英文题目：Before the Warning Comes Too Late: Incremental Phone-Scam Detection from Speech
标签：#音频分类 | #RNN | #语音 | #流式处理 | #弱监督学习
评分：7.3/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Khang Nhat Hoang Vo：机构信息未在 arXiv HTML 中可靠披露
- Anh Trac Duc Dinh：机构信息未在 arXiv HTML 中可靠披露
- Tai Tien Ta：机构信息未在 arXiv HTML 中可靠披露
- Tho Quan：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
电话诈骗检测（phone-scam detection）的输入是原始电话语音，输出是随通话推进不断更新的欺诈风险，难点在于训练仅有通话级二值标签而推理需在证据零散出现时提前预警。所提 StreamFraudNet 先将已观测音频切分为重叠有界窗口并用冻结语音编码器提取帧表示，注意力池化将帧压缩为块向量后由双向循环网络建模窗口内时序依赖，窗口分类器输出隐式风险分再由可学习聚合器加权为当前通话级预测。在320个测试通话的合成英文基准上，该模型取得通话级判别效果受试者工作特征曲线下面积（Receiver Operating Characteristic-Area Under Curve，ROC-AUC）为0.9953，显著优于声学与均值池化对照而略低于匹配的全局循环基线。机制差异在于保留窗口内有序上下文并允许前缀推理，而非传统多示例学习（Multiple-Instance Learning，MIL）的置换不变聚合。适用边界是脚本化合成语音与普通话电话数据的受控验证，尚未证明在真实噪声信道和欺诈起始延迟上的优势。训练成本较低而推理包含冻结编码器，服务器端实测处理速度快于实时。
🔗 开源与复现资源
- 数据相关资源：https://huggingface.co/datasets/BothBosu/scam-dialogue — 链接可访问（HTTP 200）
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，输出是什么，为什么必须在挂机前更新？
这篇论文研究的输入是原始电话音频波形，不依赖语音转文字稿，也不依赖人工标出的诈骗时间段。输出不是挂机后的 1 次性标签，而是在通话进行中不断刷新的诈骗风险分。目标读者可以这样复述动作：系统先把已听到的音频切成固定时长小块，等凑够一个完整窗口就给第一个通话级分数，之后每收到固定步长的新音频就重新计算 1 次当前分数。必须保留的关键信息是训练监督只有通话级二值标签，告知整通电话是否诈骗，但不告知证据出现在第几秒。
推理必须在部分可观测前缀上工作。论文开场用电信诈骗损失与大模型诈骗流水线的背景说明时间敏感性，但方法本身不使用大语言模型推理，而是研究直接从原始音频学出可更新风险的可行性。学习时要记住两个约束：一是弱监督导致窗口分数只能当潜在风险，不能当已验证的定位；二是增量导致模型不能偷看未来音频，只能用截至当前时刻的完整窗口。
同类路线用了什么输入与监督，本文与它们如何对照？
论文把相关工作分成 3 条路线对照。第一条是基于通话记录元数据与图的方法，用时长、频率、交互结构建模，不处理语音内容，因此只在动机层面说明时序建模重要，不能当作同条件基线。第二条是声学与会话诈骗检测，包括声学描述子与语谱图分类、基于文本的大模型检测、音频语言大模型。论文指出转写路线需要语音识别中间步骤，高容量音频语言模型需要推理型监督，而本文选择紧凑任务头加二值会话标签的互补设置。
第 3 条是弱监督时序建模，包括注意力多实例聚合与弱监督声音事件检测。论文明确标准多实例聚合常与排列无关，而电话诈骗证据有序且可能跨多句累积，因此需要有序有界建模。
多实例学习 × 时序保持： 多实例学习把一通电话看成多个实例组成的包，只用包标签学习实例重要性，分工是解决无时间标注问题；时序保持要求保留证据出现的先后顺序，分工是反映诈骗话术逐步展开的特点。搭配原因是标准多实例聚合常与排列无关，会丢失先后信息，因此论文在包监督之外加入有序有界建模，使顺序成为归纳偏置而非事后解释。
