为后续接地惩罚和局部球搜索提供同一几何语言。
兼容度计算允许小的时间容差：在解码步附近窗口内取与证据 token 的最小汉明距离，窗口半径为 1，半径为 0 退化为严格逐位置比较。这样做是为了容忍增强与分词引入的局部定时偏移。
\[\bm{y}=\bm{s}+\bm{n},\]上式对应加性观测模型，符号为干净波形、含噪观测与加性干扰，长度相同。它只定义任务输入关系，不参与训练损失。
\[\widetilde{\bm{s}}=\mathcal{E}_{\theta}\left(\bm{y}\right),\]上式对应确定性估计的一般形式，符号为参数化增强模型从含噪波形得到单点增强波形。它是证据的起点，但论文不把它当最终输出。
无接地解码在每步取对数概率最大者，相当于贪心解码。码空间接地把分数改写为对数概率减去强度乘以证据距离，强度越大越偏向与证据兼容的 token。强度为零精确退化为无接地解码，这是可复述的边界条件。接地锚点即每步取改写后分数最大者，逐自回归得到完整序列。
码空间接地 × 信噪比条件接地： 码空间接地的分工是在每步自回归分数上减去与证据的汉明距离惩罚，按偏离程度连续施压；信噪比条件接地的分工是按整句校准残余信噪比选定一个 utterance 级强度并在整句固定使用。搭配理由是固定强度在难易条件下最优点不同，需要按声学难度分配接地预算，组合意义是把接地规则保持不变、只自适应锚点位置，困难时多改、干净时退化为无接地解码。
自适应强度来自残余信噪比代理：用增强能量与残差能量比取对数，再经开发集仿射校准并经冻结分档映射到 9 个强度。强度在整句固定，只自适应锚点位置而不改变接地规则本身。
接地锚点 × 局部大语言模型精修： 接地锚点的分工是先给出一条观测支撑的完整 token 轨迹，锁定允许搜索的大致区域；局部大语言模型精修的分工是在冻结锚点历史下，用冻结生成器做 1 次教师强制前向，只在锚点周围的汉明球与模型前 K 候选交集内重选最高概率者。搭配理由是锚点保忠实但可能继承证据的局部声学缺陷，直接放开全局解码又会重引入幻觉，组合意义是把生成灵活性只恢复到已排除大偏离的局部区域内，且精修结果不回填后续历史。
局部精修在得到完整锚点后做 1 次教师强制前向，每步历史固定为锚点前缀，候选集取模型前 K 与锚点周围汉明球的交集并恒保留锚点，最终取交集内最高概率者，平局保留锚点，精修结果不回填后续历史。因此它是逐位置精修而不是第二次自回归解码。
哪些参数更新，哪些冻结，监督从哪里来？
训练分两条线。确定性增强器侧，语音编码器冻结，只训练投影与门控注入及掩码估计与波形解码部分，用负尺度不变信号失真比优化，输入为 4 秒波片段。论文未报告该部分完整的梯度细节与全部超参数搜索过程，复现时应以原文给出的编码器通道、核、步长、块数与隐维为准，不从模型名推定额外实现。
自回归侧，主干从指令模型初始化并全量微调，不用低秩适配，语音编码器保持冻结，词表扩至包含 6561 个语音 token 与语音特殊 token，连续特征经堆叠与两层投影映射到语言模型维度，目标是对干净有限标量量化 token 流的自回归交叉熵。分词器、流匹配模型与波形解码器全程冻结，随机种子固定。解码阶段引入的接地与精修不带来可训练参数，也不训练重排网络，只增加 1 次教师强制前向，原文报告相对解码开销约 2.5%，该数字是开销描述而非延迟承诺。
需要区分的是：冻结参数不等于系统输出确定，贪心选择与固定长度协议是解码协议的选择；无训练的解码改进不能说成确定性求解，只是推理时搜索与打分规则的改变。
数据、协议与指标如何组织比较？
训练数据由全部 960 小时朗读语音与噪声库混合而成，信噪比在负 5 到 20 分贝均匀采样，共 281224 个含噪干净对，噪声池按九成训练与一成评测划分。域内评测用干净开发集与测试集的合成子集，另有相同 480 句在 5 个信噪比下的配对受控套件，以及 150 句的外部无混响测试集且不做针对性调参。报告的词错率默认是截断于 1 的平均句词错率，尾部与分位数分析才用原始词错率，二者聚合口径不同不能直接互比。
