麦克风默认关闭：用手腕异常触发一秒声音来分辨细粒度动作

英文题目：AnomaSense: Anomaly-based Sensor Activation for Fine-Grained Human Activity Recognition

标签：#音频分类 | #变分自编码器 | #多模态学习 | #隐私保护

评分：6.0/10 | 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 0.7/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

• Xue Wang：University of California, Los Angeles, Los Angeles, CA, USA
• Yang Zhang：University of California, Los Angeles, Los Angeles, CA, USA

📌 核心摘要

该工作处理腕戴细粒度活动识别，输入为连续六通道IMU信号与按需采集的短时音频，输出为20类腕部动作标签，难点是组内动作腕部轨迹几乎相同而材质声音不同，且麦克风常开会泄露语音。方法分三步：仅以无声日常运动训练LSTM-VAE并以重构误差平滑阈值检出异常点，异常点处请求1秒音频并做遮罩且截取前后各0.5秒惯性窗口，DeepConvLSTM与AudioCNN分别提特征后经自注意力融合分类。与监督分类器触发采样的已有方案不同，该触发无需目标活动标签且以运动先于声音的时间先验决定监听时刻，兼具数据最小化与泛化到未见活动的显著潜力。在15人留一交叉验证评测设置下，IMU加无遮罩1秒音频的准确率为96.89%，高于IMU单模态的准确率78.98%。结论仅适用于受控安静环境与偏向音频的活动集，未验证噪声、非脚本运动与长期误触发下的表现。原文未实测功耗与端侧延迟。

🔗 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，目标是什么，读完要能复述什么？

这篇解读的输入是论文正文证据与本次收到的官方原图像素，目标是让刚进入语音与可穿戴传感的研究生能复述方法与实验条件。需要保留的信息包括任务定义、触发器与识别器的输入输出、掩码定义、数据规模与划分、触发精确率与召回率、识别准确率随掩码的变化，以及作者明确声明的离线仿真与安静受控条件。输出按学习依赖展开，先讲为什么惯性加音频值得做但不能常开麦克风，再讲全景与组件，最后讲如何训练、如何评测与如何复现。

论文研究的任务是手腕可穿戴的人体活动识别，重点是细粒度活动识别。细粒度在这里有明确含义，白话说就是手看起来做的是同一个动作，但手里拿的东西或碰到的面不一样。英文是 fine-grained activity recognition，与之相对的是粗粒度区分 coarse distinction，例如走路与打字。惯性测量单元，英文是 inertial measurement unit，简称 IMU，记录手腕的加速度与角速度，能分粗粒度但在细粒度上容易混淆。音频能补上物体碰撞与材质声，但麦克风常开会录下语音，带来说话人与旁观者的隐私风险。

论文因此不研究常开音频识别，而是研究何时值得开麦克风、每次开多久、开到的声音还要遮掉多少仍能识别。

同输入同目标的前人走了哪两条路？

与本文同输入同目标的工作是手腕 IMU 加麦克风的识别，例如 GestEar 用动作加音频识别拍手与敲击类发声手势，另一些日常活动工作把声音与手腕运动结合。它们的共同点是在推理时需要音频，区别是大多没有处理麦克风隐私成本。另一条相关路线是推理时不用音频，例如 AudioIMU 把音频教师蒸馏到 IMU 学生，论文转述其相对 IMU 单独约 4 个百分点的提升，说明有些声音信息很难完全搬进纯惯性模型，推理时仍值得保留少量音频访问。隐私保护方面，论文把前人分成两类。

第一类是信号遮蔽，先录音再去语音，例如降采样到 1 kHz、过滤疑似语音段或只保留识别特征，代表是 SAMoSA 与 Kirigami。第二类是传感器激活，限制麦克风何时打开，例如用运动触发对手部洗手声的监听，或用有监督 IMU 分类器决定何时采样音频，代表同样是 SAMoSA 的触发部分。AnomaSense 属于第二类，但触发器不用目标活动的标签，而是用只见过无声日常动作的无监督异常检测器。论文还提出两个激活评价量。节省性 sparingness 回答开了多久，触发准确率 trigger accuracy 回答相对声音事件的精确率与召回率。

