标签：#语音识别 | #偏好优化 | #说话人分离标注 | #LoRA | #医疗音频
评分：6.3/10 | 创新 1.3/2 | 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 0.7/1.5 | 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
- Weiming Li：机构信息未在 arXiv HTML 中可靠披露
- Ana Catarina Fidalgo Barata：机构信息未在 arXiv HTML 中可靠披露
- Miguel Constante：机构信息未在 arXiv HTML 中可靠披露
- João Miguel Sanches：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
临床抑郁访谈需要把每句话同时转写并归属到医生或患者，级联式先做说话人分离标注再启发式指派角色容易误差传递。方法链分三步：先用XTTS重建DAIC-WOZ双人音频并做PDCH-HAMD患者级划分，再以低秩适配（Low-Rank Adaptation，LoRA）微调Whisper-large-v3输出带角色标签与时间戳的序列，同时用加权辅助帧级角色头约束编码器，最后把训练中触发重复的真实失败作为拒绝样本、真值作为偏好样本做DPO精炼。与共享对齐器的级联基线相比，关键差异在于省去独立分离标注模块并用失败本身提供偏好信号，无需人工偏好标注。在DAIC-WOZ测试集评测下，DiaWhisper-DPO的DER为0.119，低于最强级联基线CAM++的DER 0.431。该方法在PDCH-HAMD测试集上报告角色准确率0.757和DER 0.313，覆盖26个测试会话与78个会话种子配对。结论限于重建的双人英语访谈与声音转换后的中文 HAMD 访谈，未验证真实双通道采集、多方重叠与抑郁筛查下游增益。原文未披露训练、推理或部署成本。
🔗 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
临床访谈转写为什么必须知道谁在说话？
输入是医生与患者的临床访谈录音，目标是输出每句话的文字、起止时间以及说话人是医生还是患者。论文的研究对象不是通用会议转写，而是抑郁筛查场景：患者的用词、犹豫、应答延迟和轮替动态只有在正确归属后才有临床含义，而且同一句话由医生说出和由患者说出含义不同。如果把患者的话算到医生头上，后续筛查信号会被扭曲，因此角色归属错误不是小瑕疵，而是直接影响下游解释。
传统做法是级联系统：先做说话人日志切分，再用启发式规则把匿名说话人映射到医生或患者。论文指出这种设计的风险是误差跨阶段传播，前一步切错，后一步无法纠正，且两个阶段不能互相修正。初学者容易以为只要字错率低就够用，但这里即使文字全对，角色标反也会改变临床判断，所以必须同时考核内容与归属。
说话人日志 × 角色归属： 说话人日志负责把音频按时间切成谁在说话的片段，角色归属负责把这些片段映射到医生或患者这类临床身份，二者搭配的原因是仅知道换人不够，还要知道临床含义，组合意义是论文把两步合并为直接输出带角色标签的时间戳文本，避免级联传错。
本文面向刚入门的研究生，保留的关键信息是任务定义、数据构造方式、端到端模型结构、失败挖掘偏好优化的构造方法、推理重试机制、评价指标口径和跨语言验证条件。输出是 1 篇可核对、可复述方法的技术解读，不评价临床有效性，不推测未报告的延迟与成本。
同输入同目标的已有路线有何不同？
在相同输入与相同目标下，已有工作主要有 3 条路线。第一条是级联式说话人日志加角色指派，优点是模块成熟、可替换，缺点是论文明确指出的误差传播。第二条是联合序列转导，把转写与角色或说话人归属放在一个模型里直接生成，这正是本文继承的方向。第 3 条是工具层面的改进，包括对 Whisper 的参数高效适配，以及对中英混杂语音的偏好优化，论文引用它们说明微调与偏好优化已有先例。
本文与它们的区别在于监督来源与负例来源。已有偏好优化常需要人工标注偏好对，而本文用模型自身真实解码失败做拒绝样本，用标准答案做选中样本，不增加人工标注。已有联合模型多在受控数据上验证，而本文同时设置英语 DAIC-WOZ 重建双人对话与中文 PDCH-HAMD 语音转换真实访谈两个互补语料，分别检验受控条件与跨语言真实会话。这种对照不是简单换数据集，而是区分合成声学条件与真实会话噪声的影响。