解码协议是公平比较的关键：自由解码用模型自然结束符，其余无接地、固定接地、自适应接地与局部精修都生成与证据等长的固定长度并在最后一步前抑制结束符，无接地等价于强度为零的接地。指标方向为词错率越低越好，语音相似度、说话人相似度与感知打分越高越好，信号指标越高越好。内容指标与感知指标分开报告，避免把自然度当忠实度。
自适应接地的校准参数、阈值与强度档、时间容差都在开发数据上确定并冻结后评测；局部精修主配置取较大邻域，另报告较小邻域作对照。外部条件调参强度只作事后参考，不计入可部署比较。
主结果：自适应接地是否给出可用的自动折中？
比较的问题是：在同一底座与同一固定长度协议下，自适应接地相对无接地与固定强度，能否在不逐条件调参的情况下同时保住内容与感知。下表把确定性保真优势与生成感知优势放在同一视野，指标方向为词错率越低越好、感知打分越高越好。
| 条件 | 指标 | 确定性较优 | 生成较优 | 共同底座 |
|---|---|---|---|---|
| 测试集内容 | 词错率 | 6.5% | 14.0% | 9.0% |
| 测试集内容 | 语言与说话人保持 | 0.938，0.847，0.864 | 生成感知高但内容差 | 证据稳定化后改进 |
| 测试集感知 | 感知打分 | 2.465，3.311 | 3.639，3.811 | 3.559，3.754 |
上表整理自原文连续报告：确定性分支词错率与语言相似度更好，生成分支感知打分更高，共同底座通过更强证据与稳定化把词错率降到 9.0% 并保留感知质量。它说明底座已具备可比起点，后续增益应归因于解码策略。主要收益是自适应接地在开发与测试集上接近各自分裂最优固定强度的词错率，同时保留更高的感知打分；具体代价是任何接地都会相对无接地损失一部分感知质量，固定强接地损失更大。
看图路径： 1. 沿横轴信噪比从难到易，看平均接地强度曲线的下降趋势；2. 对照柱状的被修改位置比例，确认预算是否主要花在困难条件；3. 注意 15 分贝处是否趋近零，据此判断干净时是否退化为无接地
论文图 5。原论文 Fig. 5:：“Adaptive grounding behavior across acoustic conditions.”。
图 5 显示随着信噪比升高，平均接地强度与被修改位置比例同步下降，在最干净处趋近零。支持的判断是自适应策略把预算花在困难条件，干净时自动放松到接近无接地；限制是总体趋势不等于每句都单调，还需看尾部与分条件表。
下面导读固定强度与自适应点的折中位置，横轴感知质量越高越好，纵轴词错率越低越好。
看图路径： 1. 在左图沿横轴感知质量与纵轴词错率看固定强度点形成的折中轨迹；2. 在右图看银行子集上的严重内容偏离如何随接地增强而变化；3. 找到自适应 operating point 相对固定点的位置，判断其是否为折中而非两端最优
论文图 4。原论文 Fig. 4:：“Reliability–naturalness trade-off on the test set.”。
图 4 左图固定强度点连成随强度增强先降词错率后降感知的轨迹，自适应点落在中间而非端点；右图在严重偏离子集上接地明显压低尾部词错率。未胜出项是自由解码与无接地在感知端仍占优，说明接地不是无代价正则，而是用感知换忠实的可控旋钮。
低信噪比与外部条件：局部精修挽回了什么？
在受控信噪比下要同时看内容与感知，因为接地在重噪声下感知代价最大。下表聚焦负 5 与 0 分贝及外部无混响条件，词错率越低越好，感知越高越好，oracle 与事后调参只作参考不计入可部署最优。
