英文题目：A Comprehensive Study of Content Representations for Speech Synthesis
标签：#语音合成 | #评测协议 | #向量量化 | #说话人验证 | #语音
评分：7.8/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Diego Torres：机构信息未在 arXiv HTML 中可靠披露
- Axel Roebel：机构信息未在 arXiv HTML 中可靠披露
- Nicolas Obin：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
该研究解决语音内容表征 Content Representation 缺乏可比生成式评估的问题，输入为原始波形经待测编码器得到的内容编码，输出为仅以该编码为条件的重建语音，目标是在不提供说话人标识或参考音频的前提下度量内容保真与身份韵律泄露。方法为无参考生成式探针：全部表征统一到 50 Hz，每个表征独立训练一个同构声学解码器，以流匹配 Flow Matching 生成梅尔频谱，再经 Vocos 声码器合成 24 kHz 波形，最后用自动语音识别、说话人验证与基频工具对比原始与生成音频。相对以往允许解码器同时看到内容与说话人参考的语音转换评估，该设计消除了身份旁路混杂，使生成音频中的说话人相似必然穿过待测表征。在 LibriTTS test.clean 上，256 码本向量量化自动语音识别 VQ-ASR 将说话人验证等错误率 EER 推至约 46.6%，接近 50% 随机猜测，性别探针精度回落至约 53.0%，接近 52.9% 数据集基线，代价是差分词错误率 dWER 从连续 HuBERT 的约 0.5% 上升至约 2.7%。该结论限于干净朗读英语与同一 67M 解码器容量下的下界度量，快速口语与跨语言外推尚未验证。原文未披露训练推理成本与延迟吞吐。
🔗 开源与复现资源
模型相关资源：https://huggingface.co/OpenMOSS-Team/SpeechTokenizer — 链接可访问（HTTP 200）
模型相关资源：https://github.com/auspicious3000/contentvec — 链接可访问（HTTP 200）
演示资源：https://content-demo.diegotg2000.workers.dev/ — 链接可访问（HTTP 200）
第三方资源：https://huggingface.co/nvidia/parakeet-ctc-0.6b — 链接可访问（HTTP 200）
第三方资源：https://huggingface.co/speechbrain/spkrec-ecapa-voxceleb — 链接可访问（HTTP 200）
第三方资源：https://github.com/interactiveaudiolab/penn — 链接可访问（HTTP 200）
第三方资源：https://github.com/Blinorot/utmos-pytorch — 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
为什么内容表示的好坏不能只看识别准确率？
刚进入语音领域的学生容易把内容表示理解为语音识别的中间结果，觉得音素分得准就是好表示。这篇论文要回答的是另一个问题：当你把一段语音压缩成内容表示，再用一个不知道说话人是谁的合成器把它重新说出来，出来的声音还剩多少原说话人的痕迹，还剩多少原韵律，语言内容又丢了多少。输入是一段原始波形，输出是同一表示条件下重新采样的一段波形，中间只经过表示提取、声学模型和声码器，不给任何说话人编号或参考音频。
这样做的理由是，如果表示里藏了说话人信息，生成器只能从表示里拿到它，最终语音就会像原说话人；如果表示把说话人丢掉了，生成器就只能按学到的数据分布随机补一个说话人。论文把内容表示这个白话概念定义为以音素信息为主的特征，而不是语义理解意义上的语义令牌，并强调它不一定是离散的。