论文称据其所知前人报了前者而没有报后者，这是它要补的测量。与 SAMoSA 的差别需要记准。SAMoSA 用有监督 IMU 分类器触发，与训练活动绑定，保护语音用 3 秒窗口降采样到 1 kHz 并做了正式可懂度研究。AnomaSense 用无监督异常触发，每次至多 1 秒并在秒内掩码，保留全采样率以分辨高频材质声，但语音掩码验证只是 4 人小规模检查，证据弱于 SAMoSA。

为什么触发时刻可以用手腕异常来近似？

论文把可行性建立在一个时间顺序观察上。许多手腕动作的声音是由手腕运动造成的，运动记录先到或同时到，声音随后到。合上笔记本盖是运动以闷响结束，放杯子是下降以桌面阻挡结束，挥拍是加速直到拍面触球。特别是速度突变处，往往就是声音发生处。理想激活是在该时刻开麦克风，稍后关闭。

论文也按声音形态区分了 4 种情况。脉冲声如拍手与锤击，声音短且落在速度变化时刻。带反弹或随挥的动作如挥拍，声音在峰值速度附近而惯性特征延续到之后。重复动作如打蛋，每转一圈一个小声，序列中任一异常点都可作为监听位置。连续摩擦声如砂纸打磨，声音与惯性在整个动作重叠，触发点落在动作内即可。

有一个明确不适用的类别，即声音连续且与手腕无关的电器，例如砂光机与搅拌机，因为惯性无法预测时刻，论文把这类活动排除在外。这是一个范围选择，会限制泛化，作者在局限节承认了这一点。延迟问题也要先理解。检测器每 0.1 秒评估一个 1 秒窗口，异常点放在窗内平滑误差峰处。如果触发后才开麦克风，脉冲声的起始可能丢失。

论文称在其数据中误差上升通常早于声音到达，1 秒音频窗从异常点开始一般能包住声音，但 74.28% 的召回本身就包含了 timing 失败的部分。手表端推理延迟没有实测，这是部署前缺项。

粗粒度区分 × 细粒度区分： 粗粒度区分指惯性传感器已能分开的动作，如走路与打字，细粒度区分指手腕轨迹几乎相同但接触物体或材质不同的动作，如敲木头与敲金属；论文把数据集按组内细粒度、组间粗粒度组织，搭配理由是让音频只补惯性最缺的那部分信息，组合意义是解释了音频增益为何在这套数据上显得很大。

跟着一个样本走完从惯性流到标签

先沿一个样本走全程。手表以 50 Hz 输出三轴线性加速度与三轴陀螺仪，共 6 通道，麦克风默认关闭。异常检测器持续重构惯性流，计算重构误差并做指数加权平滑。当平滑误差同时超过自适应阈值与绝对下限 0.5 时，该时刻记为异常点。系统在该点请求从该点开始的 1 秒音频，并取出该点前后各 0.5 秒的 1 秒惯性窗口。

注意两窗有半秒错位，惯性窗以动作为中心，音频窗从动作点向后要声音，这正是上一节时间顺序的直接实现。音频窗在进入识别器前按掩码比例置零一部分采样。识别器把惯性窗送入 DeepConvLSTM 分支，把掩码音频的对数梅尔谱图送入 AudioCNN 分支，两路特征经自注意力融合后送全连接分类器；若面对未见活动，则对融合特征做聚类。下面的总览图把左右两半说清楚，左半是无监督切分，右半是细粒度识别。

异常检测 × 传感器激活： 异常检测负责持续观察 6 通道惯性信号并给出何时可能发声的时刻，传感器激活负责平时保持麦克风关闭、只在该时刻打开至多 1 秒；二者搭配的理由是手腕发力动作在时间上先于或同时于声音，组合意义是把连续录音问题变成稀疏触发加掩码的有界录音问题。

看图路径： 1. 先从左侧六通道惯性信号沿编码器、隐变量、解码器走到均方误差曲线，确认异常点的位置；2. 再看右侧异常点如何同时引出居中的惯性窗口和受限请求的音频窗口；3. 最后确认两路特征向量在自注意力处汇合，再走向分类或聚类

论文图 1。原论文 Figure 1.：“Overview of the AnomaSense pipeline. Left: unsupervised activity segmentation.”。

从像素看，左下是静态或慢速惯性信号进入单层 LSTM 编码器，经隐变量送入 LSTM 解码器得到重构，再与上方含活动的惯性信号比较得到均方误差曲线，红点标出异常。右上橙色高亮的活动段进入 DeepConvLSTM 得到惯性特征向量，右中红色方框是受限声学请求，向下引出蓝色高亮的异步掩码音频并进入 AudioCNN 得到声学特征向量，两向量在中间 Self-Attention 汇合，最右是按活动着色的分类或聚类散点。读图时不要把散点颜色当成固定语义，颜色只区分簇，簇名要看文字标注。

检测器与掩码各自做了什么计算？

检测器是长短期记忆变分自编码器，英文是 LSTM variational autoencoder，简称 LSTM-VAE。白话说，编码器把一段惯性窗压缩成高斯隐分布的均值与对数方差，从中采样再由解码器还原成 6 通道惯性。训练只用无声日常动作，目标是负证据下界，计算上是均方重构误差加隐分布与标准高斯的散度。推理时只用均方误差并做 0.1 秒平滑，每 0.1 秒评估 1 次 1 秒窗。论文报告检测器有 0.539M 参数，每窗需 0.197 GFLOPs，强调它必须在手表端持续运行，因为它的职责是决定是否开麦克风。

掩码有两种，都由 0 到 1 的掩码比例定义删除比例。逐点掩码 point-wise masking 对窗内每个采样独立地以该概率置零，是无记忆的伯努利过程，90% 逐点掩码平均每 10 个点留一个，效果类似 4410 Hz 采样。连续掩码 contiguous masking 在窗内均匀随机选起点，把一段连续长度按比例置零并可回绕，90% 连续掩码等价于该秒只开 100 毫秒。部署视角下连续掩码对应缩短激活，而不是事后处理，因此论文认为它更有意义。

逐点掩码 × 连续掩码： 逐点掩码以掩码比例独立地把采样点置零，效果类似随机降采样，连续掩码从随机起点开始把一整段置零，效果等价于缩短本次麦克风打开时长；论文选择连续掩码作为更值得部署的保护手段，因为它直接切断语音的时间连续性，组合意义是在同一删除比例下对语音识别伤害更大而对动作声音保留更多。

看图路径： 1. 对比面板 A 中散布的逐点置零与原始语音包络的重合程度；2. 对比面板 B 中被整段置零的灰色原始段与蓝色保留段的边界；3. 注意两种掩码下横轴都是同一秒窗口，区别只在删除的时间结构

论文图 2。原论文 Figure 2.：“Two masking methods applied to a speech waveform.”。

从像素看，面板 A 的蓝色逐点掩码语音仍跟随灰色原始语音的整体包络，只是样本级有毛刺缺口；面板 B 的蓝色保留段只出现在几处，灰色原始段大段被压成零线。教学例子是，若把 1 秒比作一句话，逐点掩码像随机抠掉很多字但每处都留一点痕迹，连续掩码像整句只听中间 100 毫秒。例子只帮助理解时间结构，不代表论文测过该句子的可懂度。

识别器如何把两路信号变成一个决定？

识别器有 3 个输入分支，分别处理加速度、陀螺仪与音频。惯性侧用 DeepConvLSTM 而不改结构，每个分支有 4 个 2 维卷积层并接批归一化，加速度与陀螺仪输出拼接后经全连接与 LSTM。音频侧先从掩码 1 秒窗算对数梅尔谱图，分析窗 1024 点，跳 320 点，64 个梅尔带，被置零的采样就当零处理，谱图送入沿用 AudioIMU 设计的 AudioCNN。3 路输出拼接后过单层自注意力 self-attention，让模型按输入加权模态，再过全连接分类器。用交叉熵与 Adam 训练。

论文报告识别器有 0.369M 参数，每输入需 97.488M 浮点运算，属于较小的多模态模型。评估时识别器跑在笔记本离线环境，若部署在端外，掩码 1 秒音频仍要离端，此时保护来自录了多少而不是在哪里算；若在端内，则只出标签。论文的隐私论证按较弱的前者来写。

DeepConvLSTM × AudioCNN： DeepConvLSTM 分支负责从 1 秒惯性窗口提取运动特征，AudioCNN 分支负责从掩码后 1 秒音频的对数梅尔谱图提取材质与接触声特征；二者分工后经单层自注意力按样本加权融合，搭配理由是不同样本更依赖的模态不同，组合意义是让模型在某次触发音频被部分掩掉时仍能偏向可用的模态。

哪些模型被训练，监督从哪里来？

训练分三块，都要分开记。第一块是异常检测器的无监督训练。10 名与后继识别研究不重叠的参与者，用惯用手佩戴手表记录 10 种无声日常动作，包括挥臂、握手、按表屏、伸展、转体、擦脸、揉眼、戴眼镜、系鞋带、手插兜，每种重复 5 次并在 2 次之间手臂回垂，共 32.09 分钟，线性加速度与陀螺仪均为 50 Hz。没有目标活动标签，监督信号就是重构自身，目的是学会普通运动的形状，学不会的就报高误差。

作者承认只建模普通运动不够干净，因为发声动作与普通伸臂旋转共享特征，检测器也会对无声但没见过的运动误触发，误触发的程度就用后文精确率度量。第二块是多模态识别器的有监督训练。用 15 人 20 类数据做留一参与者验证，每折留 1 人测试，另随机 2 人做验证选模型，其余 12 人训练。标签是活动名，损失是交叉熵。输入是触发器选出的窗口对，而不是滑动窗全量。

第三块是掩码选择的语音识别检查。用 4 人朗读的 150 句八词句，3 种设备位置模拟手表、头戴与音箱，微调 Auto-AVSR 音频模型 60 轮，学习率 5e-5，CTC 损失权重 0.1，训练与测试用同种同比例掩码，留一说话人验证。这是为在两种掩码中二选一，不是隐私保证。论文未报告检测器隐层与隐向量尺寸的具体数值，只说见发布代码；资源状态为不可用，因此本次解读不声称代码已公开。

数据、设备与评分口径如何对齐？

识别与触发共用一套 15 人采集。设备是戴在惯用手腕的 Google Pixel Watch，配套应用把同步的 IMU 与麦克风流经网络存到 MacBook Pro。IMU 为 50 Hz，音频为 44100 Hz 全采样率，目的是在软件侧控制有效分辨率并保留高频材质声。采集时麦克风连续记录，这与部署相反，是为了事后能知道漏掉的声音，激活逻辑在录好的数据上仿真。每人约 30 分钟，分两段完成 20 类各 5 次，两段之间摘下重戴以引入佩戴差异，每类共 10 次。

第 13 名参与者未能完成羽毛球，该类缺数据。20 类按 5 组组织，每组 4 类且组内手腕动作相近、物体或材质不同。运动组是 4 种球拍击球，材料组是锤击泡沫、金属、木头与混凝土砖，餐具组是放塑料碗、玻璃高脚杯、水瓶与陶瓷杯，办公组是开关书、开关笔记本、插拔电源线与订书机，日常组是打蛋、擦丝、砂纸打磨与拍手。材料组最人工，但能固定动作只变材质声。触发评分的真值来自音频能量，而非视频或人工标注。

在每秒音频缓冲内算均值与标准差，高于均值加 2 倍标准差的采样记为声音事件。检测窗与声音事件重叠为真正例，有声无窗为漏检，无声有窗为误触发，挥空拍这类有异常无声会被计为误触发。安静轻轻翻书可能低于能量阈值，正确触发会被记成误触发，作者未手工核对事件线，这是测量的局限。识别指标是 20 类平均准确率，先按类算再平均，避免易触发类主导总数，差异指跨折均值之差，未做统计检验。

触发有多准，识别提升多少，掩码代价多大？

先看触发与整体识别的对照问题。在同一数据、同一留一参与者协议下，触发选窗加掩码音频相对纯惯性与随机选窗能带来多少可运行的增益，指标方向是准确率越高越好、触发精确率与召回率越高越好。下表把核心数字放在同一视野，公平条件是同批 15 人数据与按类平均的口径，掩码表与语音表在后文展开。表后解释代价，随机窗只是下界而非竞争基线，脉冲声下随机 1 秒经常错过声音，因此音频单模态差距天然很大。

表后需要回答增益与代价。融合无掩码相对纯惯性高 17.91 个百分点，但这是在为音频设计的细粒度集上的上限，组间粗粒度本就靠惯性解决，组内混淆靠音频解开。90% 连续掩码相当于每激活只开 100 毫秒，仍比纯惯性高约 7.34 个百分点。

触发侧约 7 次激活有 1 次录到无声，约 4 次声音事件 miss 1 次，miss 来自没触发与触发晚导致 1 秒窗 starts after sound，两类未干净分离，运动组长挥拍贡献较多。从像素看，图 4 左图活动段在 3 种模态下都高于随机段，右图同一比例下连续掩码柱明显低于逐点掩码柱，且随比例增大差距拉大。

节省性 × 触发准确率： 节省性指门控传感器打开的频次与时长，触发准确率指激活相对目标声音事件的精确率与召回率；前者回答录了多少，后者回答录得准不准，搭配理由是只报窗口长度无法发现空触发与漏触发，组合意义是论文同时报告二者，把隐私与功耗讨论落到可核对的触发质量上。

看图路径： 1. 先看左图随机段与活动段在三种模态下的柱高差，确认触发选窗的作用；2. 再看右图同一掩码比例下蓝色逐点柱与橙色连续柱的落差；3. 注意误差线是跨被留出参与者的标准差，不是单次运行的置信区间

论文图 4。原论文 Figure 4.：“Leave-one-participant-out recognition accuracy.”。

左图绿色随机段与黄色活动段的对比确认触发落在声音上的频率足以影响识别，但作者明确说这不证明优于带重叠的固定滑窗或简单运动能量触发，因为那些对比没有跑。右图蓝色逐点与橙色连续的对比说明删除的时间结构比删除数量更关键，这正是下一节语音检查要呼应的不对称。

拿掉时间连续性与缩短窗口会发生什么？

本节按两个问题组织。第一，同样删除一半采样，伤害语音与伤害动作声音是否对称。第二，窗口从 1 秒砍到半秒，惯性与音频谁掉得更多。比较的公平条件是训练与测试用同种同比例掩码，让自适应攻击者有机会适应掩码；指标方向是语音侧字符错误率与词错误率越低表示语音越易恢复，活动侧准确率越高越好。

下表先看语音侧，条件一致但说话人只有 4 人、朗读、安静房间，不能推广为隐私保证。

表后解释不对称。50% 连续删除把词错误率从 15.46% 推到 69.41%，而 97% 逐点删除只推到 48.50%，作者试听觉得逐点更吵但识别器仍能恢复。

结论是随机丢点对自适应识别器保护较弱，切断连续时间才更伤语音，这也是激活限制时长与频次而不降采样率的理由。下表再看活动侧与开销，公平条件是同为惯性加音频的留一参与者验证，窗口对比来自早期训练轮次的 1 秒基线差一分以内的版本，因此只报差值而不报绝对值。

表后要讲代价与反例。

逐点掩码到 95% 仍有 92.23%，到 97% 才掉到 87.97%，而连续掩码到 90% 已掉到 86.32%，因为随机起点可能把整个脉冲声盖住。剩余误差集中在运动组与餐具组，正是触发 timing 最不准、声音最易落入被掩段的组。窗口减半的观察是惯性掉约 3.7 分、音频单模态掉约 7.2 分、融合无掩码掉约 5.2 分，掩码下掉 4 到 6 分，音频比惯性更怕短窗，因为窗从异常点开始更易在声音到达前结束。更短意味着更小暴露，这是部署要调的权衡，但完整窗长消融没有跑。额外反证是混淆矩阵。

纯惯性误差几乎全在组内，4 种锤击面互混、4 种球拍互混、4 种餐具互混；加音频后组内混淆基本消失，加掩码后残留仍在上述两组。

表后补充未评测边界。触发窗相对随机窗在惯性、音频、融合上分别高 14.02、34.78、26.95 分，但这只是确认触发落在信息区，不能推出检测器优于简单能量触发。