| 条件 | 指标 | 自由解码 B5 | 自适应接地 SNR-CSG | 局部精修 G50 |
|---|---|---|---|---|
| 负 5 dB | 词错率 WER (%) | 26.7 | 24.4 | 23.9 |
| 负 5 dB | 感知 UTMOS | 3.592 | 2.993 | 3.299 |
| 0 dB | 词错率 WER (%) | 13.5 | 12.2 | 12.5 |
| 0 dB | 感知 UTMOS | 3.715 | 3.469 | 3.602 |
| 外部无混响 | 词错率 WER (%) | 9.2 | 8.4 | 8.6 |
上表的主要收益是局部精修在负 5 分贝把词错率再降 0.5 个百分点，同时把感知从 2.993 拉回 3.299；在 0 分贝以 0.3 个百分点词错率为代价换回感知提升。外部条件下冻结自适应策略取得最低可部署词错率 8.4，局部精修词错率 8.6 与事后调参持平但感知更高。限制是较大邻域在最难处修正能力更强但在干净处可能引入不必要替换，较小邻域更保守；尾部最极端的 50 句上局部精修弱于固定强接地，说明当正确实现不在邻域或排序靠后时局部重排无法挽回灾难性锚点错误。
几何与强度消融：为何是原生分解与按难分配？
要回答的第一个问题是码空间几何是否真能区分证据小失真与生成大偏离。下表把距离分布与可分性放在一起，汉明距离越小表示越兼容，曲线下面积越大表示越可分。
| 对象 | 距离均值 | 距离中位数 | 可分性 AUC |
|---|---|---|---|
| 证据失真 | 1.25 | 1 | 0.6664 |
| 生成偏离 | 2.43 | 2 | 0.6573，0.6393 |
| 随机替换 | 5.34 | 5 | 0.5796 |
上表对应的原文还报告百分之 82 的确定性失真帧落在汉明半径 2 以内。它支持的判断是证据误差主要为局部，而无支撑偏离平均需要更大移动；原生细粒度优于逐级粗化与平面类别，说明分解内部确有可利用的几何信息。反证是可分性绝对值并不高，因此几何只能做软先验，不能做硬分类。
下面导读图 3 实际像素的细节，先看上面板 3 类分布峰位与拖尾，再看下面板不同粒度柱高。
看图路径： 1. 在上面板比较三类汉明距离分布的峰位与拖尾，确认证据失真是否更集中在小半径；2. 读下面板四种粒度下的柱高，确认原生细粒度分解是否保留更多几何信息；3. 注意上面板标注的均值与中位数顺序，不要把随机替换的远距离当作生成偏离
论文图 3。原论文 Fig. 3:：“FSQ code-space analysis. (a) Frame-level Hamming-distance distributions for deterministic evidence distortion, generative deviation, and random token pairs.”。
图 3 上面板 3 类分布峰位依次右移，证据失真集中在 0 到 1，生成偏离更分散，随机替换远在 5 附近；下面板原生柱最高达到 0.666，粗化单调下降，平面最低为 0.580。教学例子是：若把词表当无关类别，就相当于只用是否相等判断，等价于最右柱的弱可分性。该几何同时为锚点附近局部邻域搜索提供结构化候选范围。
第二个问题是固定强度是否存在随难度变化的折中。下表比较开发与测试集上的词错率与感知，词错率越低越好，感知越高越好，同一列比较才有意义。
| 解码设置 | 开发集词错率 WER (%) | 开发集 P808 | 开发集 UTMOS | 测试集词错率 WER (%) | 测试集 P808 | 测试集 UTMOS |
|---|---|---|---|---|---|---|
| 无接地 UD | 10.0 | 3.578 | 3.782 | 9.3 | 3.558 | 3.754 |
