标签：#音频问答 | #多模态学习 | #语音识别 | #说话人分离标注 | #多语言
评分：6.5/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 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 1.2/1.5
👥 作者与机构
- Shangkun Huang：机构信息未在 arXiv HTML 中可靠披露
- Junchao Hu：机构信息未在 arXiv HTML 中可靠披露
- Huan Shen：机构信息未在 arXiv HTML 中可靠披露
- Guoji Wang：机构信息未在 arXiv HTML 中可靠披露
- Yingao Wang：机构信息未在 arXiv HTML 中可靠披露
- Shaosai Li：机构信息未在 arXiv HTML 中可靠披露
- Wei Zou：机构信息未在 arXiv HTML 中可靠披露
- Yunzhang Chen：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
长多语言双人会话口语问答输入为长录音波形与多选题问句，输出为选项预测，难点是长程话语语义与稀疏声学及说话人归属线索需按题取舍。系统先以级联前端生成带时间戳与说话人标识的转写文本，再由混合路由器仅根据题干与选项推断证据类型与上下文范围，最后按标签物化出完整转写、局部音文融合、说话人关联或全局紧凑声学输入并送入问答模型。与固定转写或固定音频策略相比，该机制以转写为骨干并按需激活音频，保留全局语境又隔离稀疏声学干扰。该按题分配证据的方式避免了无关长音频稀释注意力，也弥补了纯转写丢失韵律与说话人线索的缺陷。在开发集多选题任务评测设置下，最终系统的准确率为94.84%，高于全转写基线的准确率93.16%。结论仅在含显式锚点与说话人线索的会话问答上得到验证，对无锚点隐式检索与评估集泛化尚未证明。该结论的适用边界受限于显式时间戳解析与转写质量，隐式证据检索仍尚未验证。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
长对话口语问答难在哪里？
输入是多语言双人长对话录音，目标是在没有人工切分和说话人标签的条件下回答四选一式问题。必须保留的信息有 3 类。第一是长程话语语义，谁在什么话题下说了什么结论。第二是说话人归属，同一句话换人说答案可能完全不同。第三是转写里没有的声学实现，包括韵律、笑声、语速、重音以及发音含混导致的识别歧义。输出是选项编号。
初学者容易把这个任务简化成先把语音转成文字再做阅读理解，或者反过来把整段音频丢给语音大模型。论文指出两条路都有代价。只用转写会丢掉韵律笑声音色，也无法纠正声学上 plausible 的识别错误。只用音频会让长录音带来大量无关区域，增加计算并稀释答题模型的注意力。更关键的是不同题目依赖的证据形态不同，有的要整轮话语，有的要谁说的，有的要某时刻的笑声语气。因此中心矛盾不是音频好还是转写好，而是每道题应该暴露哪种证据。
举一个教学用的例子而非原文数据。假如问题问某人在第几分钟是否笑了并以此判断态度，全文转写可能只写了一句话，无法回答。假如问题问 2 人争论后最终达成的分工，则需要跨越十几分钟的语义链，单靠截取 10 秒音频无法回答。例子说明证据类型与证据位置必须联合决定，这正是后文 2 维路由标签的动机。
已有路线为什么没有解决证据选择？
在相同输入、相同目标、相同无 oracle 运行阶段下比较，已有系统可分为两类。第一类是端到端语音大模型，把日志与识别联合建模，直接处理长多语言对话。第二类是级联与上下文感知系统，利用多模态历史或带说话人属性的转写。论文提到近期模型在声学、文本与细粒度多模态建模上继续增强，但这些进展没有取消证据选择问题。
