标签：#语音情感识别 | #评测协议 | #语音 | #医疗音频 | #数据标注
评分：5.6/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Tsz Yuet Yeung：机构信息未在 arXiv HTML 中可靠披露
- Zonglin He：机构信息未在 arXiv HTML 中可靠披露
- Dong Chen：机构信息未在 arXiv HTML 中可靠披露
- Huili Peng：机构信息未在 arXiv HTML 中可靠披露
- Huiren Tao：机构信息未在 arXiv HTML 中可靠披露
- Kenneth MC Cheung：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
本研究处理自然脊柱门诊中普通话患者与家属自发语音到六类基本情感标签的映射，难点在于情感表达低唤醒且被压平、类别严重偏向中性并叠加诊室噪声、重叠语音与普通话声调和方言码切换干扰。采集流水线先对门诊音频做降噪与响度归一化并切分保留患者或家属有效话轮及其后续医生回应以维持语境，再由多名研究者经校准后盲听标注并经多数投票与低一致仲裁形成参考标签，随后以该参考标准统一评测三种开源模型的四类互补准确率。与演员表演语料上训练的原型情感假设不同，自然临床话语迫使模型面对模糊边界与长尾分布，从而暴露多数类主导的虚高准确率，其实际意义在于必须用均衡与加权指标检验少数情感的临床可用性。在香港大学深圳医院65条话语的临床评测设置下，SenseVoice的未加权准确率为61.5%，高于emotion2vec+的未加权准确率55.4%。该结论仅适用于单中心小样本先导验证，不支持向多中心部署或临床结局预测外推。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
输入是什么：这篇解读要帮你复述什么任务？
这篇解读的输入是论文原文提供的全部方法与结果证据，目标是让刚进入语音、音乐或音频方向的研究生能够不看原文复述实验做法，并理解为什么实验室指标不能直接搬到诊室。必须保留的信息包括研究对象是香港大学深圳医院脊柱门诊的自然普通话医患及家属对话，比较对象是 3 个开源语音情感识别架构，对照基准是研究者多数投票共识标签，评价重点是类别不平衡下的少数情绪检出。输出是一套按学习依赖展开的中文技术说明，只讲论文实际做的事，凡是举例都会标明是例子，不虚构论文没有报告的数字或效果。
语音情感识别这个任务，白话说就是听一段说话，判断说话人处于高兴、悲伤、恐惧、愤怒、中性、惊讶中的哪一种，英文叫 speech emotion recognition，缩写 SER。本研究关心的不是演员在录音室念台词，而是门诊里真实发生的咨询对话。诊室对话的特点是情绪不夸张、中性任务对话占绝大多数、背景有医院噪声、说话人会轮换和重叠。论文的判断是，如果只在表演语音 benchmark 上看分数，会高估系统在诊室里的可用性，因此要做 1 次小样本先导验证。
学习这篇论文之前，先要建立一个预期：在自然门诊数据里，中性类占一半以上是常态，标注者之间的一致性不会很高，模型很可能把扁平、低唤醒、被压抑的负性情绪全部归为中性。后文会沿着一条样本的旅程展开，先讲录音如何采集和切分，再讲参照标签如何产生，再讲 3 个模型如何调用，最后讲 4 种准确率为什么讲出不同结论。阅读时请把注意力放在实验条件是否一致、指标方向如何定义、关键数字支持什么判断和不支持什么判断上。
已有路线在解决什么，本文站在哪条路线上？
语音情感识别的已有路线可以按输入特征与建模方式理解。早期路线用手工声学特征，白话说就是先算基频、梅尔频率倒谱系数和频谱能量，再送分类器，英文分别是 fundamental frequency、Mel-Frequency Cepstral Coefficients 和 spectral energy。这条路线可解释性强，但对噪声和说话人差异敏感。第二条路线是深度学习直接从波形或语谱图学习表示，包括自监督 transformer、统一编码器解码器和流水线工具包。论文点名的 3 个系统分别对应这 3 类思路，但本文不重新训练它们，而是把它们当作现成工具在诊室数据上做黑盒基准测试。