对照时不要把类别差异当作同条件胜负。例如元数据方法与原始音频方法输入不同，Qwen2-Audio 思考模型用了更大模型与推理监督，与只用二值标签的 StreamFraudNet 不在同一监督与算力条件下，论文也把后者写成背景性参照而非受控排名。
诈骗证据为什么是局部出现，全局一次判决缺了什么？
论文用社会保障号诈骗例子说明，一通诈骗电话里可能既有看似正常的问答，也有高度可疑的索要敏感信息语句，信息量在时间上分布不均。如果只在通话结束给一个分数，就无法描述风险如何随对话展开而变化，也无法支持提前预警。下面的示意图把这一思想具体化，图中波形上 4 个框对应不同语句片段，只有部分框分数接近 1，其余框分数明显更低，展示了风险随时间起伏的形态。
为理解局部证据与全局标签的张力，请按图中时间方向与分数标注观察 4 个窗口的差异，然后再读图注的限定说明。
看图路径： 1. 先看底部时间箭头确认从左到右是通话推进方向；2. 对比红色高分框与蓝色低分框对应的说话人与文字内容；3. 读每个框下标注的 FS 数值，确认风险只在部分语句上较高；4. 记住图注提醒这些分数不是有监督的诈骗片段标注
论文图 1。原论文 Figure 1:：“An SSN scam example in which high latent fraud scores occur only for selected utterances.”。
该图显示受害者与诈骗者交替说话，诈骗者说社保号被暂停、要求确认社保号的窗口分数较高，受害者质疑与声明隐私的窗口分数较低。关键限定是图注明确这些分数只是说明估计风险可随对话变化，不应理解为有监督的诈骗片段标注。换句话说，高分只表示模型在该局部学到的潜在风险较高，不等于人工确认了诈骗发生位置。
弱监督 × 增量打分： 弱监督指训练时只给整通电话是否诈骗的二值标签，不给哪一句、何时出现诈骗证据的时间标注；增量打分指在通话未结束时就用已听到音频给出当前风险，并在新音频到达时更新。两者搭配的原因是真实预警必须在证据不完整时行动，而标注恰恰缺失细粒度位置，因此模型要从粗标签学出能随前缀更新的打分函数，组合意义是把学习目标定为终局可分的会话预测，把使用目标定为前缀可更新的当前预测。
StreamFraudNet 沿着一个样本走完哪几步？
沿着一通电话走一遍，动作顺序是切块、组窗口、编码、池化、建模时序、打窗口分、聚合当前通话分。系统先把波形按 2 秒切成块，默认窗口含 5 块、步长 1 块，因此首个预测需要 10 秒音频，之后每 2 秒可产生一个新完整窗口。每个完整窗口经过冻结 Wav2Vec2 得到帧表示，再经注意力池化得到块向量，再经 BiLSTM 得到上下文表示，再经第二层注意力与多层感知机得到 0 到 1 的窗口潜在分数。聚合器把截至当前时刻所有窗口分数加权平均成当前通话预测，新窗口到达就把分数序列延长并重算权重与预测。下面的结构图把滑动窗口、层级编码与顶层聚合画在一条主路径上，虚线框表示窗口随时间滑动，顶部条带表示聚合器。
要读懂该图，先沿底部波形向上追踪单窗口内的数据流，再看多个窗口分数如何汇入顶部聚合器，注意双向循环只在窗口内部。
看图路径： 1. 沿底部波形红框到 Wav2Vec 再到 AttPool 再到 BiLSTM 最后到 MLP 追踪主路径；2. 看虚线滑动框与 Slide Direction 箭头理解窗口如何随时间前移；3. 确认多个窗口分数 y 进入顶部聚合器再输出当前通话分数 y；4. 注意窗口内双向箭头只在当前窗口内，不指向未来未听到音频
论文图 2。原论文 Figure 2:：“Overview of StreamFraudNet. StreamFraudNet processes overlapping k-chunk windows using a frozen Wav2Vec2 encoder, attention pooling, and a BiLSTM.”。