对照的公平点在于运行阶段。挑战要求在推理时没有 oracle 切分与说话人标签，系统必须自己做语音活动检测、日志与识别，再做问答。级联路线在该挑战总结中仍是任务二的主流做法，因为它把时间戳和说话人编号显式保留下来，后续可以根据题目取局部或按人取证。端到端路线省掉了显式中间结构，但长音频的无关区域问题依然存在。
因此论文把研究缺口定位为问题条件化的证据选择。不是简单增加音频用量，而是联合决定需要什么证据类型以及该证据是局部还是全局。后文的方法、消融与纯音频诊断都是围绕这个缺口组织的，读者复述时不要把模型换大与证据选对混为一谈。
任务与约束是什么？
任务一是带说话人属性的识别。系统先检测语音段，再做说话人日志，再做多语言识别，最后按官方带说话人标记的短时转写格式输出，用与时间约束相关的误码率评价。任务二是多选口语问答。系统在任务一转写和原始波形的基础上，对每道题和选项构造输入并预测正确选项，用准确率评价。
约束有 3 条。第一是无 oracle 推理，没有人工分段与说话人标签可用。第二是双人长对话，证据可能分散在很长上下文中，也可能集中在几秒的声学事件里。第三是多语言，文本归一化与识别适配必须覆盖不同语言特性。开发集任务二子集包含 4500 道多选题，用于系统设计与消融，评测集独立于训练与调参。
学习依赖上必须先理解任务一输出是任务二的文本主干。如果时间戳和说话人编号不可靠，后续按锚点取局部音频和按人取证都会错位。所以论文先讲级联前端，再讲路由，这是复述顺序不能颠倒的原因。
两阶段流水线如何分工？
全系统是一条可复现的单一流水线，不是结果级集成。第一阶段把原始对话变成带时间戳和说话人编号的转写。第二阶段把该转写当作答题的文本主干，只在路由判断需要声学或说话人敏感证据时才使用原始波形。论文用系统总览图说明这种先后关系，但本次没有收到原图像素，此处只依据正文与图注转述，不描述图中颜色位置或箭头样式。
说话人日志转写 × 证据路由： 说话人日志转写负责把长录音变成带说话人编号和时间戳的文本主干，保留长程语义和谁说了什么的可检索结构；证据路由负责从问题和选项推断本题需要语义、声学还是说话人证据以及取局部还是全局，它们的搭配理由是转写覆盖广但丢失韵律笑声音色，音频互补但全量引入会淹没注意力，组合意义是默认保住全文语境、只在需要时激活对应音频片段。
沿一个样本走完流程有助于建立直觉。输入是一段双人录音加一道题和 4 个选项。前端先输出按时间排序的说话人分段文本，每段有起止时间与说话人编号。路由器只看题面和选项，先给出粗粒度证据判断，再抽取显式时间戳与说话人线索，映射成可执行标签。根据标签取出对应转写块，必要时取出对应音频片段，打包成一个答题请求。
答题模型输出选项概率最大的选项。全文语境默认保留，音频默认不激活，这种非对称设计是理解后文消融的关键。
路由标签怎样表示需要什么与从哪里取？
路由器把每道题的证据需求写成结构化标签。符号含义是波形记为输入音频，转写记为日志文本，问题与选项共同决定标签，给定标签后构造路由证据，答题模型在该证据条件下预测选项。先理解符号与输入，再理解计算目标，公式本身只表达这种条件关系，不包含训练梯度。
\[z=(e,s),\]该式把标签定义为证据类型与上下文范围的二元组。证据类型有 4 种。纯转写语义处理语义或话语问题，可用全文或局部转写回答。语义加声学处理内容需要局部声学佐证的问题，物化为局部转写加局部音频。说话人敏感处理归属音色角色问题，物化为带说话人标记的转写加音频。全局声学处理无锚点声学问题，物化为截断全文转写加紧凑全局音频。
\[\hat{c}=\arg\max_{c\in C}p(c\mid q,C,E).\]该式说明答题是在给定问题选项与路由证据下取概率最大的选项。它是推理时的选择规则，不是可微训练目标。原文没有给出该答题模型的梯度路径，复述时不能脑补微调了答题头还是冻结了主干。
证据类型 × 上下文范围： 证据类型回答需要什么信息，分为纯语义、语义加声学、说话人敏感和全局声学 4 类；上下文范围回答从哪里取，分为局部窗口、多窗口、说话人链接和全局紧凑 4 类，二者搭配是因为同一声学需求在有时间戳和无锚点时取法完全不同，组合成 2 维标签后才能直接映射到取哪段转写配哪段音频的可执行操作。
范围维度同样有 4 种。局部窗口由显式时间戳或局部事件触发，在锚点周围取转写或音频。多窗口处理多时间戳或对比问题，取多个局部窗口。说话人链接处理归属或谁说了什么问题，收集该说话人的轮次与音频。全局紧凑处理无锚点或整轮问题，保留较长转写并在声学需要时附加采样片段。原文强调这种 2 维划分覆盖了开发集中的主导模式，但路由器是问题感知而非内容检索，它利用显式时间戳、选项局部引用与说话人线索，不从转写或波形中检索隐式证据 span。
转写与音频证据如何具体取出？
物化过程先把短时转写轮次按时间合并成带时间戳与说话人编号的文本块。对于全局语义问题，保留截断后的全文转写以保住话语语境。对于局部与多窗口范围，在每个锚点前后各扩展 12 秒取重叠的转写块。原文明确这是带填充的锚点区间，而不是固定 24 秒窗口。对于说话人链接范围，还会从选项中解析时间表达式，让选项内的局部引用也能贡献证据。
局部音频文本融合 × 紧凑全局音频采样： 局部音频文本融合分工是针对有时间戳的声学或说话人问题，在锚点前后取宽转写窗口再配两侧各扩展的短音频，保证内容与发音对齐；紧凑全局音频采样分工是针对无锚点的整轮对话声学问题，在保留截断全文转写的同时随机抽取至多限定数量的音频块，二者搭配是因为稀疏局部线索需要精确定位而全局属性需要覆盖，组合后路由器能同时处理点状事件和弥散性声学判断。
音频附加规则与转写窗口不对称。有时间戳的语义加声学或说话人敏感问题采用局部融合，每个路由区间两侧各填充 0.5 秒、单段上限 30 秒，并配更宽的转写窗口。无锚点的全局声学问题保留截断全文转写，另附紧凑全局音频。候选池是带时间戳的转写块，用固定伪随机种子无放回采样，至多保留 12 块，每段上限 30 秒，再恢复时间顺序。若没有可用时间块，则沿录音时间轴均匀采样作为回退。这些片段作为多个独立音频输入放在 1 次模型请求中，既不拼接也不投票。
粗粒度大模型估计 × 确定性锚点解析： 粗粒度大模型估计只看问题和选项给出证据类型与范围的初步判断，不接触转写波形和正确答案；确定性锚点解析用正则与关键词从题面和选项中抽取显式时间戳与说话人角色线索，二者搭配是因为大模型判断灵活但可能输出无效标签，确定性解析精确但只覆盖显式模式，组合后以映射规则和回退策略得到可执行的路由标签。
混合路由器的实现分 3 步。第一步用问答推理与上下文标注共用的大模型分类器，只看问题和选项预测粗粒度类型与范围，不接触转写波形、正确答案或正确性反馈。第二步用确定性解析抽取时间戳与说话人角色线索。第 3 步把粗标签、锚点与词汇线索联合映射为可执行标签，全局语义走全文转写，局部语义走局部转写，局部声学走局部融合或说话人链接，全局声学走全局紧凑。无效分类输出回退到确定性路由。需要指出的缺项是原文没有报告分类器本身的准确率与无效输出比例，复现时应先补记这两项，否则无法判断动态增益来自标签更准还是音频更多。
哪些参数被训练，哪些只是被调用？
任务一存在明确训练。监督来源是官方多语言对话训练数据中的时间戳、说话人标签与转写。训练对象是用于分段转写的识别模型，在官方训练数据上用低秩适配微调两个周期，目标是适应多语言对话语音同时保留预训练的通用识别能力。原文把这种做法放在参数高效适配与分阶段训练的趋势下讨论，但没有报告秩、学习率、优化器、批量与硬件预算，复述时只能说训练了识别器的适配参数，不能推定前端全部联合优化。
前端其余模块是调用既有组件。语音活动检测、说话人嵌入提取、谱聚类日志按原文配置运行，包括子段时长步长、最小轮次时长以及同说话人相邻轮次在间隔足够小时合并至一定时长的后处理。文本归一化包括统一编码、不可见字符清理、小写化、去标点、空白清理以及对特定语言的字符级切分。这些是规则与推理调用，不是本研究的训练目标。
任务二没有训练或微调。无论是路由标注还是答案预测，问答与标注模型都不做额外适配。系统开发只做证据选择。正则标签是确定性廉价规则，只捕捉显式时间戳与关键词。离线标签为开发集消融提供结构化对照。
动态标签由大模型在线生成，只观察问题和选项，不使用正确答案、分析分桶或正确性反馈。因此任务二的增益应理解为输入构造变化带来的效果，不能表述为模型能力被训练提高了，也不能从参数冻结推定系统输出确定，因为生成式答题本身仍有采样与实现层面的不确定性。
训练细节中哪些已交代哪些缺失？
已交代的是训练目标与数据。任务一用官方时间戳说话人标签与转写做监督，适配对象是分段转写识别模型，训练量级对应约 2100 小时训练集上的两轮低秩适配。任务二明确不训练不微调，开发工作是证据选择，动态标注器只观察问题和选项。这种如实区分有助于初学者理解，并非所有增益都来自梯度更新，输入构造本身就是可复现的研究变量。
缺失的是可执行细节。识别微调的秩、学习率、优化器、批量、序列截断、验证集选择与早停均未报告。日志聚类阈值、合并规则之外的后处理、归一化对各语言的影响也没有消融。路由分类器的提示模板、解码参数、无效输出率同样未报告。复述时应把这些标为待补验证，而不是从模型名称推定实现。
还有一个常见误解需要澄清。无训练不等于确定性求解。任务二冻结答题模型只说明没有更新权重，不保证相同输入每次输出完全一致，也不保证不同部署的解码一致。复现报告应写明解码温度、采样种子与请求重试策略，否则准确率小数点后 2 位的差异无法解释。
数据、指标与对照条件是什么？
训练集约含 2100 小时多语言双人对话语音，用于识别微调与路由设计。开发集用于设计与消融，其中任务二子集有 4500 道多选题。评测集与训练调参隔离。任务一用与时间约束相关的误码率，越低越好。任务二用多选准确率，越高越好。原文还按有无锚点、是否声学、是否语义划分了分析子桶，但部分子集较小，只作支持性证据。
对照分为 3 组。第一组是官方基线，用于说明任务难度起点。第二组是转写主干消融，从全文转写到正则文本路由、离线标签文本路由，再逐步加入局部音频融合、全局音频与混合路由器。第 3 组是纯音频诊断，故意不用转写做对话证据，只改变请求的全局采样片段预算，用于检验堆音频能否替代转写。比较时必须核对数据集、阶段、指标与聚合对象。
开发集与评测集分布不同，任务一的两处数字不能读成受控的集间对比。百分点差值与相对百分比不同，原文增益均为绝对百分点。
外部组件与数据分工需要如实记录。官方数据用于识别微调与路由设计，语音活动检测、说话人嵌入、识别模型、问答与标注模型各有分工。资源状态方面，本次未发现来源绑定且完成网络状态验证的资源，因此不得声称代码模型或数据已公开，只能说论文列出了所用组件，复现需按原文名称与配置自行准备。
如何核对数字背后的实验条件？
核对每个数字要同时确认数据集、模型基线、实验阶段、指标单位与聚合对象。任务一数字的聚合对象是开发集与评测集的连续识别输出，单位是百分比误码率，方向越低越好。任务二数字的聚合对象是开发集 4500 题的多选判断，单位是百分比准确率，方向越高越好。增量是绝对百分点，不是相对百分比。数值相同也不是同一指标的证据，不能把识别误码率与问答准确率放在同一列比较。