中文情感语料方面，论文对比了表演类与自然类。表演类如 CASIA、中科院相关的 acted 库和 ESD，由母语者或专业演员在高信噪比环境下录制，句子短、情绪边界清晰。自然类如 CNSCED 来自电视新闻和访谈，EMOVIE 来自电影，EmotionTalk 强调多模态互动对话。这些语料都没有在真实门诊里用领夹麦克风跟随医生采集，也没有保留门诊特有的半开放房间、高吞吐量和多方对话结构。英文的 DAIC-WOZ 虽然面向抑郁访谈，但仍是横断面、以英语为中心，不能回答普通话声调与情绪韵律互相干扰的问题。
本文站在临床验证路线上，同输入是自然连续咨询音频，同目标是六分类情绪判断，同运行阶段是部署前在目标域上直接推理而不做目标域微调。与实验室路线不同，本文同时报告参照标准本身的可靠性，并用类别平衡指标揭露多数类主导的假象。与多模态路线不同，本文只用纯音频单通道，不引入文本语义或视觉信息，因此结论只关于单模态声学系统的局限，不能推广到图文声融合系统。
要回答的具体问题是什么？什么算答好？
论文要回答的转化问题是：开源语音情感识别在自然普通话脊柱门诊咨询中，相对研究者共识还能保留多少准确率，以及这种准确率是否反映对少数情绪状态的临床有意义检出。拆成可操作的三件事，第一是建立可重复的采集与标注流程，第二是显式报告参照标准的可靠性，第三是用类别平衡指标与简单基线并排报告 3 个模型的表现。答好的标准不是某个模型分数最高，而是能说清在类别极不平衡下哪种指标会误导，哪类情绪被系统性漏检，以及这种漏检与标注噪声的关系。
为此论文固定了六分类标签集合，包括 Happy、Sad、Fear、Anger、Neutral、Surprised。作者承认脊柱门诊真实出现的担忧、痛苦相关的扁平情感并不干净对应这 6 类，但为了与开源模型输出可比，仍然沿用该分类。这个选择本身就是一个妥协，理解这一点才能理解后文为什么恐惧和惊讶的标注一致性极低。评价时论文不用单一准确率，而是并排计算非加权准确率、宏平均每类准确率、类级别加权准确率和样本级别加权准确率，并用自举法给出置信区间，再用配对非参数检验比较模型差异。
举一个例子帮助理解问题设定，例子：假设 65 条里有 38 条中性，模型把所有话都猜成中性，非加权准确率已经超过一半，但临床最关心的悲伤和恐惧一条都没找到。这正是论文要防范的误读。因此后文所有结果都要同时看总体猜对多少和少数类找回多少，两个视角缺一不可。
四阶段验证框架如何串起录音到分数？
论文的验证框架分成 4 个阶段，可以沿着一条咨询录音走完全程。第一阶段是被动采集，医生佩戴领夹麦克风，以 32 位脉冲编码调制格式记录医患家属三方咨询，保留医生所处的空间声学视角，不打断门诊流程。第二阶段是预处理与切分，包括降噪、音量归一、基于 Gemini 的自动转写与时间戳、按 5 到 50 秒做话轮切分，最后导出为 16 kHz 双通道立体声。第三阶段是 3 个开源模型独立推理，每段音频分别得到六分类预测。第四阶段是建立专家金标准，多名盲法标注者独立听辨，多数投票形成共识，再用 Fleiss κ 过滤低一致片段，预测与共识对比计算各类指标。
自然语音 × 表演语音： 自然语音指门诊中自发产生的、情绪强度低且被任务对话包裹的说话，表演语音指演员在录音室按指令夸张表达的原型情绪；两者分工不同，前者提供真实部署条件，后者提供干净可比基准，搭配理由是只有对照才能暴露实验室指标向诊室迁移时的落差，组合意义在于本研究用同一六分类输出同时检验两类语音上的泛化缺口。
关键的取舍在第二阶段。原始录音先在 Audacity 中采集背景噪声轮廓做数字降噪，再整体放大 10 分贝以拉齐低音量说话。随后用时间戳只保留患者或家属时长超过 2 秒的话语，并保留其后的医生回应以维持对话上下文，剔除短填充词。标注者听的是音频，转写文本只在校准时有限使用，不作为模型输入。这种做法保留了会话结构，也意味着模型看到的是已被降噪和切分过的片段，而不是原始长录音，任何残留的设备告警、重叠说话或降噪损伤都会进入模型输入。
本研究使用的数据来自 2026 年 1 月至 4 月在香港大学深圳医院脊柱门诊前瞻性采集的咨询录音，用于质量改进与患者教育项目，已获伦理批准并取得录制知情同意。最终分析只用 65 条话语，每位参与者一条，包括 31 位患者和 34 位家属，每条 5 到 50 秒。需要说明的是，本次解读依据的证据中没有绑定并完成网络状态验证的代码、模型或数据资源，因此不得声称代码、模型或数据当前已公开，只能按论文文字复述做法。
三个模型各自吃什么输入、做什么计算？
3 个模型在论文中是被调用的现成系统，不是本研究训练的新网络。emotion2vec+ 白话说是一个自监督波形嵌入器，英文是 self-supervised waveform embeddings，直接吃原始波形，跳过手工特征，用在线蒸馏同时优化帧级与话语级损失，把信号映射为低维情感嵌入，再经轻量线性层分到离散情绪类。它的设计目标是把情绪韵律与语言内容、说话人特性解耦，论文引用其在 RAVDESS 等基准上加权 F1 约 48.7% 到 84.45% 的已有报告，但该数字是文献回顾，不是本门诊实验的结果。
SenseVoice 白话说是一个统一编码器解码器，英文是 joint ASR and SER encoder-decoder，吃的是 80 维对数梅尔滤波器组特征，不设独立分类头，而是在同 1 token 流上同时做自动语音识别、语种识别、音频事件检测和情感识别。FunASR 白话说是一个集中式流水线，英文是 AutoModel pipeline，先用 FSMN-VAD 做语音活动检测切出人声，再路由到专用抽取模块并行映射副语言特征。三者在中文语音上都有公开可用性与普通话支持，这是被选中的理由。
非加权准确率 × 样本加权准确率： 非加权准确率分工是统计全部 65 条中猜对的比例，不区分情绪类别，样本加权准确率分工是按类别频率倒数给每条样本加权后再统计猜对的权重比例；搭配理由是前者会被占 58.5% 的中性类主导，后者强迫少数类错误显形，组合意义在于同一组预测会讲出两个相反故事，从而判断少数情绪是否被真正检出。
理解组件分工后，再看指标组件。非加权准确率回答猜对几条，宏平均每类准确率回答 6 类平均每类对多少，类级别加权准确率按类别权重对每类的正例加负例正确率加权，样本级别加权准确率按类别权重对每条样本是否猜对加权。论文还构造了一个 0 到 2 的复合分，白话说就是猜对加 1 分且标注一致性超过 0.2 再加 1 分，用来把预测正确性与标注质量绑在一起。后文结果显示，前 3 种高分指标与最后一种低分指标走向完全相反，原因正是权重放大的少数类恰好是模型全错的类。
本研究训练了什么？没有训练时真实计算是什么？
本研究没有训练任何神经网络，也没有微调 3 个开源模型的权重。训练节在这里的等价职责是讲清标注者校准、共识构造与统计检验这些真实计算过程。标注流程是先用 ESD 与 CASIA 样例做资格校准，通过者才能上岗。每条话语最多有 6 个合格评分参与多数投票，Fleiss κ 按条计算多评分者名义一致性，κ 小于 0 的片段送临床医生裁决，最终保留标签构成参照标准。论文提到最初有 10 名受训研究者参与审听，可以理解为标注池，实际每条贡献有效票的是其中合格的子集。
多数投票共识 × Fleiss κ： 多数投票共识分工是把每条话语的多个标注取众数作为参照标签，Fleiss κ 分工是量化多个标注者之间超出偶然的一致程度；搭配理由是自然门诊情绪模糊，必须同时给出标签和标签可信度，组合意义在于 κ 低于阈值的片段被标记为低一致并触发临床 adjudication，使后续模型分数能按标注质量分层解释。
统计计算全部在 R 4.3.1 中完成，显著性水平取 0.05。类别权重取类别频率的倒数，少数类权重更大。比较 3 个模型非加权准确率用 Cochran Q 检验处理配对二值结果，事后两两用带连续性校正的 McNemar 检验并做 Bonferroni 校正，阈值取 0.0167。比较样本加权分数用 Friedman 检验并报告 Kendall 协同系数，事后用 Wilcoxon 符号秩检验。按 κ 是否大于 0.2 和按说话人是患者还是家属做亚组分析，每组内再算 4 种准确率并做 Cochran Q 检验。这些检验回答的都是差异是否可靠，而不是哪个模型结构更好。
需要避免的误解是，把未训练等同于确定性求解。即使参数冻结，降噪、切分、VAD 与解码中的启发式仍会引入不确定性；即使同一音频重复推理，流水线也可能因外部服务版本变化而不同。论文没有报告训练资源、推理延迟或帧率，因此不能从分数推定部署成本。本节没有缺失训练超参数的问题，因为本来就没有训练，缺的是可重放的模型版本号、解码阈值与随机种子，这些在复现时需要补记。
数据划分、采样条件与基线如何保证可比？
数据条件是单中心、回顾性分析前瞻性采集的录音，共 65 条话语，总时长 1149 秒，平均每条约 17.7 秒，平均每条约 78.1 个词。说话人分布是患者 31 人、家属 34 人，其中患者女性 17、男性 14，家属女性 23、男性 11。参照标签高度不平衡，中性 38 条占 58.5%，悲伤 9 条，高兴 6 条，恐惧 5 条，惊讶 4 条，愤怒 3 条。音频平均时长按情绪略有差异，悲伤与惊讶平均更长，但样本太少，只能作为描述，不能做因果解释。
标注质量条件是中位 Fleiss κ 为 0.230，四分位距 0.134 到 0.519，39 条超过 0.2 阈值，占比 60.0%，26 条低于阈值，14 条甚至小于 0。分情绪看，高兴一致性最高约 0.760，中性约 0.351，悲伤约 0.315，愤怒约 0.230，恐惧约 0.076，惊讶约 0.013。这说明模型最容易错的类，恰好也是人最难达成一致的类，参照标准本身对少数类最不可靠。权重按频率倒数计算，中性权重仅 0.285，愤怒高达 3.611，惊讶 2.708，恐惧 2.167，高兴 1.806，悲伤 1.204。
比较条件是 3 个模型吃同一组切分后的音频，输出同一六分类，基线包括永远猜中性的患病率匹配基线和均匀随机猜测约 16.7%。论文明确在中位 κ 只有 0.230 的背景下解释模型分数，即所有分数都要打折扣。由于 SenseVoice 与 FunASR 在 65 条上预测完全相同，它们的两两比较没有意义，论文如实报告无法计算有意义的成对差异，这是有意保留的公平性说明，而不是遗漏。
主结果：总体分数中等，少数类为何塌陷？
比较的问题是：在同一组门诊话语、同一参照标签下，3 个模型的总体猜对率与少数类检出有何差异，指标方向都是越高越好，但不同指标强调的代价不同。下表整理总体 4 种准确率，条件是 65 条全量、六分类、参照为多数投票共识，数字保留原文写法与精度。
| 模型 | 猜对条数 | 非加权准确率 | 宏平均每类准确率 | 类级别加权准确率 | 样本加权准确率 |
|---|---|---|---|---|---|
| emotion2vec+ | 36/65 | 55.4% | 85.1% | 90.6% | 24.2% |
| SenseVoice | 40/65 | 61.5% | 87.2% | 92.5% | 24.6% |
| FunASR | 40/65 | 61.5% | 87.2% | 92.5% | 24.6% |
上表的主要收益是 SenseVoice 与 FunASR 在非加权口径下比 emotion2vec+ 多对 4 条，但 Cochran Q 检验 Q 为 5.33，p 约 0.07，未达显著，事后 McNemar 同样不显著，Friedman 检验对样本加权分数也不显著。具体代价是宏平均与类级别加权给出 85% 到 93% 的近天花板假象，而样本加权只有约 24%，说明正确分类的权重只有 1/4。未胜出项是 emotion2vec+，它在 5 条上独自犯错，仅在 1 条上独自做对，复合分 1.154 略低于另两者的 1.215。3 个模型在 35 条上同时做对，在 24 条上同时做错，一致率达 90.8%，表明错误高度重合，不是互补。
声学韵律 × 词汇声调： 声学韵律分工是承载情绪的音高、语速和紧张度变化，词汇声调分工是普通话区分词义必须的四声 pitch 轨迹；搭配理由是在声调语言中两者共享基频通道，非声调语音上训练的模型容易把声调当情绪，组合意义在于解释普通话门诊中扁平低唤醒语音为何更易被误判为中性。
分情绪看，中性召回 SenseVoice 与 FunASR 为 97.4%，emotion2vec+ 为 84.2%，高兴三者均为 50.0%，悲伤仅 emotion2vec+ 有 11.1% 其余为 0，愤怒、恐惧、惊讶三者全为 0。论文解释类级别加权虚高的机制是：即使某类真正例一个没找到，真负例仍有 60 到 62 条，每类准确率仍有 92% 到 95%，再乘以高权重平均后反而推高总分。这正是只看宏平均会误判的原因。普通话声调与情绪共享基频，加上门诊低强度情感与噪声，使扁平的病态情感与平静基线难以区分，模型退化为猜中性。
分层反证：标注越吵、患者说话越多，分数掉得越狠？
要检验的反证问题是：如果参照标签本身不可靠，或说话人换成患者，模型的加权分数是否进一步下跌。下表按情绪列出样本量、占比与 3 模型召回，条件与主结果相同，指标方向仍是越高越好，但这里重点看少数类零召回的分布。
| 情绪 | 样本数 | 占比 | emotion2vec+ 召回 | SenseVoice 召回 | FunASR 召回 |
|---|---|---|---|---|---|
| Neutral | 38 | 58.5% | 84.2% | 97.4% | 97.4% |
| Sad | 9 | 13.8% | 11.1% | 0% | 0% |
| Happy | 6 | 9.2% | 50.0% | 50.0% | 50.0% |
| Fear | 5 | 7.7% | 0% | 0% | 0% |
| Surprised | 4 | 6.2% | 0% | 0% | 0% |
| Anger | 3 | 4.6% | 0% | 0% | 0% |
上表说明收益集中在中性与一半的高兴上，代价是 4 个少数类几乎全军覆没，而它们的权重恰恰最高。未评测边界是愤怒只有 3 条，任何一条的偶然都会大幅摆动召回，因此零召回的精确程度需要更大样本才能确认。论文没有删除不利基线，永远猜中性的基线与随机基线都被保留，用来说明 55% 到 62% 的非加权分数并未远离多数类基线。
亚组层面，按 κ 分层，高一致组非加权约 56.4% 到 64.1%，低一致组约 53.8% 到 57.7%，差距不大，但样本加权从高一致组的约 29% 跌到低一致组的约 16% 到 17%。按说话人分层，家属组非加权约 64.7% 到 70.6%，患者组仅约 45.2% 到 51.6%，样本加权从家属组的约 38% 到 39% 跌到患者组的约 11% 到 13%。论文把患者组解读为含有更多难检少数情绪，且低一致样本本身信号模糊，模型也难以解决。各亚组内 Cochran Q 均不显著，细胞太小，只能作为假设生成，不能当作患者与家属存在本质差异的证据。
哪些结论站得住，哪些还只是推测？
论文直接报告的是：在 65 条自然门诊数据上，3 个开源系统对中性召回高、对愤怒恐惧惊讶召回为零、对悲伤接近零，SenseVoice 与 FunASR 预测完全相同，总体差异无统计显著性。这些是有数字与检验支持的判断。有限解释的是：患者组更差可能因为少数情绪更集中，低一致组更差可能因为信号本身模糊，这些有亚组数字支持，但样本小、未校正多重比较，只能说支持假设，不能说证实因果。
模型间一致率 × 对少数类召回： 模型间一致率分工是描述 3 个模型预测互相相同的比例，对少数类召回分工是描述在悲伤、恐惧、愤怒和惊讶上真正找对的比例；搭配理由是前者只说明模型犯错方式相似，后者才说明临床需要的检出能力，组合意义在于 90.8% 的一致不能代替接近零的召回，避免把稳定误判当作可靠。
未验证推测包括：漏检悲伤恐惧愤怒可能延误心理社会支持，这只是临床重要性讨论，论文明确说明没有把模型输出与转诊、患者报告结局或医生行为挂钩，因此只能作为可行性警示，不能作为部署或不部署的证据。同样，声调干扰、口音与中英夹杂、半开放房间噪声导致性能下降，是合理的机制解释，但没有做消融去掉噪声或去掉声调来证明，须用可能或待验证的语气理解。
方法局限有 3 层。第一是小样本单中心，且多为大湾区普通话，北方与南方口音、区域变体覆盖不足，推广到其他医院需要重新验证。第二是单模态纯音频，不用转写语义，无法捕捉临床情绪中语言与声音交织的层次，未来需要多模态与领域自适应微调。第三是六分类本身削足适履，痛苦、担忧等真实状态被迫装入表演式基本情绪，导致恐惧与惊讶的人类一致性接近零。论文把多数投票共识当作真值代理，这是一个明确假设，在一致性低时这个代理会抖动。
要复现这套基准，先做什么、记什么？
复现的第一步是重建数据管线，而不是重训模型。需要准备医生佩戴的领夹麦克风录音，按论文记录 32 位格式与 16 kHz 导出，用 Audacity 做噪声轮廓降噪与 10 分贝放大，再用带时间戳的自动转写保留患者或家属超过 2 秒的话语及其后医生回应，切成 5 到 50 秒片段。切分阈值、降噪参数、转写模型版本都要记下来，因为它们会改变模型输入的信噪比与上下文长度。转写文本只用于校准，不送入模型，这个信息条件必须保留，否则会引入文本泄露。
第二步是重建参照标准。先用 ESD 与 CASIA 样例校准标注者，独立盲听打六分类标签，每条保留至多 6 个合格票，多数投票定标签，逐条算 Fleiss κ，κ 小于 0 送临床裁决。需要记录每条的票数分布、κ 值、中位 κ 与四分位距，以及 κ 大于 0.2 的比例，因为后文所有加权分数都要按此分层。类别权重按频率倒数计算，中性约 0.285，愤怒约 3.611，这些权重决定样本加权分数的方向。
第三步是调用模型与统计。同一组 65 条音频分别送 emotion2vec+、SenseVoice、FunASR，记录版本号与解码设置，统计非加权、宏平均、类级别加权、样本加权与 0 到 2 复合分，用自举法给置信区间，用 Cochran Q、McNemar、Friedman 与 Wilcoxon 做配对检验。由于证据中没有可验证的公开代码与数据链接，本次只能按文字复述，不能声称系统可一键运行。复现时还需补记推理耗时与硬件，因为原文未测量延迟与成本，任何关于更快的断言都无源。
何时值得尝试这条路线，如何一句话记住教训？
值得尝试的场景是：已有门诊录音、想做被动情感监测的探索性分析，且能接受先做标注与领域适配，而不是直接上线。先做小样本先导验证，同时报告参照一致性与类别平衡指标，如果样本加权分数远低于非加权分数，就说明系统只是在猜中性。此时应优先扩充少数类、做代价敏感学习或目标域微调，并考虑加入转写语义的多模态建模，而不是换一个更大的通用模型就指望解决。
不值得的场景是：把表演语料上的 65% 加权准确率或 67% 宏 F1 当作诊室可用性证据，或用模型间高度一致证明结果可靠。本研究显示 SenseVoice 与 FunASR 在门诊数据上预测完全相同，一致率 90.8%，但两者对 4 类少数情绪同样全错，一致只是同错。同样，宏平均 85% 到 87% 与类级别加权 90% 以上来自真负例的膨胀，不能代替少数类召回。
一句话记住：中性占六成时，猜对一半不难，难的是在标注者自己都吵起来的悲伤、恐惧、愤怒和惊讶上找到信号，而这正是临床最不想漏掉的部分。后续验证需要更大样本、多中心口音覆盖、纵向咨询跟踪，并把模型输出与转诊和结局挂钩，否则只能停留在基准警示，不能推向部署。
📎 论文与评分元数据
排名：前50% | 文档类型：应用研究 | 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