图中底部是连续波形与红框标出的块，向上分别是 Wav2Vec、注意力池化、BiLSTM、注意力池化与 MLP，输出为各窗口分数后进入聚合器得到当前通话分数。滑动方向箭头表明新音频从右侧进入，旧窗口向左移出当前计算范围，但聚合器仍保留已观测窗口分数。论文强调该设计在窗口级增量而非帧级严格因果，因为 BiLSTM 在已完整窗口内可用双向信息，但不能访问未来未听到的音频。
窗口检测器与聚合器各自算什么，如何配合？
窗口检测器的输入是第 i 个窗口内的 k 个音频块，输出是该窗口的潜在分数。实现上先对每个块用冻结编码器抽帧表示，再用可训练向量做帧级注意力加权求和得到块向量，k 个块向量组成有序序列后送入单层 BiLSTM，每个方向 128 隐单元并带 dropout 0.2。第二层注意力对 BiLSTM 输出的 k 个上下文向量加权求和得到窗口向量，最后经多层感知机与 Sigmoid 得到分数。聚合器的输入是截至时刻 t 的全部窗口分数组成的有序序列，输出是当前通话预测。它用一个可训练标量 q 对分数本身做加权，加权形式使分数越高的窗口在当前预测中占比越大，但权重每次都按当前已观测窗口集合重新归一化。
有界上下文窗口 × 增量聚合器： 有界上下文窗口负责每次只看固定长度的音频块序列并输出一个潜在窗口分数，限制了单次判断的时间视野；增量聚合器负责把截至当前时刻所有已完整窗口的分数加权成当前通话级预测。搭配理由是窗口使首次预测和频繁更新成为可能，聚合器使历史证据不被丢弃，组合后系统既能早给分又能随证据修正，而不是只在挂机后判 1 次。
冻结语音编码器 × 循环时序建模： 冻结语音编码器指 Wav2Vec2 参数不更新，只把波形变成帧级语音表示，分工是提供已学好的声学与音素级特征并节省训练显存；循环时序建模指窗口内用 BiLSTM 对块表示建模顺序依赖，分工是捕捉跨句累积的语义与韵律变化。搭配原因是编码器本身不建模通话级诈骗逻辑，需要轻量任务头学习顺序组合，组合意义是只训约 0.953M 参数的任务头就能在粗标签下学到可分的时序模式。
注意力池化 × 窗口分类器： 注意力池化分两层工作，帧级把变长编码器输出压成固定块向量，块级把窗口内多个块表示压成窗口向量，分工是让模型自动加权重要帧与重要块；窗口分类器是多层感知机加 Sigmoid，分工是把窗口向量映射到 0 到 1 的潜在风险分。搭配原因是池化解决长度不一与信息不均，分类器提供可被聚合器加权的标量，组合后每个窗口只向上传递一个可比较的分数。
符号与计算目标需要分开理解。窗口构造把起始位置按步长滑动取连续 k 块，完整窗口数随已观测块数按向下取整公式增长。帧级注意力权重是对同一块内各帧的归一化，块级注意力权重是对同一窗口内各块的归一化，聚合权重是对截至当前所有窗口的归一化。三者都是用指数归一化实现加权，但归一化范围不同，这是复述时最容易混淆的地方。
\[\mathbf{w}_{i}=\left(x_{is+1},x_{is+2},\ldots,x_{is+k}\right).\]上式定义第 i 个窗口由哪些块组成，s 是块步长，k 是窗口内块数，窗口之间重叠因此相邻窗口共享部分音频。
\[\hat{y}_{i}=f_{\theta}(\mathbf{w}_{i})\in[0,1].\]上式说明窗口检测器把每个已观测窗口映射到 0 到 1 的潜在分数，论文反复提醒该分数未经时间级监督，不能当作定位真值。
\[\mathbf{H}_{i}=\operatorname{BiLSTM}(\mathbf{C}_{i})\in\mathbb{R}^{k\times 2H}\]上式说明 BiLSTM 把窗口内有序块序列变成上下文表示，H 是每方向隐维度，输出维度因此是 2 倍 H。
\[\hat{y}_{i}=\sigma\left(\operatorname{MLP}(\mathbf{h}_{i})\right).\]上式说明窗口向量经多层感知机与 Sigmoid 得到窗口分数，是检测器的最后一步。
\[\gamma_{i}^{(t)}=\frac{\exp\left(q\hat{y}_{i}\right)}{\sum_{r=0}^{N_{t}-1}\exp\left(q\hat{y}_{r}\right)}\]上式说明聚合器在时刻 t 对第 i 个窗口的权重，q 是可训练标量，权重随窗口分数单调变化并在当前窗口集合上归一化。
