标签：#语音增强 | #文献综述方法 | #领域适应 | #语音
评分：5.5/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.5/1.5 | 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 0.7/1.5
👥 作者与机构
- Xugang Lu：机构信息未在 arXiv HTML 中可靠披露
- Yu Tsao：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
本文面向语音中噪声混响、说话人通道差异及声学与文本异构表示导致的分布失配，输入为源域与目标域语音样本集或声学序列与语言序列，输出为分布间距离、对齐耦合与跨域映射后的增强特征和识别结果，其难点在于时序动态、支撑集不重叠与跨模态不可比。方法链分三步：先以蒙日问题、Kantorovich松弛、Wasserstein距离与对偶势建立静态最优传输基础并由Brenier定理刻画最优映射，其输出的耦合与势函数进入下一步；再以Benamou-Brenier公式、连续性方程、薛定谔桥与流匹配建立动态随机演化视角，将静态耦合扩展为概率路径；最后以熵正则Sinkhorn、神经最优传输与Gromov-Wasserstein实现可计算对齐，并嵌入语音增强、识别与情感和伪造检测的损失或适配模块。与逐样本均方误差、平均绝对误差、交叉熵及KL散度相比，关键差异在于沿Wasserstein测地线度量几何差异并允许质量分裂与跨空间结构对齐，因而在域偏移下更具可解释的迁移意义。在语音增强任务评测设置下，PFPL的PESQ分数高于MAE基线的PESQ分数的定性描述仅见数值1与编号22而无两方法可比数值，故原文未提供可核对的关键定量结果。结论适用边界仅限存在分布偏移或跨模态共享结构时成立，同分布或无对应关系时的增益尚未验证。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
输入是什么：这篇教程要解决的语音分布问题
这篇教程的输入是论文原文的全部论述，目标是让刚进入语音方向的研究生能复述最优传输的基本做法并知道它在语音哪里可用。必须保留的信息是任务边界、公式含义、计算步骤与实验条件，不做超出原文的效果承诺。输出是一条从问题到方法再到语音集成的完整链路。语音难在训练与测试的分布总在变。外部有噪声、混响与前端降噪带来的损伤，内部有说话人发音习惯、协同发音与上下文域差异，还有音频、文本、视觉本来就处在不同表示空间。
分类器在源域学到的分界面搬到目标域就会错位，增强模型在一种噪声下学的映射换一种噪声就残留噪声或损伤结构。传统做法常用逐样本损失或只对齐均值与方差，忽略了样本空间的几何关系。最优传输把比较两个分布变成找最小搬运代价，把迁移两个分布变成求耦合或映射，天然适合描述这种错位。下面的导读先看推前测度的直观图，理解质量如何从一个概率空间被搬到另一个空间。
推前测度是后文所有传输映射与连续性方程的基础，若此处把集合映射与质量守恒混淆，后面会对耦合矩阵的行列约束感到突然。
看图路径： 1. 先看左侧绿色块到右侧蓝色块的单向箭头，确认搬运方向是从源概率空间到目标概率空间；2. 再核对箭头上下标注的映射与推前测度符号，理解质量如何被重新分布；3. 最后比较左右两团形状与深色小块位置，体会整体守恒但局部变形
论文图 1。原论文 Figure 1:：“Push-forward measure in probability spaces.”。
该图左侧是源概率空间，右侧是目标概率空间，中间箭头表示映射，正是把源质量按映射重新铺到目标上的过程。深色小块在搬运前后形状变化但对应关系由箭头保持，说明推前操作不创造也不消灭质量，只重新分配。结合原文对概率空间三元组与可测变换的说明，可以把该图读成传输映射的定义图：给定映射，目标任一可测集的质量等于其原像在源分布下的质量。这为理解 Monge 要求精确推前到目标埋下伏笔，也为 Kantorovich 允许拆分埋下对比。
相关路线如何分：生成、适配与语音中的位置
与本教程同输入同目标的工作可以分成 3 条线。第一条是生成建模线，包括对抗网络、变分自编码器、归一化流、扩散模型与流匹配，它们的共同动作都是把一个分布变成另一个分布。原文把它们统一看成传输建模，只是用随机微分方程或常微分方程规定不同的动力学。第二条是域适配线，包括最大均值差异、中心矩差异与域对抗学习，它们的共同动作都是缩小源域与目标域在隐空间的差异。
原文指出这两类矩匹配与对抗方法能对齐边缘分布，但容易忽略多峰分布的几何与类别可分性。第 3 条是语音专用线，包括语音增强的感知损失、说话人与语种识别的域对齐、情感与反欺骗的跨库适配，以及语音识别的声文知识迁移。原文的判断是语音的时序性与多模态异构使直接套用视觉与文本的最优传输做法会遇到困难，需要时序先验、非平衡约束与结构对齐。
教学例子是把单词搬运距离看成跨领域启发：文档相似度通过在词向量空间中搬词来计算，先对齐语义相近的词再算距离。这只是例子，不代表语音帧可以直接套用相同代价。复述时要强调同运行阶段比较：生成线比的是分布变换质量，适配线比的是跨域分类误差，语音线比的是在固定前后端下的鲁棒性提升，不能把类别差异当成同条件胜负。
问题如何形式化：从 Monge 到 Kantorovich 的放宽
先沿一个样本走完全程。取一条含噪语音与其干净参考，模型先把波形或频谱送入编码器得到表示，再经增强或识别组件得到目标，最后用损失评价预测分布与真实分布的偏离。问题是逐样本损失只看配对误差，不看分布整体形状与几何，换域后误差度量与真实可懂度、分类边界不再一致。Monge 把该问题写成在满足推前约束下找最小代价映射，每个源点只能搬到一个目标点。
Kantorovich 把映射放宽为联合分布即耦合，允许一份质量拆分，目标是最小化代价对耦合的积分并满足两个边缘等于源与目标分布。离散时耦合退化为非负矩阵，行和等于源权重，列和等于目标权重，目标是矩阵与代价矩阵的内积最小。原文明确指出 Monge 可能无解且组合难算，而 Kantorovich 在温和条件下保证解存在，这是现代数值算法的基础。学习依赖是先接受推前与耦合的定义，再接受 Wasserstein 距离是 Kantorovich 代价的幂次开方，从而把距离、插值与梯度流都放在同一个度量空间中讨论。
方法全景如何串：静态、动态与随机三层
全文方法可以看成 3 层。静态层回答 1 次搬多少最省，包括 Monge 映射、Kantorovich 耦合、Wasserstein 距离与对偶势函数。动态层回答沿哪条路径搬最省，引入时间维，用 Benamou-Brenier 公式把平方 Wasserstein 距离写成动能对密度与速度场的积分，并受连续性方程约束，密度路径即 Wasserstein 空间的测地线。随机层回答若路径本身随机怎么办，引入薛定谔桥，以参考过程为基准在满足两端边缘下最小化相对熵，可看成熵正则最优传输的动态版本。
生成模型中的前向加噪与反向去噪、流匹配中的速度场学习、Koopman 与 Perron-Frobenius 算子对可观测与密度的线性提升，都被原文放在同一传输视角下。历史时间线帮助记住静态到动态的顺序：Monge 提出映射，Kantorovich 提出耦合与对偶，Wasserstein 距离给出几何，Brenier 给出 2 次代价下映射存在唯一与凸梯度结构，之后出现梯度流与流体动力学表述。下表把关键节点按原文年份整理，便于核对先后与贡献边界，表中年份与事件均来自原文连续句，解读时不外加人物评价。
表前的问题是：哪些突破让最优传输从难解变为可用，公平条件是以原文同一历史叙述为准，指标方向是越靠后越偏向可计算与可学习。
| 阶段 | 年份 | 人物或事件 | 提出内容 | 对语音方法的意义 |
|---|---|---|---|---|