还要核对可运行性。M1 到 M6 都是实际可运行策略，可以作为部署候选。纯音频 B 系列是诊断系统，不是最终方法，不能用 B2 代替可部署收益。搜索最优与事后最优需要另行标明，原文没有报告这类上界，复述时不要虚构 oracle 切分下的成绩。
最后核对冲突与口径。原文表格编号与正文引用存在排版层面的不一致，复述时以连续原句中的系统定义与数字为准，不自行编造划分或聚合口径来圆成一致。若发现同一系统在不同段落数字不一致，应明确标注冲突。本次可核对的核心数字在连续原句中一致，因此按原句组织表格，未对千分位小数精度做四舍五入。
任务一与任务二主结果说明了什么？
先看任务一的比较问题。在相同开发集条件下，级联日志识别系统是否大幅优于官方基线，指标越低越好。下表整理官方基线与本系统在开发集和评测集的误码率，评测集基线原文未报告。
| 系统 | 开发集误码率 | 评测集误码率 |
|---|---|---|
| 官方基线 | 79.15 | 未报告 |
| 本系统 | 25.70 | 18.44 |
表后解释需要同时给出收益与限制。本系统开发集相对官方基线大幅降低，评测集为 18.44。原文明确开发集与评测集划分不同，不应做受控的集间比较，只能说转写质量足以构成任务二的强文本基线但仍不完美。这为后文留下伏笔，声学证据最可能在转写缺失线索或识别出现声学混淆时起作用。未胜出项是官方基线本身，它说明了无 oracle 长对话任务的起点很低，但不能用它证明级联中每个模块各自贡献了多少，因为没有模块级消融。
再看任务二的主消融。比较问题是全文转写基线已强时，静态文本路由、局部音频融合、全局音频与动态路由各带来多少绝对百分点变化。下表保留可运行策略与必要基线，增量均为绝对百分点，评测对象是开发集 4500 题。
| 系统 | 总体准确率 | 相对全文转写 | 相对前一项 |
|---|---|---|---|
| 全文转写 M1 | 93.16 | 0.00 | 未适用 |
| 正则文本路由 M2 | 92.89 | -0.27 | -0.27 |
| 离线标签文本路由 M3 | 92.69 | -0.47 | -0.20 |
| 加局部音频融合 M4 | 94.22 | 1.06 | 1.53 |
| 加全局音频 M5 | 94.40 | 1.24 | 0.18 |
| 混合路由器 M6 | 94.84 | 1.68 | 0.44 |
表后解释要区分报告与推断。报告显示静态文本路由不如全文转写，M2 与 M3 分别下降，支持上下文裁剪可能删除有用话语信息的判断。最大单步增益来自局部音频融合，M4 相对 M3 提高 1.53 点、相对 M1 提高 1.06 点。M5 再加 0.18 点，M6 替换为动态标签后再加 0.44 点，最终 94.84 相对 M1 提高 1.68 点，约对应 76 道题。代价与反例是 M6 相对 M5 的无锚声学准确率下降 0.84 点，说明总体趋势不等于每个子桶都变好。原文也承认没有配对显著性检验，M5 到 M6 缺少匹配的动态文本对照，不能严格分离标签质量与证据分配的因果，只能说结果支持问题条件化分配而非单纯用更多音频。
重读主结果还能得到什么新对照？
把主结果放在成本视角下重读会有新信息。静态文本路由 M2 与 M3 总体低于 M1，说明单纯裁剪上下文没有收益，甚至删除了有用话语信息。局部融合 M4 一步带来最大增益，说明有时间戳声学问题的瓶颈不在全文理解，而在局部发音与内容的对齐。全局音频 M5 的增益较小且集中在无锚声学，说明整轮声学属性需要覆盖但贡献相对稀疏。动态路由 M6 的增益分布在无锚语义与带时间戳，而无锚声学回落，说明它更像重新分配而非全面加码。