训练只优化什么，哪些中间预测没有被直接优化？
训练时模型处理整通电话的全部完整窗口，用终局聚合预测与通话级标签计算二值交叉熵。梯度经过聚合器、窗口分类器、BiLSTM 与注意力模块回传，预训练语音编码器保持固定。论文明确没有对单个窗口分数、中间前缀预测或时间位置加辅助目标，因此模型被训练成用完整对话做会话判别，而不是被直接训练成早期预警器。中间前缀预测之所以可用，是因为同一聚合器可作用于任意已观测前缀，但这些前缀预测没有参与损失。
同样，窗口分数之所以能随时间变化，是因为不同窗口内容不同且聚合权重依赖分数，但损失不保证单个窗口分数对应真实诈骗起始点。编码器训练策略的对照也在这里交代：冻结只训约 0.953M 参数，微调最后两层与全量微调会大幅增加可训练参数与训练显存，但论文报告没有带来性能增益，全量微调对学习率敏感。复述时要区分原始目标、实现与未做之事：原始目标是终局会话分类，中间更新是结构的附带能力，延迟感知训练是未来工作而非本文已做优化。
数据如何构造，划分与编码器配置是什么？
实验用两个会话级欺诈基准。受控英文基准由诈骗对话文本经 Edge-TTS 合成，采样 47 个英语说话人声音，每段对话用两个声音合成，音频转单声道并重采样到 16 kHz，按 2 秒切块并截断或补齐到 47 块。默认用冻结 Wav2Vec2-Base 编码器，窗口 5 块、步长 1 块、BiLSTM 每方向 128 隐单元。普通话 TeleAntiFraud-28K 基准用冻结 Mandarin Wav2Vec2-Large-XLSR 编码器，最多保留 30 块、步长改为 2，其余任务头结构不变。训练用 AdamW 与二值交叉熵，最多 25 轮，余弦学习率衰减并按验证 F1 早停，学习率按同一验证协议分别选择。
受控实验用种子 13、37、73 报告均值与样本标准差，3 种子集成平均预测分数并用验证选择阈值，置信区间用 10000 次标签分层自助估计，配对比较用自助检验、McNemar 检验并在每个检验族内做 Holm 校正。下面的整理表把 2 个数据集的规模与划分放在同一宽度下比较，数值写法保留原文，最后一列只写构造方式不引入新数字。
| 数据集 | 划分 | 总量 | 欺诈 / 合法 | 构造与编码器备注 |
|---|---|---|---|---|
| 受控英文合成基准 | 训练 | 1,280 | 640 / 640 | Edge-TTS 合成，47 个英语声音 |
| 受控英文合成基准 | 测试 | 320 | 160 / 160 | 每对话两个声音，2 秒切块 |
| TeleAntiFraud-28K | 训练 | 21,490 | 9,950 / 11,540 | 普通话电话对话，官方划分 |
| TeleAntiFraud-28K | 测试 | 7,021 | 3,697 / 3,324 | 用 Mandarin XLSR 编码器 |
该表显示受控基准平衡且规模较小，适合多种子受控比较，而 TeleAntiFraud 规模大且为真实语言分布，适合检验跨语言与跨数据集适用性。代价是两者合成与真实程度不同，合成基准缺少自发打断、噪声、信道失真与 evolving 话术，跨表比较时不能把合成集上的排序直接推广为真实部署排序。资源状态方面，论文给出的数据集链接本次核查为可用，地址为 https://huggingface.co/datasets/BothBosu/scam-dialogue，可写当前可用，但复现仍需按原文的语音合成与切块流程重建受控集。
终局分类与跨数据集检验支持什么，不支持什么？
受控英文测试集上的主结果是 StreamFraudNet 终局 ROC-AUC 均值 0.9953，F1 均值 0.9656，任务头约 0.953M 参数。论文报告它显著优于声学对照与均值池化对照，但与匹配的 Wav2Vec2 BiLSTM 注意力全局模型差异不显著，而 WavLM 编码器加同类 BiLSTM 头的集成 ROC-AUC 显著高出约 0.00363。因此支持的判断是紧凑有界窗口模型终局可与强全局时序模型竞争，且参数远小于 Transformer 注意力头，但不支持有界窗口带来更高终局精度的说法。全局单窗口变体数值更强但校正后不显著，也指向有界窗口的主要价值是支持频繁更新而非提升终局。