需要提醒的是，论文没有声称解决通用多人会议问题。研究限定为医生与患者两方，另设一个重叠打断标记，指标解释也限定在只有两个角色的条件下。把结论推广到多人、多语言或实时系统，需要额外验证。
论文把任务形式化成什么可测问题？
论文把每次临床访谈看作一个会话，输入是连续音频，输出是按时间排序的三元组序列，包括角色、开始时间、结束时间与文本。角色集合是医生、患者与表示重叠的打断标记。评价时先做时间对齐，未能对齐到的参考轮次记为错误，再分别计算内容与归属指标。这样的形式化把漏转、错标与文字错误分开，便于定位失败。
数据方面存在两个现实约束。DAIC-WOZ 只公开发布被试侧音频，无法直接评价双人对话，因此论文用真实转录文本重建双人对话。PDCH-HAMD 是真实中文抑郁问诊与汉密尔顿量表评估录音，为隐私做过声音转换，并按患者划分数据，避免同一说话人出现在不同数据子集。两个语料的构造方式不同，恰好对应受控合成与真实会话两种条件。
举例说明：假设一段音频里医生问诊后患者停顿回答，理想输出应包含医生提问的时间段与文本，以及患者回答的时间段与文本。如果系统把患者回答整体漏掉，属于覆盖问题；如果转出文字但标成医生，属于归属问题。论文用不同的指标分别捕捉这两类错误，这也是后文同时报告 DER 与 AER 的原因。
两阶段管线如何从波形走到带角色的时间戳文本？
整个方法分为两个阶段，共用同一推理流程。第一阶段训练 DiaWhisper，第二阶段提炼为 DiaWhisper-DPO。沿一个约 29.5 秒的音频块走一遍：波形先进入 Whisper 编码器得到帧表示，解码器自回归生成带时间戳与角色标签的文本序列，辅助角色头在训练时额外对编码器帧做角色分类，推理时丢弃。解码输出被解析为角色与起止时间加文本，再按会话拼接。
第一阶段解决基础能力，即让 Whisper 学会新的输出格式与双人角色区分。第二阶段解决稳定性与重复循环问题，即用第一阶段模型在训练集上真实触发的失败做偏好优化。图 1 把这种分工画得很清楚，左侧是数据与主干，中间是联合训练，右侧是偏好提炼。
下图为论文训练管线原图，左侧训练数据进入冻结主干加可训练适配器的编码器与解码器，下方有训练期专用的帧级角色头，右侧为每种子独立的 DPO 提炼分支，读图时注意区分训练期存在与推理期丢弃的部件。
看图路径： 1. 先从左侧训练数据波形沿箭头看到编码器与解码器两大框；2. 再看下方绿色辅助角色头如何把帧标签与加权损失送回编码器；3. 最后看右侧第二阶段如何把同一输入窗分成选中与拒绝两路并训练新 LoRA
论文图 1。原论文 Figure 1:：“Training pipeline: Stage 1 produces DiaWhisper; Stage 2 refines it into DiaWhisper-DPO. Both share the inference procedure in Section 2.4.”。
从像素可见，顶部标明训练模式与 Whisper-large-v3 加 LoRA 且主干冻结，编码器框注明查询与值投影可训练并输出共享表示，解码器框给出时间戳加角色加文本的示例格式，底部绿色框标明帧级角色标签与来自声纹间隔的加权交叉熵，右侧红色框标明选中为标准答案、拒绝为模型失败并用偏好损失训练新适配器。图中蓝色虚线表示两处梯度回传到共享编码器适配器的路径，这是理解联合训练的关键。
编码器、解码器与辅助头各自算什么？
模型主干是 Whisper-large-v3，基础权重冻结，只在编码器与解码器的自注意力查询与值投影上加 LoRA 适配器，秩为 16，缩放系数为 32，丢弃率为 0.05。目标序列沿用 Whisper 原生的时间戳标签文本时间戳格式，只是把文本段替换为带角色标签的段，标签包括医生、患者与重叠打断 3 种。论文说明只有这 3 个角色词的嵌入与输出行被解冻，其余词表保持不动，这是复现时必须保留的冻结条件。
辅助角色头是一个单线性层，对每个编码器帧输出 4 类，包括医生、患者、打断与无话音，每 30 秒块对应 1500 帧。该头只在训练时存在，推理时丢弃。它的作用是给编码器提供逐帧监督，使共享表示更易区分说话人。初学者可以把解码器理解为负责生成可读转写，辅助头理解为负责在帧级别提醒编码器注意谁在说话。
参数高效微调 × 辅助帧级角色头： 参数高效微调指冻结 Whisper-large-v3 主体、只训练 LoRA 适配器以节省训练量，辅助帧级角色头指挂在编码器每帧上的线性分类器提供逐帧角色监督，二者搭配的原因是解码器学序列格式、编码器需要帧级说话人信号，组合意义是训练时双损失联合塑造共享表示，推理时丢掉角色头只用解码器输出。
帧权重的来源是声纹相似度间隔。每帧先用说话人嵌入模型提取向量，再计算该向量与本会话医生声纹中心和患者声纹中心的余弦相似度之差，差的绝对值越大表示越确信。论文把该间隔按阈值分成 5 档，权重从 0.4 到 1.0，对应实测可靠性从约 39% 到约 99.8%。低置信帧在损失中被降权，以减少模糊帧的梯度干扰。
该加权交叉熵损失的符号与输入含义如下段公式所示，重点是权重与帧标签的对应关系以及对共享编码器的影响路径。
\[\mathcal{L}_{diar}=\frac{1}{T}\sum_{t=1}^{T}w_{t}\cdot\mathrm{CE}\big(g_{\phi}(h_{t}),\,r_{t}\big)\]公式中 T 为块内帧数，ht 为第 t 帧编码表示，rt 为该帧真实角色，wt 为由声纹间隔得到的置信权重，CE 为交叉熵。计算目标是对高置信帧更严格、对低置信帧更宽容。原文明确的实现是该损失通过共享表示反向传播到编码器 LoRA，因此它确实参与塑造编码器，而不只是训练一个孤立分类器。
两阶段训练与失败挖掘偏好对如何构造？
第一阶段联合优化解码损失与辅助日志损失，权重系数为 0.3。解码损失是序列目标上的教师强制交叉熵，辅助损失是上一节的加权帧交叉熵。训练超参数为学习率 0.0001，有效批量 16，训练 3 轮，覆盖 3 个随机种子。理解批量与轮数时要注意，这是适配器训练而非全参数训练，计算量与全量微调不同。
下式为第一阶段总目标，符号含义与权重选择直接决定两路监督的相对强度。
\[\mathcal{L}_{V1}=\mathcal{L}_{dec}+\lambda\cdot\mathcal{L}_{diar},\quad\lambda=0.3\]公式中 Ldec 为解码器序列损失，Ldiar 为辅助帧损失，λ 为 0.3。论文给出该数值的安排，但未在证据中展开扫参过程，因此复述时只写采用 0.3，不推测其他取值必然更差。
监督微调 × 直接偏好优化： 监督微调是让模型模仿标准答案的交叉熵训练，直接偏好优化是让模型拉开标准答案与错误答案的对数概率差距，二者分工是前者建立基础转写能力、后者纠正已出现的重复循环等失败模式，搭配原因是额外多看一遍标准答案不如直接对比失败，组合意义是只用失败挖掘的偏好对就降低种子方差。
第二阶段是失败挖掘的直接偏好优化。从训练窗中触发 8 词重复判据的样本里，每种子约采样 500 个偏好对，英文 3 种子各 500，中文为 499、500、499。每个对的输入是音频窗，选中为标准答案，拒绝为模型自身的真实失败。实现上先合并并冻结第一阶段参数，只优化新初始化的策略 LoRA 适配器，参考模型为冻结的第一阶段模型。超参数为偏好锐度 0.1，学习率 0.00005，训练 1 轮，且挖掘与训练按种子独立进行。
偏好目标的符号与计算如下式所示，先理解对数概率差的含义，再看 Sigmoid 与锐度的作用。
\[\mathcal{L}_{DPO}=-\log\sigma\big(\beta[\Delta_{\theta}-\Delta_{ref}]\big)\]公式中 πθ 为当前策略，πref 为冻结参考，x 为输入窗，yc 为选中，yr 为拒绝，Δθ 与 Δref 分别为策略与参考对选中与拒绝的对数概率差，β 控制偏好锐度，σ 为 Sigmoid。优化目标是让策略相对参考更偏向选中。原文未给出该损失之外的梯度裁剪等细节，缺项即如实指出，不从模型名推定。
推理与解码和训练共用格式但边界未知。音频被切为约 29.5 秒块，边界在正负 2 秒内吸附到最近低能量停顿。每块用贪心解码，因为束搜索常破坏微调后的角色与时间戳结构。停止条件是连续 8 个重复词或达到词预算，这也是 DPO 挖掘判据。若重复截断导致覆盖不全则最多重试 4 次，重试时从估计点用采样继续，温度 0.5，核采样 0.9，因为在近似相同上下文下继续用贪心会复现循环。输出解析为角色与起止加文本并按会话拼接，2 个模型共用此流程，仅检查点不同。
数据划分、基线与指标口径是否可比？
DAIC-WOZ 划分为 132 个训练、28 个验证与 29 个测试会话。PDCH-HAMD 子集为 100 个会话共 49.8 小时，来自 73 名患者，按患者划分 51 个训练、11 个验证与 11 个测试，对应测试为 26 个会话。DAIC-WOZ 的双人音频由真实转录经语音合成重建，每会话每角色用两个声音交叉组合成 4 种变体，再用会话标识与文件名的哈希确定性选一种，以保证语音分配近似均衡且不跨划分泄漏。中文验证用语音转换后的真实访谈，患者级划分防止说话人身份跨集。
基线是 3 个级联系统，共享同一第一说话人启发式与对齐器，仅日志模块不同，分别为 ECAPA-TDNN、CAM++ 与 pyannote.audio。这种设计使比较聚焦于日志质量，而非启发式差异。需要核对的是，所有系统报告 2000 次会话自助法的置信区间，DiaWhisper 类系统在每个采样会话内合并 3 个种子，这是理解区间含义的前提。
字错率 × 归属错误率： 字错率衡量文字内容转得对不对，归属错误率衡量在已对齐到的轮次里角色标得对不对，二者搭配的原因是临床分析既要内容又要归属，组合意义是论文同时报告覆盖相关的 DER 与条件准确率类的 AER，以区分漏转和标错两种失败。
指标包括轮级角色准确率、字错率或字错误率、归属错误率与日志错误率。轮级角色准确率经时间对齐后计算，未匹配到的参考轮次记为错误。归属错误率只在非缺失的已匹配轮次上计算，覆盖错误由 DER 承担。两式的符号与分母含义如下。
\[\text{AER}_{r}=\frac{|\{t\in D_{r}:\text{pred\_role}(t)\neq r\}|}{|D_{r}|}\]上式中 Tr 为角色 r 的参考轮次集合，Dr 为其中预测非缺失的子集，分子为预测角色不等于 r 的轮次数。它的条件含义是给定已转出，角色标对的比例。
\[\text{DER}=\frac{\text{MD}+\text{SC}+\text{FA}}{\text{TOTAL}},\]上式中 MD 为漏检参考时长，SC 为错配时长，FA 为非重叠预测时长，TOTAL 为参考语音总时长。在只有医生与患者两角色时，SC 直接反映角色错误，因此论文把 DER 解释限定在此任务内，不做通用日志结论。
论文还做了真实与合成声学校验，只覆盖 DAIC-WOZ 患者侧，因为没有公开发布真实访问者音频。转写匹配的真实与合成患者音频时，189 个会话平均字错率为 0.136 对 0.106，测试子集为 0.107 对 0.099。该对照用于量化重建引入的声学域差距，数值相近但合成略易，复述时保留原分组写法，不拆成独立单位。
主结果在两套数据上分别支持什么判断？
要回答的核心问题是失败挖掘偏好优化是否同时改善准确率与稳健性，比较条件是同一测试集、同一指标口径，指标方向为角色准确率越高越好，DER、字错率与 AER 越低越好。下表把英文受控条件与中文真实会话条件的关键数字放在一起，保留最强级联基线、第一阶段模型与提炼后模型的对照，便于区分基线强度与提炼增益。
| 数据集 | 指标 | 最强级联基线 | DiaWhisper | DiaWhisper-DPO |
|---|---|---|---|---|
| DAIC-WOZ 测试 29 会话 | 角色准确率 | CAM++ 约 0.758 | 约 0.645 种子波动大 | 0.973 |
| DAIC-WOZ 测试 29 会话 | DER | 最强基线 0.431 | 0.485 | 0.119 |
| PDCH-HAMD 测试 26 会话 | 角色准确率 | 约 0.514 | 约 0.570 | 0.757 |
| PDCH-HAMD 测试 26 会话 | DER | Pyannote 的 0.574 | 约 0.447 | 0.313 |
| 2 个数据集 | 分角色 AER 医生患者 | 基线较高 | 中文 0.33 与 0.45 | 英文 0.01 与 0.02 中文 0.26 与 0.26 |
表后解释需要同时说明收益与代价。在 DAIC-WOZ 上，提炼后 DER 约为最强基线的 1/4，误报时长占比从基线约 30% 降到约 10%，角色准确率达 0.973。论文报告大字错率增益主要来自消除重复循环耗尽重试后的覆盖恢复，而不只是文字本身变准。在 PDCH-HAMD 上，排名相同但幅度变小，提炼后 DER 为 0.313，误报为 8 到 17%，误差更多来自漏检或错配。分角色 AER 在 2 数据集均为提炼后最低。
未胜出项是中文的绝对水平明显低于英文，说明噪声、未转录填充词与语音转换仍是挑战。甲骨文角色映射检查显示基线准确率仅变化 0 到 7 个点，而提炼后仍领先最优映射基线英文 21.5 个点、中文 17.1 个点，支持误差主要来自日志而非映射启发式的判断。
下图为缺失率与错角色率的分解散点，横轴是缺失率，纵轴是错角色率，均以参考轮次百分比计，越靠近原点越好，读图时先分清圆形英文与三角形中文再看同色虚线。
看图路径： 1. 先确认横轴是漏转率、纵轴是错角色率，越靠近原点越好；2. 再按颜色找同一方法的圆形英文点与三角形中文点并看虚线跨度；3. 最后定位深蓝色 DPO 点在两数据集上的位置差异
论文图 2。原论文 Figure 2:：“Missing rate vs. wrong-role rate by method, DAIC-WOZ (circle) and PDCH-HAMD (triangle); dotted lines join each method’s two points.”。
从像素可见，深蓝色 DPO 的英文圆点紧贴原点附近并标注更好，中文三角点在横轴接近零但纵轴约 25% 处，说明中文漏转已很少而错角色仍是主要残留。黄色 DiaWhisper 英文点缺失率最高而错角色率低，绿色 CAM++ 英文点缺失中等而错角色较低，橙色 ECAPA 两点均偏高。浅蓝 SFT 消融点位于两者之间，表明只做额外监督微调不能达到 DPO 位置。该图支持论文的机制解释，即英文增益多来自覆盖恢复，中文残差多来自归属判错。
增益来自偏好信号还是重试与额外曝光？
反证问题的设计是逐一替换提炼阶段或关闭重试，观察角色准确率是否还能保持。下表整理同一测试条件下的可运行变体，包括直接监督微调替代 DPO、人工负例替代真实失败、关闭重试前后的 2 个模型，指标方向仍为准确率越高越好、错误率越低越好。
| 变体 | 数据集 | 角色准确率 | 字错率 | 对照含义 |
|---|---|---|---|---|
| SFT 替代 DPO | DAIC-WOZ | 0.684 | 约 0.441 | 额外看标准答案但无偏好对比 |
| 人工负例 DPO | DAIC-WOZ | 0.910 | 约 0.279 | 人造破坏做拒绝样本 |
| DiaWhisper 无重试 | DAIC-WOZ | 0.280 | 约 0.761 | 去掉恢复机制的第一阶段 |
| DiaWhisper-DPO 无重试 | DAIC-WOZ | 0.971 | 约 0.047 | 去掉恢复机制的提炼后 |
| SFT 与人工负例 | PDCH-HAMD | 0.568 与 0.682 | 对应较高 | 中文排名保持但差距缩小 |
表后解释的关键是分离机制。在 DAIC-WOZ 上，去掉重试使第一阶段从 0.645 掉到 0.280，而提炼后仅从 0.973 微降到 0.971，说明提炼后已很少依赖重试恢复。用监督微调替代 DPO 仅到 0.684，说明增益不是多看一遍标准答案带来的。用人工负例仍可到 0.910，但种子波动为 0.037，是真实失败 0.002 的 18 倍，说明人造破坏能提升但稳定性更差。在 PDCH-HAMD 上，去掉重试使第一阶段从 0.570 到 0.509，而提炼后从 0.757 到 0.756 几乎不变，监督微调 0.568 仍在第一阶段种子噪声内，人工负例 0.682 居中。
匹配会话种子层面的改善更直接：英文 87 个匹配评估改善 0.220 到 0.442，中文 78 个匹配评估全部改善，平均 0.188。未胜出项是人工负例并非无效，而是在稳定性上输给真实失败，这正是论文强调分布内失败信号的原因。