单人非惯用手与未见活动的聚类只是轶事与单人图，不应推广。

哪些结论不能推广到野外？

作者用较大篇幅自我设限，复述时要保留。第一，活动集偏向音频。组内必须靠声音区分，所以音频增益是上界，混合日常粗粒度任务时纯惯性会更高、差距更小，锤击四材质更是压力测试而非用户真实需求。第二，真值来自音频能量阈值，未手工核对，安静事件可能漏标、响亮非活动声可能误标，精确率与召回率要打折读。第三，受控安静与脚本化。

约 30 分钟脚本 session 缺少日常无脚本运动与环境噪声，误触发在窄背景下测得；噪声同时影响隐私侧与识别侧，触发器无法知道窗内是否有语音，音频分支也未做噪声增强与拒识测试。第四，样本与设备不一致。15 人不足以刻画跨人跨环境跨时间，掩码语音检查只有 4 人且用手机而非手表，非惯用手与未见活动各只有 1 人。第五，声音与标签不对齐。

系统只在异常点要 1 秒，不预测声 onset 与时长；开笔记本静音而合上才响却共用一个标签，聚类把笔记本分成两簇更诚实；切菜与放碗在不同台面会有不同声音，单台面训练会把台面当动作。第六，隐私是减少而非保证。1 秒可含一两词，多次激活可累积，语音修复可填补，作者称应与降采样或语音过滤等下游遮蔽叠加，并需正式人听可懂度研究。

惯性本身的身份与步态推断不在范围，部署还缺延迟实测、长时日常误触发标定，以及是否允许数百毫秒不离端音频环形缓冲的威胁模型抉择。

要复现这条路，先做什么，后补什么？

值得尝试的时机是目标活动满足 2 个条件。手腕动作相似但材质或接触声不同，且声音发生在动作时刻附近而非电器式连续声。若声音与手腕无关，不应套用本方法。复现先做三件事。先按论文复刻数据管线。

手表端以 50 Hz 记 6 通道惯性，以 44100 Hz 记音频并存盘，离线仿真激活；异常训练用无声日常臂部动作覆盖不同幅度，避免检测器只对大动作敏感；推理用 1 秒窗 0.1 秒步进、指数平滑、自适应阈值加 0.5 绝对下限，异常点取平滑峰，惯性取前后各半秒、音频取点后 1 秒。再固定评价口径。触发真值先用均值加 2 倍标准差的能量线，但要抽查安静事件。

识别用留一参与者、先按类平均再跨折平均，并报告跨折标准差；掩码同时扫逐点与连续，至少到 90%，并记录有效开麦时长。还需补的验证按优先级是长时日常误触发采集、带噪训练与拒识、窗长扫描、端侧延迟与功耗实测、以及多人多识别器的人听可懂度研究。关键超参数与信息条件要记全。检测器 0.539M 参数每窗 0.197 GFLOPs，识别器 0.369M 参数每输入 97.488M FLOPs。

语音检查微调 60 轮、学习率 5e-5、CTC 权重 0.1；识别用 Adam 与交叉熵，音频谱图 1024 窗长、320 跳、64 梅尔带。资源方面，本次收到的资源状态没有可验证的公开链接，因此不写代码或数据已公开，需要时按论文声明去核对可达性。

一句话收束：什么可带走，什么要留下？

可带走的是三点。无监督惯性异常可作为麦克风门控，且触发质量可用精确率 86.46% 与召回率 74.28% 核对；1 秒掩码音频足以解开细粒度混淆，无掩码 96.89%、90% 连续掩码 86.32%、纯惯性 78.98% 是同口径可比的锚点；连续时间删除对语音的伤害远大于随机丢点，50% 连续已把词错误率推到 69.41%，而 97% 逐点仅到 48.50%，这是选短激活而非降采样率的依据。要留下的是野外三缺。

噪声、长时无脚本误触发与正式可懂度研究都未做，数字是可行性证据而非 field 性能。对初学者的误解要澄清。逐点掩码听感更吵不等于更保护，自适应识别器恰能从随机缺口恢复；触发窗 beating 随机窗不等于 beating 滑窗；单人聚类成簇不等于已建成免标注流程。

下 1 次实验应先做窗长与阈值的联合扫描，再把 1 天日常背景上的误触发率与 1 秒窗内的语音出现率同时报出来，那时节省性与触发准确率才能真正对应到隐私与功耗。

⚖️ 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 2026-09-25 语音/音乐/音频论文速递