跨数据集方面，论文把 TeleAntiFraud 上的结果与已发表 Qwen2-Audio 结果并列，但明确两者模态与监督不同，只能当背景参照。下面的原表直接保留该对照的准确率与 F1，避免把不同条件写成受控排名。
| Model | Accuracy | F1 |
|---|---|---|
| Qwen2-Audio Base | 0.6183 | 0.5851 |
| Qwen2-Audio ASR-text | 0.7127 | 0.7127 |
| Qwen2-Audio No-Think | 0.6831 | 0.6932 |
| Qwen2-Audio Think | 0.8422 | 0.8478 |
| StreamFraudNet | 0.7131 | 0.7058 |
该表显示 StreamFraudNet 准确率 0.7131、F10.7058，接近 Qwen2-Audio 基于语音识别文本的结果，但明显低于带思考推理的 Qwen2-Audio。结合附录精度与召回，论文指出 StreamFraudNet 精度较高而召回较低，这解释了准确率相近但 F1 略有差异。代价是没有报告该数据集上的 ROC-AUC 受控比较，且 Qwen2-Audio 使用了更大音频语言模型与推理监督，因此该表只能支持跨语言适用性，不能支持同算力同监督下的模型优劣。标签效率实验进一步显示用一半训练标签时 StreamFraudNet ROC-AUC 为 0.9739，但全局 BiLSTM 在每个标签预算下数值仍更强，因此不支持本文模型更省标签的结论。
拿掉哪一部分性能下降最明显，早期前缀能给多少分？
组件分析 1 次只改一个部分，其余保持相同评估协议。论文报告唯一校正后显著的退化来自去掉循环上下文，ROC-AUC 下降约 0.02797，F1 下降约 0.07637。单向 LSTM、把局部或会话注意力换成均值、把非线性头换成线性头都没有个体显著增益。超参数方面，窗口 3 或 7、步长 2 或 3、隐维度 64 或 256、dropout 0 或 0.4 都没有与默认显著不同，步长 3 均值最高但更新间隔延长到 6 秒，论文保留步长 1 以换取每 2 秒更新。下面的整理表把显著项与非显著项分开，数字只用原文连续句中出现的量，非显著项用文字概括而不编造新数值。
| 对照维度 | ROC-AUC 变化 | F1 变化 | 显著性与校正 | 教学含义 |
|---|---|---|---|---|
| 去掉循环上下文 | 下降 0.02797 | 下降 0.07637 | pHolm=0.0044，唯一显著 | 窗口内时序是主要贡献 |
| 改单向 LSTM | 数值相近 | 数值相近 | 校正后不显著 | 双向在当前窗口内非必需 |
| 注意力换均值 | 数值相近 | 数值相近 | 校正后不显著 | 池化方式个体贡献小 |
| 非线性头换线性 | 数值相近 | 数值相近 | 校正后不显著 | 分类器复杂度非瓶颈 |
| 全局单窗口 | 数值略高 | 数值略高 | 校正后不显著 | 有界窗口为增量而非精度 |
该表支持循环上下文是主要结构贡献，但也给出反例：其余改动与全局窗口都没有显著差异，因此不能把有界窗口本身说成精度来源。早期前缀方面，论文报告 10 秒时 ROC-AUC 约 0.9532，20 秒时约 0.9842，说明通话结束前已有可用分数，但全局 BiLSTM 在每个前缀数值仍更强，因此不支持有界处理带来独特早期优势。下面的整理表保留原文报告的前缀数字，最后一列只写原文的定性比较。
| 已听音频 | StreamFraudNet AUC | StreamFraudNet F1 | 全局 BiLSTM 对照 | 是否可提前打分 |
|---|---|---|---|---|
| 10 s 首个完整窗口 | 0.9532±0.0178 | 0.8645±0.0352 | 原文报告数值更强 | 是，可首报 |
| 20 s | 0.9842±0.0060 | 0.9336±0.0087 | 原文报告数值更强 | 是，随窗口更新 |