真实失败 × 人工负例： 真实失败指模型在训练窗上实际触发 8 词重复判据的解码输出，人工负例指人为构造的角色交换、截断或循环破坏版本，二者分工都是做 DPO 的拒绝样本，但搭配比较的原因是检验信号真实性，组合意义是论文显示真实失败带来更小种子波动，说明分布内错误更值得学。
覆盖层面的数字进一步支持上述区分。在 DAIC-WOZ 全部 2694 块上，重试耗尽导致第一阶段 33.6% 语音未覆盖，而提炼后仅 3.2%。除覆盖外，匹配轮角色准确率也从 95.4% 升到 98.3%，且置信区间不重叠。在 PDCH-HAMD 上，匹配轮准确率从 62.3% 升到 75.9%，区间不重叠，但残差为 0.2% 缺失对 25.8% 错角色，说明中文瓶颈已转向归属判别。
哪些边界尚未验证、哪些数字不能混读？
论文明确报告的限制包括合成差距校验仅覆盖患者侧，因为没有公开发布真实访问者音频，因此不能用该校验说明医生侧的合成保真度。中文数据经过语音转换且含噪声与未转录填充词，绝对指标低于英文是预期内的，不能把英文 0.973 直接当作中文可达水平。输出仍需人工核验，因为错误归属可能扭曲抑郁筛查信号，论文在结尾明确写出该临床使用边界。
指标口径方面，角色准确率把未匹配轮次记为错误，而 AER 只在非缺失轮次上计算，DER 再综合漏检、错配与误报时长。数值相同不代表同一含义，例如准确率提升可能来自覆盖恢复，也可能来自归属变准，需要结合缺失率与错角色率分解图一起读。百分点差与相对百分比也不同，72% 低于最强基线是相对 DER 的表述，不能读成准确率高 72 个点。
资源状态方面，本次未发现来源绑定且完成验证的代码、模型或数据资源，因此不得声称代码、模型或数据已公开。复现讨论只能依据论文文字中的划分、采样与超参数，不补写下载链接或运行命令。训练与推理成本方面，论文报告了适配器规模、批量与轮数，但未报告硬件时长与实时延迟，缺项即指出，不承诺效率改善。
复现应先固定哪些信息条件与检查点？
复现先固定数据构造。英文侧需用真实转录重建双人对话，每会话每角色准备两个声音并交叉组合成 4 种变体，再用会话标识与文件名的哈希确定性选一种，保持近似均衡且不跨划分泄漏。中文侧需按患者划分训练验证测试，防止说话人跨集，并保留语音转换与填充词噪声的原始条件。划分数量按 132、28、29 与 51、11、11 核对，测试会话数按 29 与 26 核对。
模型复现先固定冻结与更新。冻结 Whisper-large-v3 主体，只训练查询与值投影上的 LoRA，秩 16、缩放 32、丢弃 0.05，只解冻 3 个角色词的嵌入与输出行。辅助头为单线性层四分类，训练期参与、推理期丢弃，权重来自声纹间隔的 5 档映射。第一阶段用学习率 0.0001、有效批量 16、3 轮、3 种子联合训练，权重 0.3。第二阶段合并冻结第一阶段参数，只训新策略适配器，用约 500 对每种子的真实失败偏好对，锐度 0.1、学习率 0.00005、1 轮、按种子独立挖掘与训练。
推理复现需保留贪心解码、8 词重复停止、词预算、边界吸附到低能量停顿、最多 4 次采样重试的完整流程，因为消融显示去掉重试会大幅改变第一阶段得分。评价时保留时间对齐、未匹配记错、2000 次会话自助区间、3 种子合并的聚合口径，以及 DER 与 AER 的分工。若缺少某项超参数或硬件预算，应记录为未报告缺项，不从模型名推定实现。
何时值得尝试这种失败挖掘提炼？
当任务是两方访谈的联合转写与归属，且已观察到重复循环导致大面积漏转与种子不稳定时，值得尝试本文路线。它的适用条件是能稳定复现真实失败，并能拿到与失败窗配对的标准答案，从而构造偏好对而不做人工偏好标注。若失败稀疏或标准答案不可靠，提炼信号会变弱。
可复述的方法链条是：重建或整理带角色边界的双人数据，用 LoRA 加辅助帧头训练端到端模型，收集触发重复判据的真实失败，用标准答案做选中、失败做拒绝做 DPO，最后用同一贪心加采样重试流程解码并解析为带时间戳的角色文本。判断成功的标准不只看平均准确率，还要看种子标准差是否下降、去掉重试后是否依然稳定、人工负例是否波动更大。
还需要补的验证是医生侧真实音频的合成差距、更多中文会话下的归属误差来源分解，以及面向筛查下游的误差影响评估。在补足之前，合理的使用方式是把系统输出当作需人工核验的初稿，而非直接临床依据。
📎 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