内容表示 × 说话人解耦： 内容表示负责把一句话的语言内容编码为每帧特征，目标是保留音素序列而丢掉音色和韵律；说话人解耦是衡量该表示漏出多少说话人信息的程度，二者组合的意义在于只有当表示的等价集合中说话人可变而内容不变时，由它生成的语音才会内容正确但说话人被重采样。
本解读的输入是论文正文给出的任务、方法、实验条件和结论，目标是让研究生能复述出从波形到表示再到波形的完整链路、3 种评价轴的计算方式、以及监督与容量如何交互的证据。必须保留的信息包括统一帧率与数据划分、生成器不接触说话人信息这一设计、内容与身份与韵律 3 类指标的方向、以及主要对照的相对顺序。输出是 1 篇按学习依赖展开的技术解读，不引入原文之外的模型效果数字，所有教学例子都会标明是例子。
附录：关键术语速查与符号对照
内容表示指每帧编码语言内容的特征，可连续可离散。说话人解耦指表示中说话人信息的可去除程度，常用等错误率方向判断，越高越解耦。后验概率图指每帧音素后验分布，显式受音素监督。矢量量化指用码本最近项替换连续向量的瓶颈操作。流匹配指用于从噪声或简单分布映射到梅尔谱的生成建模方法。
声码器指把梅尔谱转为波形的渲染器。差分词错误率指生成与原始转写之间的词错误率，等错误率指验证系统虚警与漏检相等时的错误率，音区与范围误差分别指基频均值差与标准差差，相关系数指两条基频走向的同步程度。本节为速查性质，不引入新实验结论。
已有路线在测什么，为什么还缺一次统一合成对比？
在进入本文方法之前，需要把相关路线按相同输入、相同目标来对照。第一条路线是语音分词器基准，把声学码和内容码放在同一榜单上比判别任务和生成任务，但榜单不直接测解耦，声学码本来就想保留一切，内容码本来就想丢掉说话人，混排会掩盖目标差异。第二条路线是用预测头探测自监督特征，只能覆盖两种层和两种量化方式，探头能解出说话人不等于合成时会把说话人说出来。
第 3 条路线是语音转换中的架构对照，例如比较离散与连续表示，或比较不同码本大小，但它们往往同时给了生成器说话人参考，生成器即使不用表示中的说话人信息也能说对音色，因此转换好不等于表示本身已解耦。
自监督特征 × 后验概率图： 自监督特征指 HuBERT 等模型中间层输出的连续高维向量，保留了重建所需的声学细节；后验概率图指每帧在音素集上的 40 维后验分布，显式受音素监督并把容量压到音素维度，二者搭配对比的理由是前者代表无显式语言瓶颈的表示，后者代表有监督加低容量瓶颈的表示，组合后可以分离监督与容量的各自作用。
本文的差异在于把聚类表示、有监督令牌、后验概率图和神经音频编解码都当作同一类东西来处理，也就是下游合成任务可用的语言内容编码方式，并在同一个无说话人条件的生成框架下重测它们保留了什么。举例来说，这只是教学例子：同样一句读同一文本的语音，一种表示重合成后像原人，另一种重合成后像路人，差别只能来自表示，因为解码器结构和采样种子都被固定了。论文因此把问题从抽象的是否解耦，改写为具体的内容、身份、韵律三轴各保留多少。
附录：与同类工作的适用条件对照
若任务是常规音色转换且允许给参考音频，带有说话人条件的转换系统仍可直接使用，不必照搬本文的无条件测量。若任务是口音转换等需要改变韵律的场景，应更关注基频相关与范围误差，而不只看说话人验证分数。若任务是把内容码喂给大语言模型做多模态建模，需要同时权衡内容错误与码率，因为过度压缩会增加语言簇混淆。本文框架的适用条件是离线批量合成与成对比较，若要在线流式部署，还需另测因果性与延迟。本文未测量误判率之外的公平性与鲁棒性，跨口音与跨噪声的推广能力属于待验证事项。
本文把测量问题形式化成什么？
论文把生成过程写成从条件分布中采样，条件就是表示。表示是输入音频的确定性函数，生成可以看作从所有映射到同一表示的语音集合中采样。集合内不变的属性会被保留，在集合内变化的属性会被按学习到的分布重采样。例如表示编码了说话人，生成语音就应保留原说话人；若只部分编码说话人，生成语音可能保留性别或口音等粗粒度特征而不完全像原人。
关键限定是解码器能力构成下界，也就是解码器没恢复出来的信息不代表表示里一定没有，只有恢复出来的信息一定在表示里经过。论文还说明不给说话人通道是有意为之，避免生成器绕过表示去用外部身份信息，否则转换分数无法反推表示层面的解耦程度。
无说话人条件的生成评估链路是怎样的？
沿一个样本走完全程有助于建立全局图。输入是一段原始波形，先送入待测的内容表示提取器，得到每秒 50 帧的特征序列。然后该序列被上采样并送入流匹配模块，生成梅尔谱，再经声码器得到生成波形。最后把原始波形和生成波形并排比较，分别计算内容差异、说话人相似度和基频轮廓差异。整个链路中没有任何说话人标识进入声学模型，随机种子对所有系统固定，因此生成端说话人差异的唯一来源是表示。
矢量量化 × 信息容量： 矢量量化指把连续隐变量替换为码本中最近码字的离散操作，负责切断连续细节的传递；信息容量指每帧能携带的比特数，由码本数、码本维度和是否连续共同决定，二者组合的意义在于论文把量化的主要作用解释为约束容量而非直接产生解耦，容量足够低时连续低维投影也能解耦。
下图是论文给出的评估方法示意图，先看懂主路径再看比较分支，能避免把声码器当成解耦的关键。
看图路径： 1. 先沿顶部波形到内容表示再到流匹配解码器最后到声码器的主链路走一遍；2. 再看底部生成波形如何与顶部原始波形共同进入左侧属性比较模块；3. 确认全图没有说话人编号或参考音频进入解码器的旁路
论文图 1。原论文 Figure 1:：“Diagram of the evaluation methodology.”。
从像素可见，顶部波形向右进入蓝色内容表示框，框内注明了多种待测表示类型，随后向下进入绿色流匹配解码器，再向下进入橙色梅尔声码器，最后向左输出底部波形。左侧黄色框标明内容、身份与音高 3 类属性比较，上下两段波形分别用箭头指向该框，形成原始与生成对照的闭环。图中没有出现说话人嵌入、说话人编号或参考音频指向解码器的箭头，这与正文所说无说话人信息的设定一致。理解这张图后，后续所有指标都可以还原为原始波形与生成波形之间的成对比较，而不是表示向量之间的距离比较。
表示集合与解码器组件各自承担什么计算？
表示集合覆盖了连续与离散、监督与无监督的多种构造。自监督分支取第六层特征，并在其上做不同码本大小的聚类；矢量量化变分自编码器分支用重建自监督特征为目标，中间加矢量量化瓶颈；矢量量化语音识别分支以冻结自监督特征为输入，用联结时序分类头做字符级识别，瓶颈前后分别给出连续与量化版本；后验概率图分支在冻结特征上训练帧级音素分类器，输出每帧在 39 个音素加静音上的分布，以及其取最大值的离散版本。
另有软单元、内容向量和语音分词器第一层等公开 checkpoint 作为对照。所有表示统一到每秒 50 帧，使每帧信息量可比。
流匹配声学模型 × 声码器： 流匹配声学模型负责以内容表示为条件生成梅尔谱，把表示的等价类映射为具体声学实现；声码器负责把梅尔谱转为波形，只做声学渲染而不引入新的说话人先验，二者搭配的理由是把表示的信息量测量与波形质量控制分开，使生成语音中出现的说话人信息只能来自表示本身。
解码器侧是同一套声学模型，只改变输入维度。内容表示先从 50 赫兹上采样到 100 赫兹，再作为条件生成 100 赫兹的梅尔谱，梅尔谱使用 100 个通道，傅里叶点数与跳长按 24 kHz 配置。上采样器与流匹配模块均由卷积与注意力层构成，流匹配采用 U 形结构并使用无分类器引导，训练时以一定概率丢掉条件。推理时用中点求解器解流常微分方程，再用训练好的声码器输出波形。
韵律比较把原始与生成基频轮廓的均方误差分解为均值项、标准差项和相关项，符号含义是原始与生成轮廓的均值、标准差与相关系数，计算目标是把音高整体高低、动态范围与走向形状分开，原文明确给出的实现如下式所示。