| 40 s | 数值继续上升 | 数值继续上升 | 原文报告数值更强 | 是，需整表核对 |
| 60 s | 接近终局 | 接近终局 | 原文报告数值更强 | 是，但非更早更准 |
两张表合在一起的限制是前缀实验只测按时长截断的分数，没有时间戳诈骗起始标注，因此测的是部分音频判别力而非从诈骗开始到报警的延迟。附录滑动窗口例子进一步显示分数可能随关键词复现而起伏，改写或拖延阶段分数会下降，这与训练只优化终局目标一致。
哪些结论不能从现有证据推出？
第一，受控英文基准是剧本对话加合成语音，虽然平衡可复现，但缺少自发语音、打断、背景噪声、信道失真、地域口音与 evolving 诈骗策略，不能推广为真实来电表现。第二，窗口分数是潜在风险而非已验证定位，因为训练没有时间标注，损失也不约束单个窗口，附录中电话号码交换或关键词复现都可能触发局部高分，不能当作诈骗片段真值使用。
第三，前缀分数显示提前可用，但未测量相对真实诈骗起始的延迟，且匹配全局模型在每个前缀数值更强，因此需要带时间戳标注与延迟感知目标才能直接优化早期检测。第四，效率测量限于评测服务器 CPU 与 GPU，实时因子小于 1 只说明服务端吞吐快于实时，不说明手机、嵌入式或电信边缘设备可部署，且完整流水线因冻结编码器仍有约 95.325M 参数，任务头小不等于整机小。
第五，原始电话音频含敏感个人信息，部署需要知情同意、安全处理与存储、保留期限限制，并应把预测用于人工或策略复核而非自动拦截，因为误报会打断正常通话，漏报会让用户失去保护。
要复现先固定什么，效率与显存如何核对？
复现先固定数据与切块：单声道 16 kHz、2 秒一块，受控集截断或补齐到 47 块，TeleAntiFraud 最多 30 块；默认窗口 5 块步长 1 块对应 10 秒局部上下文与 2 秒更新，TeleAntiFraud 步长 2。编码器按数据集固定为 Wav2Vec2-Base 或 Mandarin XLSR 并保持冻结，只训注意力向量、BiLSTM、窗口注意力与 MLP 及聚合标量 q。训练按 AdamW 加二值交叉熵、最多 25 轮、余弦衰减、验证 F1 早停，种子 13、37、73 取均值与样本标准差，集成平均分数并用验证阈值。下面的服务端效率原表用于核对吞吐而非延迟，p50 与 p95 是端到端处理时间，实时因子是处理时间除以音频时长。
| Platform | p50 | p95 | RTF |
|---|---|---|---|
| RTX PRO 6000 | 290.8 ms | 320.7 ms | 0.00249 |
| AMD EPYC 9555, 4 threads | 5.184 s | 5.535 s | 0.0440 |
该表显示两种服务端配置实时因子都远小于 1，说明从原始波形解码、重采样、切块、编码、分类到聚合的完整流水线吞吐快于实时。但要区分 3 个量：训练显存、推理吞吐与诈骗起始延迟。冻结编码器训练峰值显存约 0.681GiB，微调最后两层升至约 2.586GiB，全量微调约 3.809GiB；推理吞吐用实时因子衡量；诈骗起始延迟因无时间戳标注而未被测量。附录另有 CPU-only 流式测量的实时因子在 0.0437 到 0.4168 之间，但硬件与分块统计口径与服务端表不同，引用时要注明条件，不能混成同一延迟结论。
何时值得尝试这种做法，还缺哪项验证？
当任务满足 3 个条件时值得尝试：只能拿到通话级是否诈骗标签，拿不到时间标注；必须在通话中给出可更新分数而非挂机后判 1 次；希望任务头轻量且训练显存小。此时可按本文流程先切固定块、组重叠窗口、冻结语音编码器、窗口内循环建模、分数聚合，并把评估分成终局、前缀、消融与跨数据集 4 组。
当已有转写与大模型推理预算，或已有细粒度时间标注时，不必照搬有界窗口，因为本文证据显示全局模型终局与前缀数值都不弱，而推理模型的优势恰恰来自更大模型与推理监督。还缺的验证是带时间戳的真实多语言来电、从诈骗起始到报警的延迟分布、跨人口与声学条件的误报代价，以及边缘设备的端到端预算。只有补上这些，才能把提前可用推进为提前可靠。
📎 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