| 起源 | 1781 | Monge 问题 | 最省搬运映射 | 提出映射思想但常无解 |
| 松弛 | 1942 | Kantorovich 问题与对偶 | 传输计划与线性规划 | 保证解存在，可算耦合 |
| 结构 | 1987 | Brenier 定理 | 2 次代价下映射为凸函数梯度 | 可用凸网络参数化映射 |
| 动态 | 1998-1999 | Wasserstein 梯度流 | 分布演化看成偏微分方程 | 连接扩散与流匹配 |
表后需要说明主要收益与代价。
该表显示从确定性映射到概率耦合再到动态路径，适用性逐步扩大，但每一步都增加假设：Brenier 需要源绝对连续与 2 次代价，动态需要连续性方程与速度场正则，随机需要参考过程与熵系数。未胜出项是 Monge 本身在离散与异构语音中很少直接使用，原文也未报告它在语音上的独立增益。边界是年份只代表原文叙述的里程碑，不代表该年唯一进展。
核心组件一：映射、计划、距离与对偶如何分工
本节承担把静态最优传输的 4 个零件讲到可复述。白话是：映射是点对点快递单，计划是可拆分的配送表，距离是总运费，对偶是给起点终点定价的价格表。英文名分别为 transport map、transport plan 或 coupling、Wasserstein distance、Kantorovich potentials 与 c-transform。先看推前测度的数学写法，它规定目标集合的质量来自源原像的质量，是映射必须满足的硬约束。
\[T_{\#}\mu(B)=\mu\!\left(T^{-1}(B)\right),\qquad\forall\,B\in\mathcal{B},\]再看 Monge 目标，它对映射求代价积分的下确界，约束即上式推前等于目标。
\[\inf_{T}\int_{X}c(x,T(x))\,d\mu(x),\]Kantorovich 把优化变量从映射换成耦合，目标是对代价关于耦合的积分求下确界，约束是耦合的两个边缘分别等于源与目标。
\[\inf_{\gamma\in\Pi(\mu,\nu)}\int_{X\times Y}c(x,y)\,d\gamma(x,y),\]离散时目标化为耦合矩阵与代价矩阵内积的最小化，行列和约束对应边缘守恒。
\[\min_{\gamma\in\Pi(\mu,\nu)}\sum_{i=1}^{m}\sum_{j=1}^{n}\gamma_{ij}\,c(x_{i},y_{j}),\]传输映射 × 传输计划： 传输映射负责给每个源样本指定唯一目标点，是确定性搬运工；传输计划负责允许一份质量拆分到多个目标点，是概率化的分配表。二者搭配的原因是映射在很多分布形态下不存在或难求，而计划总能在温和条件下存在，于是用计划保证可行性，在满足正则性与严格凸代价时再退化为映射以获得可解释的确定对应。
Wasserstein 距离 × Kantorovich 对偶： Wasserstein 距离负责给出分布之间带几何的最小搬运代价，是正向的评价尺；Kantorovich 对偶负责把找联合分布的原问题转成找一对势函数的最大化问题，是反向的计算口。搭配理由是原问题变量是高维耦合矩阵而对偶只需优化函数，特别在 p=1 时化为 1-Lipschitz 函数之差的上确界，从而可以直接做成判别器或正则项嵌入深度网络。
离散耦合的可视化是理解拆分的关键，下面先看质量如何从顶部直方图经矩阵分到右侧直方图。像素显示顶部黄色为源权重，右侧红色为目标权重，中间矩阵格子深浅代表耦合量，一列深色可对应多行，说明允许拆分。右侧小矩阵代表成对代价，深色代价大，耦合倾向于避开它们。
看图路径： 1. 先沿顶部黄色直方图看源分布质量，再沿右侧红色直方图看目标分布质量；2. 再看中间耦合矩阵中深浅不一的格子，确认一列质量可分到多行；3. 最后看右侧代价矩阵示意，理解耦合位置受搬运代价约束
论文图 5。原论文 Figure 5:：“Mass splitting in discrete Kantorovich OT.”。