另一个新对照是纯音频预算。10 片段到 50 片段在 3 组路由下一致提高，但 50 片段的最佳值仍低于全文转写。这意味着转写提供的长程语义不是靠堆片段能补回来的，至少在原文的请求组织方式下如此。如果未来要挑战这个结论，需要固定转写缺失、识别错误率高或声学事件密集的子集再测，而不是在总体上加片段。
适用条件也更清晰。当题目有显式时间戳或说话人线索时，优先复现局部融合。当题目无锚点但问全局声学时，再考虑紧凑采样。当题目是纯语义长程推理时，默认保留全文转写可能比任何裁剪都稳妥。这种按题分配的思路是论文特有的可迁移经验，不依赖特定模型品牌。
细分桶与纯音频诊断是否支持同一结论？
细分比较问题是增益来自全局还是局部、声学还是语义。下表聚焦可复述的原文对照，指标为开发集准确率，方向越高越好。
| 对照 | 无锚全局 | 带时间戳局部 | 无锚声学 | 无锚语义 |
|---|---|---|---|---|
| M1 全文转写 | 94.10 | 92.66 | 92.08 | 94.39 |
| M4 加局部融合后无锚声学 | 未单独列出 | 未单独列出 | 95.42 | 95.66 |
| M5 加全局音频后无锚声学 | 未单独列出 | 未单独列出 | 96.67 | 95.72 |
| M6 相对 M1 | 96.31 | 93.90 | 95.83 | 96.38 |
表后解释要指出条件与边界。相对 M1，M6 在无锚全局与带时间戳局部均提高，在无锚声学与无锚语义也均提高。但 M5 到 M6 的无锚声学从 96.67 回落到 95.83，而无锚语义与带时间戳分别提高 0.66 与 0.39 点。这种交叉变化支持动态路由改善了按题分配而非简单激活更多音频。由于细分桶仅用于分析且部分样本少，原文将其当作支持性证据而非独立主张，复述时不应把子桶数字当作主结论单独宣传，也不应跨指标做差值比较。
转写主干系统 × 纯音频诊断系统： 转写主干系统始终保留日志转写并按需挂音频，用于验证最终可部署策略；纯音频诊断系统故意不用转写做对话证据、只改变全局采样片段预算，用于检验增大波形覆盖能否替代转写，二者搭配不是为了比较谁的模型更大，而是为了反证转写提供的长程语义不可被单纯堆音频片段替代。
纯音频诊断的比较问题是增大波形覆盖能否替代转写主干。条件是问题与选项仍为文本，但对话证据故意不用转写，只改变请求采样片段数。下表保留原文可运行的诊断策略，总体与分组均为准确率。
| 诊断系统 | 路由方式 | 请求片段数 | 总体 | 无锚声学 |
|---|---|---|---|---|
| B1 | 全局纯音频 | 10 | 84.71 | 77.08 |
| B2 | 全局纯音频 | 50 | 92.07 | 83.33 |
| B3 | 正则路由纯音频 | 10 | 86.62 | 79.17 |
| B4 | 正则路由纯音频 | 50 | 91.96 | 84.58 |
| B5 | 标签路由纯音频 | 10 | 87.11 | 77.08 |
| B6 | 标签路由纯音频 | 50 | 91.31 | 82.92 |
表后解释必须包含未胜出项与失败条件。3 组路由下把请求预算从 10 提高到 50 均提高准确率（%），说明过稀采样会欠覆盖。但最好的纯音频 B2 为 92.07，仍低于全文转写基线与最终路由系统，相对最终系统低 2.77 点。这支持转写主干加按题挂音频优于固定纯音频输入。未评测边界是原文只报告了 10 与 50 两种预算，没有给出中间预算曲线与推理成本，复述时不能承诺 50 片段在延迟与费用上可接受，也不能把末步结果推广为片段越多必然越好。
哪些因果与泛化结论还不能下？
第一是标签质量与证据分配纠缠。动态标签同时决定范围与模态，没有匹配的动态文本对照，M5 到 M6 的 0.44 点不能严格归因于标签更准。原文明确承认这一点，并指出缺少配对显著性检验，因此严谨表述是支持而非证明问题条件化分配更重要。
第二是子桶证据有限。细粒度离线分桶部分样本少，只能当支持性证据。M6 在无锚声学上的回落提醒读者，总体最优不等于每类最优，复现时应分别记录无锚声学、无锚语义与带时间戳 3 条曲线，而不是只看总体。
第三是未测量量。原文没有报告误判率分解、延迟、推理开销、输出帧率与训练硬件预算，也没有报告路由器分类器自身的准确率与回退率。因此不能声称该方法改善了实时性或降低了成本。转写仍不完美，声学帮助的条件是转写缺失线索或识别混淆，超出该条件的效果待验证。
第四是集间比较限制。任务一开发集与评测集分布不同，25.70 与 18.44 只能分别理解为两处结果，不能读成评测集更容易或系统在评测集上进步了。任务二主结论基于开发集，评测集问答表现原文未给出可核对数字，泛化主张应保持克制。
要复现这条流水线先做什么？
先复现任务一前端，因为它是任务二的文本主干。按原文顺序搭建语音活动检测、说话人嵌入与谱聚类、相邻同说话人轮次合并、分段识别与时间排序输出。关键超参数包括子段时长与步长、最小轮次时长、合并的最长时长与间隔阈值，以及多语言文本归一化与特定语言字符级切分。识别器在官方训练数据上做低秩适配微调，周期为两轮，其余问答与标注模型不训练。原文未报告优化器与批量等细节，复现时应先固定随机种子并记录识别误码率，否则后文问答增益无法对齐。
再复现路由。先实现确定性解析与回退规则，保证无效分类输出仍可运行。再实现 3 类物化函数。局部转写按锚点前后各 12 秒取重叠块，局部音频两侧各扩 0.5 秒且单段上限 30 秒，全局音频用固定种子无放回采样至多 12 块并恢复时间顺序。分类器只允许看问题和选项，禁止接触转写波形与正确答案，这是防止信息泄漏必须保留的信息条件。
答题时把转写块与音频片段打包成 1 次请求，片段不拼接不投票。先跑全文转写 M1 作为强基线，再跑离线标签 M3 与局部融合 M4，确认最大单步增益是否复现，最后再引入全局音频与动态路由。记录总体与无锚声学、无锚语义、带时间戳分组，以及请求片段数与输入长度，才能判断收益是否以成本为代价。资源可用性方面，本次没有验证到可用的代码模型数据链接，因此应按不可用处理，不要写已公开或当前可用，需要补做的验证是按论文列出的组件自行准备并记录版本。
何时值得尝试这种路由，还需补哪项验证？
当你的系统已有不错的日志转写，但部分题目依赖笑声语气说话人或含混发音，且全文转写基线已高到难以靠换更大模型提升时，值得尝试这种转写主干加按题挂音频的路由。它的代价是输入构造变复杂，需要维护时间戳解析、说话人链接与音频采样 3 套逻辑，并承担音频请求的长度与费用。
复现的最小闭环是先跑通 M1 全文转写，再跑 M3 离线文本路由确认静态裁剪不增益，然后跑 M4 局部融合确认最大单步增益，最后再加全局采样与动态标签。每一步记录总体与分组准确率、输入长度与请求片段数，才能回答收益是否值得。
还需补的验证有四项。第一是匹配的动态文本对照，分离标签质量与证据分配。第二是配对显著性检验与多种子重复，判断 0.18 与 0.44 点增益的稳定性。第三是中间音频预算与延迟成本曲线，回答 50 片段是否可部署。第四是评测集问答与错误分析，特别是转写错误导致答错而音频纠正的案例比例。只有补齐这些，才能把支持性证据升级为更强的因果判断。
📎 论文与评分元数据
排名：前50% | 文档类型：系统技术报告 | 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