\[\text{MSE}=(\mu_{\text{og}}-\mu_{\text{gen}})^{2}+(\sigma_{\text{og}}-\sigma_{\text{gen}})^{2}+2\sigma_{\text{og}}\sigma_{\text{gen}}(1-\rho),\]该分解的教学意义是，均值差对应音区整体偏高或偏低，标准差差对应音高起伏大小，相关项对应走向是否同步。论文把均值差称为音区误差，把标准差差称为范围误差，后续用中位数汇报，并把相关系数单独作为韵律保留程度的直观指标。基频由外部音高跟踪器提取，转写、说话人嵌入和质量估计也分别用固定的公开工具完成，使三轴评价不随待测表示而更换标尺。
哪些模块需要训练，哪些直接复用公开权重？
本节按原文交代训练与复用边界，未报告的梯度细节不猜测。需要训练的部分包括矢量量化变分自编码器、矢量量化语音识别模型、后验概率图分类器，以及每个待测表示之上的声学模型和最终声码器。聚类器在训练集子集上用随机采样的语音拟合，软单元在注意力投影上用低秩适配微调以预测聚类索引。直接复用的部分包括自监督骨干的冻结特征、语音分词器与内容向量的公开 checkpoint，以及转写、说话人嵌入、基频跟踪和质量估计等评价工具。
论文没有给出聚类之外的表示训练轮数与全部优化器细节，因此复述时只确认冻结与更新关系：凡是写明以冻结特征为输入的分类或识别模型，其骨干不更新；凡是写明微调的软单元，其适配参数更新而骨干主体保持低秩更新方式。
下表把与可复现直接相关的采样率与帧率条件整理出来，表中数字与单位均来自正文连续原句，阅读时注意帧率统一是公平比较的前提。
| 条件 | 指标 | 基线取值 | 本研究取值 | 比较对象 |
|---|---|---|---|---|
| 表示帧率 | 每秒帧数 | 未统一时不可比 | 50 Hz | 全部待测表示 |
| 合成采样率 | 音频采样率 | 通用语音常见设置 | 24 kHz | 声学模型与声码器 |
| 自监督输入 | 音频采样率 | 同一原始录音 | 16 kHz | 自监督编码器 |
上表说明统一帧率是为了直接比较每帧编码的信息，而不是比较时间分辨率带来的差异。合成用较高采样率保证听感与韵律测量的有效性，而自监督编码器按其预训练要求重采样到较低采样率。若复现时改动其中任 1 采样率，需要同步改动上采样倍数与梅尔谱跳长，否则内容表示的条件对齐会错位。论文未报告声码器之外的全部训练超参数搜索过程，因此不应把此处配置理解为最优搜索结果，而应理解为固定住解码器后测量表示差异的控制条件。
数据、指标与统计口径如何固定？
实验数据使用 LibriTTS 的干净子集，训练用训练集的两个干净划分， checkpoint 按开发集损失选择，最终在测试干净集上报告。表示、生成模型与声码器的训练与验证都在同一划分体系下进行，避免用测试集调参。评价分三轴，内容用差分词错误率，即原始与生成转写之间的词错误率，且只在识别器能正确转写原始音频的句子上计算，防止合成出 gibberish 但声学接近原录音的表示占便宜。
说话人用语音隐私挑战的验证协议，等错误率越高表示越难把生成语音判给原说话人，性别探针在说话人嵌入上训练并对照数据集中女性占比的下限。韵律用基频轮廓的均值差、标准差差与相关系数，质量用神经网络估计的平均意见分作为是否严重劣化的检查。
差分词错误率 × 等错误率： 差分词错误率负责度量生成语音相对原始语音的语言内容偏离，只在识别器能正确转写原始语音的句子上计算；等错误率负责度量说话人验证系统把生成语音判给原说话人的可分性，越高表示说话人信息漏出越少，二者组合的意义在于同时看到语言保真代价与身份去除收益，避免只看一端得出表示更好的结论。
下表把声学模型的训练与推理预算整理为可核对的配置，数字与单位来自正文连续原句，便于估计复现成本。
| 条件 | 指标 | 基线取值 | 本研究取值 | 比较对象 |
|---|---|---|---|---|
| 模型规模 | 参数量 | 小解码器对照 | 67M parameters | 流匹配声学模型 |
| 训练预算 | 迭代次数与批量 | 单卡训练 | 800k iterations with a batch size of 32 on a single RTX 4070 | 同一解码器 |
| 推理采样 | 求解步数与引导 | 固定种子 | 10 steps and a guidance scale of w=2.0 | 全部表示 |
上表的主要代价是每个表示都要训练一个同结构解码器，总成本随表示数量线性增长。论文还用 3 倍参数的解码器与不同引导强度做了稳健性检查，目的是确认表示之间的相对顺序不是由解码器容量或采样参数偶然造成的。复现时应先跑通一个表示的全链路，再并行扩展到其他表示，而不是同时启动全部训练。原文未报告人工听感测试，因此所有结论都应表述为客观指标下的保留程度，而非人耳感知的相似程度。
两种机制区间是如何被分离出来的？
论文报告的核心现象是表示分成两个区间。一端是近乎重建的表示，原始自监督连续特征、软单元、内容向量与连续语音识别隐变量都靠近这一端，它们的生成语音在内容与韵律上接近原录音，说话人也容易被验证回原人。另一端是有效去除说话人信息的表示，量化后的语音识别特征与后验概率图属于这一端，它们的生成语音在说话人验证上接近随机，性别探针也接近数据分布下限，但语言内容错误会上升。
矢量量化变分自编码器虽然有瓶颈，但因目标只是重建特征，仍保留较多说话人与韵律，更像内容风格混合表示。语音分词器第一层落在两组之外，论文解释为重建与蒸馏联合优化使其既不够语音学也不够声学。
下图把内容错误与说话人可分性、韵律相关的权衡画成散点，阅读时先确认坐标方向再看分组。
看图路径： 1. 先看横轴差分词错误率越小越靠左，纵轴等错误率越高越靠上的方向定义；2. 再对比上半部分说话人面板中连续特征点与离散监督点分别聚集的位置；3. 最后看下半部分基频相关面板中语言内容对零相关的下限约束
论文图 2。原论文 Figure 2:：“Scatter plot of EER and pitch correlation versus dWER.”。
从像素可见，横轴为差分词错误率且越小越好，上方面板纵轴为说话人等错误率且越高表示说话人去除越彻底，下方面板纵轴为基频轮廓相关且越低表示韵律去除越彻底。连续高维点集中在左下与左上靠近重建的位置，量化监督点与后验概率图点集中在右侧高去除的位置，码本数标注在点旁但同系列点移动幅度小于组间距离。误差条表示均值或中位数的置信区间，虚线标出随机猜测与真实音频验证的参考位置。需要强调的是像素不能精确读出每个点的数值，教学中只讲相对分组与趋势，具体数值以正文表格与原句为准。
下表用正文直接报告的随机水平与性别基线来锚定身份指标的方向，表中数字与单位均来自连续原句。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 说话人验证 | EER | 50% | indistinguishable from chance | VQ-ASR 量化版本 |
| 性别探针 | 准确率下限 | 52.9% | close to the 52.9% baseline | VQ-ASR 性别预测 |
| 数据分布 | 女性占比 | 通用语音分布 | 52.9% of utterances being female | 评测集构成 |
表后需要同时看到收益与代价。收益是量化监督表示把说话人验证推到接近随机，性别信息也压到接近分布下限，支持了监督加瓶颈带来解耦的判断。代价是这类表示的内容错误高于重建型表示，论文通过定性检查将其归因于编码器层面的语言簇混淆，在快速或分布外语音上把帧判给错误音素，生成器会合成出合理但内容错误的语音。
未胜出的反例是重建目标的量化模型与联合优化的编解码第一层，它们压缩了比特但没有同样程度的解耦，说明瓶颈本身不等于内容提纯。韵律方面论文指出零相关不可达，因为语言内容本身约束了基频走向，后验概率图的相关可视为实际下限。
瓶颈的哪种形式真正改变了解耦区间？
为区分量化操作与容量约束，论文做了码本维度消融。把矢量量化模块的维度从较高维度降到只有 8 维，量化版本的各项指标基本不变，只有内容错误与音高相关出现显著差异；连续版本则行为大变，等错误率从较低水平大幅上升到接近解耦区间，性别与韵律也随之下降。这支持了论文的解释，也就是量化的主要贡献是约束表示容量，而不是直接施加解耦，连续后验概率图本身能解耦也与该解释一致。码本数量的消融显示较小码本会减少说话人与音高信息，但不足以把表示从一个区间搬到另一个区间，因此论文把码本大小定位为次要因素。
下表整理该消融中正文直接给出的等错误率变化，数字与单位来自连续原句，阅读时注意这是连续版本在降维前后的对照。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 连续隐变量维度 | EER | 8.6% | 39.7% | 256 维对照到 8 维 |
| 监督来源 | 训练目标 | 重建特征 | 识别字符 | VQ-VAE 对照 VQ-ASR |
| 瓶颈形式 | 约束方式 | 高维连续 | 低维投影或量化 | 同一识别骨干 |
表后解释主要收益与边界。收益是连续表示在维度被压低后也能大幅提升等错误率，说明显式低维约束可以替代离散化来实现解耦。代价与限制是内容错误与韵律相关仍有波动，且量化版本对维度压缩不敏感，说明不同瓶颈形式的作用不对称。未胜出项是单纯缩小码本数的做法，它在组内有效但不能跨越机制区间。论文还报告增大解码器与改变引导强度基本不改变相对顺序，引导增强主要改善内容错误与质量分，这进一步支持组间差异来自表示本身而非解码器容量。
下界解释与客观指标带来哪些限制？
第一个限制是下界解释。解码器未能利用的信息不会体现在生成语音中，因此测量到的是表示信息量的下界，而不是真实信息量。论文用更大解码器与不同引导强度的稳健性实验来缓解担忧，但这只能说明相对顺序稳定，不能证明已测到上限。第二个限制是评价工具本身是代理。
说话人嵌入、转写器、基频跟踪器与质量估计器都有自身误差，例如转写器在噪声或口音下可能出错，说话人验证器可能对某些信道敏感，这些误差会传导到差分词错误率与等错误率中。第三个限制是缺少主观听感。客观指标能支撑可复现的排序，但不能替代人耳对身份相似度与自然度的判断，论文明确把听感测试留给未来工作。
复述时应使用报告与支持的措辞区分直接结果与机制解释，对联合优化导致两头受损等说法标注为论文提出的可能解释而非已验证因果。
要复现这套比较，先固定什么再训练什么？
复现的第一步是固定数据与采样条件。按原文使用 LibriTTS 干净划分，合成侧用 24 kHz，自监督编码器输入重采样到 16 kHz，全部表示统一到每秒 50 帧。第二步是准备表示提取器，能复用的公开 checkpoint 包括语音分词器与内容向量等资源，当前可用状态以本文收到的资源状态为准，其中语音分词器、内容向量实现、演示页面与评价工具链接在本次核查中均可达，但复现仍应以论文给出的版本与配置为准。
第三步是为每种表示训练同结构流匹配声学模型与声码器，固定随机种子与引导强度后再生成测试集波形。第四步是用固定工具计算三轴指标，并只在转写器能正确转写原始音频的子集上算内容差异。需要补的验证包括更大解码器下的排序稳定性、不同引导强度下的质量变化，以及至少一轮小规模人工听辨，以确认客观身份指标与感知一致。未报告的细节如全部学习率调度与聚类采样之外的超参数，不应自行补写，缺项应如实记录。
何时选用哪类表示，还缺哪项验证？
综合论文的证据，可以得到 3 条实践指南。第一，有监督需要配瓶颈。语音识别目标本身能带来较好的语言约束，但只有在向量量化或低维投影把容量压住后，说话人与韵律泄漏才会被有效去除，否则连续高维隐变量仍接近重建区间。第二，把压缩与内容分开。单层码同时优化重建与蒸馏的做法，在本框架下既没有达到最好的语言准确性，也没有达到最好的解耦，专用内容码更适合需要换音色的任务，而重建型码更适合需要保留细节的任务。
第三，码本大小是次要旋钮。它能在同一区间内调节信息量，但不改变由训练目标决定的基本解耦形态。常见误解是把离散等同于解耦，本文的反例是重建目标的离散码仍保留说话人，而连续低维监督表示也能解耦，因此离散只是约束容量的手段之一。未来若要把结论推向部署，还需补充延迟、码率与人工听感的联合测量，因为当前证据只覆盖内容、身份与韵律的客观保留程度。
📎 论文与评分元数据
排名：前25% | 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