| 弱接地 0.5 | 10.0 | 3.542 | 3.707 | 8.6 | 3.533 | 3.693 |
| 强接地 1 | 10.2 | 3.552 | 3.717 | 8.5 | 3.488 | 3.589 |
| 自适应 SNR-CSG | 9.8 | 3.518 | 3.639 | 8.5 | 3.509 | 3.633 |
上表显示中等与强接地能压低测试集词错率到 8.6 与 8.5，但感知同步下降；开发与测试最优固定强度不一致，说明单一全局强度不稳健。自适应策略在两分裂上分别取得 9.8 与 8.5，接近各自最优固定强度，同时保留更高的感知打分。信号层面确定性分支的改进与锚点几何同样表明，证据质量本身是条件相关的：确定性分支把可懂度从 0.924 提升到 0.937，感知从 2.311 提升到 2.522，信号失真从 16.50 dB 提升到 17.30 dB，而锚点到证据平均不到一个坐标。
哪些边界未被测到，哪些数字不能推广？
未评测边界包括混响与其他卷积失真，原文结论明确限定在加性噪声与无混响条件，未来工作才计划研究更丰富的可靠性信号。训练资源与硬件预算按原文只交代片段时长、批量与早停依据，未给出完整耗时与内存，推理开销只报告相对前向比例，不能换算为实际延迟。输出帧率与端到端延迟是不同量，未测量时不承诺改善。
统计口径需要固定：主表用截断平均，尾部用原始词错率与分位数，二者不能混比；百分点变化与相对百分比变化不同，0.5 个百分点下降在高基线与低基线上的相对意义不同。自动感知打分不是人评，不能把打分上升直接写成听感必然更好。受控表显示 10 分贝较大邻域感知值需核验，引用时应标注该不确定性而不自行取舍。
另一个限制是候选可用性与选择能力分离：即使邻域覆盖干净 token，冻结模型的排序仍可能选错锚点替代者。接受编辑率随信噪比改善迅速下降，说明精修只在困难时积极，干净时保守，这既是优点也是其在极端尾部乏力的原因。
复现时先固定什么，再跑哪组对照？
先固定信息条件：同一增强器、同一证据插值权重 0.6、同一分词器与合成后端、同一语言模型检查点与提示条件，再固定解码长度协议与结束符抑制规则。只有在这些一致后，比较无接地、固定强度、自适应强度与两种邻域配置才有意义。校准用的仿射系数、阈值与强度档、时间容差与邻域半径应直接采用开发集冻结值，不在测试集上重调。
建议的第一组对照是固定强度扫描，复现随强度增强词错率先降、感知下降的折中曲线；第二组是按信噪比分条件看最优点漂移；第三组是在完整锚点上加 1 次教师强制局部精修，对比两种邻域的覆盖与接受编辑率。若要迁移到外部无混响集，应冻结全部策略直接评测，把条件调参强度仅作事后参考。
代码与权重层面要区分开源代码、可下载权重与可运行系统：即使有代码，若分词器、流匹配与声码器版本不一致，波形合成与 token 对齐都会漂移。复现记录应保留数据集划分、模型基线、实验阶段、指标、单位与聚合对象，数值相同不代表指标相同。
何时值得尝试这种解码，收束时记住什么？
当自回归语音增强已能给出自然输出但内容保真不足，且手头有一个紧贴观测的确定性估计时，值得尝试把该估计降格为证据并在码空间做软接地。困难句用较强接地、干净句放松接地的按难分配，比全局固定强度更稳健；锚点得到后不要直接合成，若低信噪比感知掉得明显，可在锚点小汉明球与模型前 K 交集内做 1 次不回填的局部重选。
收束为三句话：证据定义区域而非目标，强度按句分配预算，精修只在区域内恢复灵活性。代价是感知与忠实的交换依然存在，尾部灾难仍需更好的可靠性信号与候选排序。还需补的验证是混响、真实录音与人评，以及完整计算预算与延迟测量，之后再谈部署收益。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses