当时间轴变成可以斜切的体：Passing 如何把单段车窗录像走成无尽旅程

英文题目：Passing: An Endless Journey through Reconstructed Spacetime with AI-Generated Sound

标签：#视频到声音生成 | #生成模型 | #音视频 | #实时处理 | #音视频交互

评分：5.4/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.4/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

• Akira Takahashi：Sony Group Corporation, Tokyo, Japan
• Chihiro Nagashima：Sony Group Corporation, Tokyo, Japan
• Zhi Zhong：Sony Group Corporation, Tokyo, Japan
• Shusuke Takahashi：Sony Group Corporation, Tokyo, Japan
• Yuki Mitsufuji：Sony Group Corporation, Tokyo, Japan

📌 核心摘要

Passing的任务是以单段多摩单轨车窗连续录像为输入，生成与重构时空流同步的推测性听觉解释为输出，实际难点在于重采样破坏线性时间与物理声源对应，不存在客观正确配乐且声音须随分支逐刻新生。方法先将4K 480-fps HDR录像堆叠为时空体并沿倾斜旋转截面重采样，预渲染多轨迹片段库进入下一步候选池。再由相机在场状态概率触发A/B默认循环与C/D分支间的跳转，选片结果决定显示的4K HDR 120-fps视频及其224×224 25-fps条件序列。最后将条件序列送入实时SpecMaskFoley，由ControlNet加FT-Aligner承担视听时间对齐并由车内环境声CLAP嵌入提供语义锚定，合成32-kHz立体声。与原版并用CLIP语义与ControlNet对齐不同，该配置删除CLIP而完全交由听觉域锚定，既防止漂向无关纹理又解除实时推理瓶颈。在SpecVQGAN压缩率评测设置下，Passing的压缩率指标为800×压缩，低于SpecMaskFoley的压缩率指标820×压缩。该结论的适用边界受限于单一路线与展览装置，尚未验证其他景观的外推，系统部署硬件为RTX 4080工作站并以显示与条件分离降低推理开销。

🔗 开源与复现资源

• 演示资源：https://ryufurusawa.com/passing — 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，哪些信息必须先留住？

这篇解读的输入是论文正文与官方配图，目标是让刚进入语音音乐音频方向的研究生能复述 Passing 的做法并知道它的证据边界。必须先留住的信息是素材、变换方式、交互信号、声音模型与展出条件，输出是一条可核对的链路说明。

Passing 的输入只有一段连续录像：在 2025 年 3 月 27 日透过多摩单轨立川至多摩中心区间车窗拍摄的单段连续高分辨率高速影像，论文记为 4K480 帧每秒高动态范围。输出是展厅里的无尽视听旅程：画面保持从右向左的通过感但深度速度视点和时间顺序不再稳定对齐，声音是实时生成的立体声景，不是原片录音的重播。中间没有合成新风景的生成器，画面来自对已有时空结构的重采样，声音来自对重组后画面的再解释。

学习时容易误把这项工作当成普通视频配音，即给正常视频配上正确的音效。这里要先纠正任务定义：因为画面已经把同时性打散，把运动痕迹变成可见结构，世界上不再存在唯一物理正确的声音对应物。论文因此把任务写成推测性解释，即模型作为没有身体的聆听者，对当前视觉流提出一种可能的听觉回应。展出信息也属于任务的一部分：作品与视觉艺术家合作，于 2026 年 4 月 17 日至 26 日在东京展出，作品页当前可用，地址为作者提供的个人站点。理解这一步，才能明白后文为什么删视觉语义、为什么只用在场状态、为什么接受错位。

同类路线做过什么，Passing 的差别在哪里？

先按同输入同目标来对照。媒体艺术里早有用狭缝扫描思路把视频当作可交换拉伸的时空结构的做法，也有把观众当下动作并入录像时间结构的交互作品。Passing 的直接前作处理高分辨率高帧率海浪，让被改变的时空可被感知。本作把对象换成单轨车窗的连续街景，并把约束写死为保留从右向左的通过流，即使做水平翻转加倒放组合也不丢掉身体对掠过的感知。差别在于它不做实时高分辨率渲染，而是事先算好多种轨迹再按在场状态重排播放。

再按同目标同监督对照视频到音频合成。近年方法在从画面或多模态输入生成合理声音上进展明显，其中有的方法同步性强、音质好，而 SpecMaskFoley 的特点是在保持同步生成的同时支持实时推理，适合交互装置。Passing 不把同步当作客观重建的证明，而是当作艺术解释的支撑：模型接收的不是按录制顺序的原片，而是已经被时空重组的视频流，目标是为错乱世界给出可能的听法。

最后按创作权结构对照。作者之前做过基于声音艺术家过往作品档案的生成声音装置，讨论人机之间协商作者权，其他艺术家也把人工智能体当作合作者或对话者。Passing 把观众也写进三方回路：艺术家定录制与变换规则，模型把视觉流译成声音，观众以在场与否改变视觉路径，从而改变模型所听的材料。这意味着比较时不能把类别差异当同条件胜负，例如不能拿正常配音的音质分直接评判错乱时空下的解释是否好，因为输入分布和任务目标已经不同。

为什么线性回放和正确配音在这里都不成立？

从一个样本走一遍更容易看清问题。假设列车向前开，近处房屋快速右向左掠过，远处楼群移动缓慢，车内有人走动。普通播放就是沿时间轴一张张取帧，空间的同时性被保留在每帧之内。Passing 的做法是把这些帧沿时间轴堆成体，然后让切片平面倾斜或旋转着穿过这个体。切面一斜，原来封在 1 帧里的同时性就塌了，近景的快运动可能被拉长或悬停，远景的慢运动可能被错位，局部人物车辆的运动可能反转。画面仍是实拍街景的连续质感，但视点与时间顺序不再一致。

这时正确配音的概念失效了。如果画面里同一栋楼同时包含不同时刻的切片，它在物理上就没有唯一的发声位置和运动速度，任何试图恢复原场景声音的做法都会遇到无解。论文提出的问题因此是：如果均匀空间和线性时间的前提塌了，声音如何存在，聆听如何发生。操作上的回答是把声音任务改成条件生成：给定当前显示的视觉流和车内环境声的语义锚，生成与持续运动和瞬时事件对齐的声音。评价也随之改变：不再问像不像原车录音，而问是否回应了运动方向速度事件密度和翻转倒放带来的矛盾，是否在稳定段保持车厢氛围、在扭曲段给出更强的变化。

从录像到声音的整条链路如何走通？

整条链路分 3 段：时空重组做画面库，在场检测做选片，视频条件模型做实时声。第一段把单段连续录像变成可遍历的体，再按多种出发时刻和旋转速度生成多条切面轨迹，预渲染成片段库。第二段用相机估计观看区是否有人，只把有无人的状态送给播放控制，触发时经开放声音控制协议选下一片段。第 3 段把选中片段对应的低分辨率条件图像序列送给运行在工作站上的 SpecMaskFoley，生成立体声经音频接口到扬声器。观众不直接碰声音模型，声音只听画面。

时空体 × 截面轨迹： 时空体负责把连续录像从帧序列变成可遍历的材料，它把每 1 帧看作沿时间轴堆叠的薄片，保留列车前进、远近景相对运动和行人车辆局部运动；截面轨迹负责规定在这个体里怎么走，它通过改变切片平面的位置和倾角决定哪些运动被悬停、拉伸、反转或错位，二者搭配的理由是只有先有体才有可斜切的对象，只有规定轨迹才能把斜切变成可播放的连续旅程，组合后新增的作用是不合成新风景也能产生物理上不可能但视觉连续的通过感。

下图把堆叠与斜切的原理画成三块，值得对照正文慢慢看。左侧是帧堆成体的方向定义，中间是倾斜切片的例子，右侧是切完后横轴变成时间的输出样貌，建筑被纵向拉伸但街景仍连贯。

看图路径： 1. 先看左侧把多帧沿时间轴堆成斜长方体的示意，确认高度为图像高、宽度为图像宽、纵深为时间；2. 再看中间标为时间与高度切片的红色斜平面，理解它与普通逐帧播放平面的角度差异；3. 最后看右侧输出图的横轴已变成时间，观察左侧窄条建筑被纵向拉伸而右侧街景仍连续

论文图 2。原论文 Figure 2:：“Spacetime reconstruction in Passing. Frames are stacked along the temporal axis to form a spatiotemporal volume.”。

看完要回到可复述的动作：普通播放是切面沿原帧顺序推进，Passing 是不断移动并旋转切面；轨迹参数决定哪类潜在运动显现；所有轨迹共用一个约束，即整体保持从右向左的流，包括水平翻转加倒放的组合也不反向。这种约束是连接身体感知的关键，也是后文分支设计不至于散成随机跳剪的原因。

时间对齐与语义引导各自管什么，为什么这样配？

声音模型部分先讲白话。视频到音频合成简称 V2A，输入是画面，输出是波形或频谱再经声码器变成可听声。SpecMaskFoley 的骨干是预训练的频谱掩码生成器，负责把被遮蔽的音频记号补成合理频谱；控制分支负责把视觉时间特征对齐到时频表示上，让声音跟上画面；频率感知对齐器负责把基于同步特征的时间视频特征适配到时频控制实现上。原文还提到声码器把频谱变成波形，音频分词器把波形变成离散记号。

ControlNet 时间对齐 × CLAP 音频语义引导： ControlNet 时间对齐负责让声音的起伏跟上重组后画面的持续运动和瞬时事件，输入是重排序视觉流的时间特征；CLAP 音频语义引导负责把生成锚定在列车内部环境声的声学上下文里，防止漂向无关或过度人工的质感，二者搭配的理由是本作删去了原来承担视觉语义理解的视觉编码器，需要用听觉域的语义来补位，组合后新增的作用是模型用耳朵里的车厢印象去听眼睛里已经错乱的时空，而不是还原原片录音。

本作对原配置做了关键删减：去掉视觉编码器。艺术理由是把语义完全交给听觉域，用多摩单轨车内环境声经预训练音频编码器得到的嵌入作为条件，让模型透过车厢声的印象去解释错乱视觉流；技术理由是该视觉编码器是实时推理的瓶颈，去掉后才能在展出中稳定低延迟地为不断演化的视频流合成声音。最终架构因此只剩时间对齐加音频语义两条条件通路。下图展示了视频编码器、音频编码与掩码、主干与控制分支的连接，冰雪图标表示冻结，火焰图标表示可训练。

看图路径： 1. 先沿顶部视频编码器到频率轴对齐再到控制分支的横向主链，看时间特征如何进入音频主干；2. 再看底部频谱经编码加掩码后的色块矩阵，区分被遮蔽位置与条件掩码位置；3. 对照雪花与火焰图标，确认哪些编码器被冻结、哪些对齐与控制模块可训练

论文图 4。原论文 Figure 4:：“Overview of SpecMaskFoley. Ice icons indicate frozen modules, and fire icons indicate trainable modules.”。

读图时不要把色块当成具体数值。重点是主路径从左到右的汇合点：视觉时间特征经投影与频率轴重复后与被掩码的音频记号汇合，再分别进入主干与控制分支，控制分支的输出加回主干对应层。条件掩码一路用虚线标出无条件掩码与条件掩码的区别。复述时要能说清监督来源：时间对齐来自视觉流，语义来自车内环境声，画面本身不再提供显式视觉语义。

交互侧的组件同样要讲清分工。

观众在场状态 × 视频序列分支： 观众在场状态负责提供唯一的交互信号，它只估计观看区是否有人，不记录也不存储相机图像；视频序列分支负责把这个二值状态变成可走的不同切面路径，即默认主循环与过渡分支之间的概率性切换，二者搭配的理由是作者不希望观众直接演奏音量音高音色，而是通过改变模型所听的世界来间接改变声音，组合后新增的作用是形成观众改变画面、模型跟随画面生声的中介链。

具体动作是：系统只估计是否有人，不做身份或姿态识别，不存图；有人时按概率从可用分支候选里选过渡片段，无人或未选中分支就沿默认主路继续；过渡片段播完自动回到另一主系列，并把刚播过的过渡片段暂时移出候选池以减少即时重复。画面序列的变化会改变模型能看到的运动方向速度事件密度和转场节奏，包括翻转倒放制造的矛盾，声音因此间接被观众改变。

模型练了什么，片段库又是如何构造的？

这里有两条线，一条是声音模型的训练与适配，一条是画面库的构造，二者不要混成 1 次训练。

预渲染片段 × 实时声合成： 预渲染片段负责事先把多种出发时刻和旋转速度的切面轨迹算成可直接播放的视频库，保证 4K 高帧率展出稳定；实时声合成负责对当前选中的视觉路径每时每刻重新生成声音，而不是重播准备好的音频，二者搭配的理由是高分辨率时空变换难以在展出现场逐帧实时渲染，而声音必须跟随非线性跳转即时响应，组合后新增的作用是画面走哪条旧路是有限集合，声音对每条路的听法是每次都新算的。

声音侧的基座分词器、生成骨干与声码器先在大规模音频事件数据上训练，论文点名为常用音频事件集与视频声音集，并做了去除人声成分的声源分离预处理，以降低无意合成人声的风险。随后在视频声音集加约 35 分钟拍摄期间录制的多摩单轨自定义视听数据上做视频到音频适配。因为自定义数据量小，论文报告用了空间裁剪、声道处理和保持同步的时间反转视听对来扩增。部署时显示与条件输入分离：展出的是高分辨率高帧率渲染片段，送给模型的是事先算好并缓存的低分辨率低帧率条件图像序列，避免运行时对每帧高分辨率画面提特征。

画面侧没有神经网络训练，只有坐标变换与轨迹生成。坐标变换把堆叠后的体看作可用任意角度取截面的对象，切面倾斜后同时性塌缩，运动痕迹显现，深度速度视点和时间顺序不再对齐。轨迹生成通过改变切面出发时刻和旋转速度做出多版本，每条轨迹决定列车前进、远近相对运动和局部人物车辆如何显现为悬停拉伸反转或错位。结果是预渲染的片段库，不是现场合成的新风景。复述时要保留原文未交代的缺项：论文没有报告优化器学习率步数与冻结细节之外的梯度路径，不应从模型名推定实现，也不应断言去掉某模块必然怎样。

展出现场测了什么条件，公平性如何保证？

展出不是离线打分，而是在固定硬件与固定素材上验证连续可运行性。要核对的条件包括素材规格、播放规格、条件规格、音频规格、交互信号与计算预算。素材是单段连续录像对应的约 20 分钟行程，播放是高分辨率高帧率内容，条件是低分辨率低帧率缓存序列，音频是实时立体声，交互是只传在场状态，计算是单工作站显卡。展前做了现场稳定性测试与和艺术家的试听，确认默认循环保持车厢氛围、过渡序列随扭曲视觉流给出更强变化，再定下同步保真与自然度的平衡。

下图把展厅与后台的连线画得很具体，适合按信号方向复述。从观看者到摄像头到播放控制，再到显示端与后台声音电脑，最后到音频接口与扬声器，控制与音频是两条不同颜色的线，不要混为一条。

看图路径： 1. 先区分右侧展出空间与左侧后台，确认声音生成电脑与音频接口放在后台；2. 再沿笔记本电脑发出的两条控制线，看一路如何触发显示端选片、一路如何经开放声音控制协议通知后台；3. 最后确认显示器上方摄像头、两侧扬声器与标注的显示帧率，理解在场信号与声像输出的物理位置

论文图 3。原论文 Figure 3:：“Installation view and system configuration of Passing.”。

图中可见显示器标注为高分辨率高帧率，声音电脑标注为展出所用显卡，后台与展厅之间经开放声音控制协议通信，音频经接口送到两侧扬声器。复述公平性时要强调：声音的任何变化都只能来自视觉路径的变化，因为观众信号不直接映射到音量音高音色；比较稳定段与过渡段时，输入的扭曲程度本身不同，因此不能把过渡段变化大直接读成模型更好，只能读成模型对更扭曲输入的回应更强。隐私条件也要保留：系统不记录不存储相机图像。

下表把部署链路的关键规格收拢成一行行可核对的条目，表前的问题是：要复现连续展出，必须固定哪些显示、条件、音频与信号条件。表中数字与单位保留原文写法，裸值不擅自加单位，表后解释稳定运行的代价与边界。

表后需要说明主要收益与具体代价。收益是把重计算放在展前，把轻量条件读取放在展中，从而在单卡上支撑高分辨率显示与实时同步声；代价是画面路径被锁在有限预渲染集合里，声音的新鲜度依赖视觉跳转的多样性，长时间同一观众若总走主路，听感会偏向连续车厢氛围。未评测的边界是实际延迟分布、误触发率与长时间运行的显存温度，原文未给出数字，不应承诺这些量得到改善。

主循环与过渡分支各自听起来怎样，有什么证据？

论文没有给出最终声景的客观打分，主结果是现场可运行的行为描述加艺术协商结论。报告的原话是：稳定主循环倾向于维持连续的车厢内部氛围，过渡序列则允许随更扭曲视觉流产生更强的声音变化。艺术家把这种效果描述为观察点摇晃、如出体体验，作者将其解释为视觉视点、聆听位置、屏幕与身体之间通常对应关系的松动。这属于有限解释，不是因果证明。

下图是理解主次关系的关键证据：默认回路如何在两大主系列之间往返，过渡分支如何进入又如何自动返回，以及冷却跳过如何减少重复。读图时注意过渡只在有在场时按概率启用，无人时沿默认路继续。

看图路径： 1. 先沿顶部白色主循环从起始站到终点站再折返到底部红色反向链，看默认无尽回路的走向；2. 再看黄色与蓝色过渡块的虚线进入与绿色实线自动返回，确认分支只在有在场时按概率触发；3. 最后读右侧图例中关于触发概率、自动返回与冷却跳过列表的文字，理解如何避免短期重复

论文图 6。原论文 Figure 6:：“Transition graph of the rendered video sequences in Passing.”。

图中顶部为主系列从起始站到终点站的顺序块，底部为镜像反向系列，中间黄色与蓝色块为过渡分支，虚线表示有在场分支，绿色实线表示播后自动返回。右侧图例写明触发概率、默认继续、播后返回与冷却列表，底部小字提醒分支接入点很多、图上只画示例。结合正文可复述的规则是：播完过渡片段后一类自动回到反向系列、另一类自动回到正向系列，刚用过的过渡片段一段时间内不再候选。

下表把序列分组的数量与行为收拢为可核对的一览，表前的问题是：在有限素材下，无尽循环靠什么结构实现，不同分组各自承担什么听觉条件。表中数量保留原文，表后解释收益代价与未胜出项。

表后解释主要收益与反例。收益是用有限录像走出理论上不重复的路径，同一观众久留也不易连续撞到同一过渡；代价是路径仍是预渲染集合的子集，极端扭曲主要来自过渡分支，主路本身变化有限。未胜出项是论文没有对每条轨迹做听感打分，也没有把过渡片段的声变化量化为同步分或音质分，因此不能把过渡变化大说成全面更优，只能说在更扭曲输入下模型给出更强回应的现场观察成立。

拿掉视觉语义与换掉训练数据会怎样，原文给了什么对照？

严格意义上论文没有为展览声景做消融打分，但给出了两处可当作对照来读的设计选择。第一处是去掉视觉编码器：原文同时给出艺术与技术两条理由，艺术上要把语义锚交给车内环境声，技术上要去掉实时瓶颈。论文没有报告加回该编码器后的延迟或听感数字，因此不能补写拿掉后必然更好的因果，只能说在展出硬件上作者选择了更轻的通路并通过试听确认氛围稳定。

第二处是训练数据扩增：在原视频声音集之外加入少量自定义单轨数据，并用空间裁剪声道处理与保同步反转来补偿数据量小。论文没有给出只用原数据与加入自定义数据的对比试听分数，因此不能把自定义数据的贡献量化，只能复述它被用来让模型见过单轨车窗的视听分布。

另一处背景对照是引用自原模型论文的性能散点，横轴为音频质量距离、纵轴为视听时间错位，两个指标都是越小越好。该图用于说明选择该模型作为实时组件的合理性，不是最终声景的评价。读图时要区分从零训练、隐空间适配与控制分支 3 类路线，不要把左下角直接推广为在错乱时空下也最优，因为测试集是常规视频声音集，与本作扭曲输入分布不同。缺失的验证应明确点名：没有报告过渡触发概率的敏感性、没有报告条件分辨率从低到高的听感变化、没有报告长时间生成的漂移，这些都是复现时需要补的对照。

哪些结论不能下，哪些边界尚未测量？

首先是评价边界。最终声音没有客观正确参考，稳定段的车厢氛围与过渡段的强变化都是现场观察与艺术家描述，不是可复算的指标。引用散点的质量与同步分只支持该模型在常规测试集上有竞争力，不支持它在错乱时空下必然同步得更好。总体趋势不等于每段每步都成立，某次过渡听感好不能推广为所有过渡都好。

其次是交互与数据边界。在场信号是二值的是否有人，没有姿态距离停留时长，观众不能直接演奏声音，只能通过改变画面间接影响声音。过渡触发是概率性的，长时间同一观众的行为与系统冷却列表相互作用，论文没有给出触发率与重复率的统计。训练侧自定义数据只有几十分钟且经扩增，声源分离去人声也不能保证完全不出现类人声，论文只说降低风险。部署侧只报告单卡型号与输出规格，没有报告端到端延迟分布、掉帧率、显存占用与长时间稳定性曲线。

最后是概念边界。模型没有身体与生活空间经验，它的错位与歧义被作者当作可感知的解释能动性，这是一种策展立场，不是技术证明。相关性不是因果：在场时出现过渡不能直接归因于某位观众的意图，因为选择还受概率与冷却列表影响。复述时要用报告显示表达直接观察，用支持表达有限解释，用可能待验证表达推测。

要复现这条无尽旅程，先固定什么再补什么验证？

复现先做三件固定工作。第一固定素材与变换：用一段连续车窗录像，按堆叠成体再斜切旋转的思路生成多条轨迹，约束整体保持从右向左的流，预渲染成主系列与过渡分支两类库，并实现默认往返加有在场概率分支加播后自动返回加冷却跳过的选片器。第二固定声音通路：用支持实时同步的视频到音频模型，去掉重型视觉语义分支或换成轻量实现，用车内环境声的音频嵌入作语义锚，显示与条件输入分离并缓存低分辨率条件序列，输出立体声到固定声学系统。第三固定交互与隐私：只传在场状态，不存图，控制经标准协议触发选片。

值得尝试的时机是：已有连续长镜头且希望不合成新景也能走出无尽变化，同时需要声音跟随非线性跳转实时变化，且能接受无客观正确声的评价方式。若只是给正常视频配正确音效，不必用这套重组流程。

还需补的验证包括：记录不同触发概率下的分支覆盖率与重复间隔，记录稳定段与过渡段的主观描述与同步感受，记录端到端延迟与长时间运行曲线，补做有无自定义数据、有无视觉语义分支的对照试听。资源方面区分三件事：代码是否开源、权重是否可下载、系统是否可运行，论文只给出模型 lineage 与展出配置，不等于开箱可跑，作品页当前可用但不代表工程可复用。

如何一句话记住它，又如何避免常见误解？

记住一句话：用斜切时间体的办法让有限街景走出无尽通过感，再让只听画面的人工耳即时为错乱世界配上可能的车厢声，观众以在场改变画面从而间接改变声音。

推测性聆听 × 分布式创作权： 推测性聆听负责定义模型的工作不是还原正确车厢声，而是对时空前提崩塌后的画面提出一种可能的听觉解释；分布式创作权负责把这个解释放进三方结构，即艺术家定规则、模型提声音、观众以身体在场影响路径，二者搭配的理由是画面已无单一物理正确声对应物，评价只能看解释是否回应视觉流，组合后新增的作用是让错位和歧义从失败变成可感知的模型解释能动性。

常见误解有三。其一以为声音是原车录音修复，实际是每次重算的解释，语义锚虽来自车内声但不重建原声带。其二以为观众在演奏声音，实际观众只改变视觉路径，音量音高音色没有直接映射。其三以为散点左下角等于本作最好，实际那是常规测试集的背景证据，错乱输入下的好坏只能回到是否回应运动与不稳定来谈。收束时回到可核对的动作：素材一段、体一个、轨迹多条、分组 4 类、信号 1 位、模型两条条件通路、输出一路立体声，缺的数字就是缺的，不要用比喻补成性质证明。

⚖️ 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

← 返回 2026-09-24 语音/音乐/音频论文速递