该图同时解释了为何需要行列归一化：Sinkhorn 的 scaling 向量正是反复把矩阵行和列拉回给定直方图。复述时要指出该图是示意而非某次语音实验的真实耦合，不能读出具体数值。左子图点对点直连与右子图先比边再定点的对照，则引出不可比空间的推广。
看图路径： 1. 先看左子图跨团虚线，确认点到点的直接对应；2. 再看右子图团内小箭头与跨团长箭头，确认先比边关系再定点对应；3. 最后比较左右两团点的大小与颜色，体会可比与不可比两种设定
论文图 6。原论文 Figure 6:：“OT as graph matching on nodes (a) and edges (b) as conventional definition of OT and GWOT, respectively.”。
该图左子图虚线直接连跨空间点，代表经典最优传输比较节点；右子图先在各自团内画小箭头表示内部距离，再用长虚线定跨空间对应，代表 Gromov-Wasserstein 比较边。语音中声学帧与文本 token 分处不同空间，跨空间欧氏距离无意义，但各自内部距离有意义，因此右式更适用。
熵正则 × Sinkhorn 算法： 熵正则负责在目标上减去耦合熵使问题严格凸且解唯一、质量铺开；Sinkhorn 算法负责把正则后问题化为对角缩放，用 Gibbs 核反复做行列归一化求出耦合。搭配带来可并行、可微、适合 GPU 的近似求解器，代价是引入正则系数，系数过大偏离原始最优传输，过小则数值不稳定，需要对数域与代价缩放来稳定。
核心组件二：不可比、非平衡与时序如何加入语音先验
本节承担把语音特有的三处修改讲清。第一处是不可比空间：当声学与文本不在同一空间时，经典代价无法定义，转而最小化内部距离矩阵的扭曲，离散时是四重求和对耦合 2 次型。融合版本再加一项节点代价，用系数平衡点相似与结构一致，系数取零退化为经典最优传输，取一退化为纯 Gromov-Wasserstein。第二处是非平衡：把严格边缘约束换成对边缘偏离的散度惩罚，用两个系数分别控制源与目标的守恒强度，系数趋于无穷回到经典约束。
语音中无对应文本的噪声帧可以被丢弃，有对应文本的词必须被覆盖，通过不对称设置实现声到文或文到声的不同偏向。第三处是时序：把相邻帧应与相邻词耦合的先验写成 2 维高斯，距离定义在归一化位置与对角线的偏离上，再以相对熵或附加平方距离并入代价，经整理仍可用 Sinkhorn 求解，只是 Gibbs 核多乘一个先验的幂次。
Gromov-Wasserstein 传输 × 融合： Gromov-Wasserstein 传输负责在不可比空间中只比较各自内部成对距离，解决声学向量与文本向量无法直接算距离的问题；融合负责再加一项跨空间节点代价，同时对齐点特征与边结构。搭配理由是纯结构对齐可能语义漂移，纯节点对齐又忽略时序关系，用系数在两者之间权衡，语音中可同时约束帧内容相似与上下文关系一致。
非平衡最优传输 × 时序保持最优传输： 非平衡最优传输负责放松边缘守恒，允许噪声帧或无对应词被丢弃或少搬质量；时序保持最优传输负责加入与对角线距离有关的高斯先验或附加代价，压住远距离跳变耦合。搭配原因是语音既有不等信息量又有单调时序，前者处理该对齐与不该对齐，后者处理按顺序对齐，二者共同使声文对齐矩阵呈现分段单调的块状结构。
复述时要区分原始目标、近似与实现：原始是带约束的线性规划，近似是熵正则与结构正则，实现是 Sinkhorn 迭代与对数域稳定。原文未给出每处梯度是否截断的统一说明，提到在域适配流水线中传输层前向算耦合与损失、反向跳过该层只更新前端表示，复现时应按此理解，不猜其他层的梯度路径。
训练与构造如何做：本教程没有新训练，真实计算是什么
本研究是教程综述，没有统一的新训练阶段，因此本节明确说明没有为所有语音任务从零训练一个新模型。真实计算分为两类。第一类是引用方法的训练：语音增强用 U-Net 类增强器加 wav2vec 感知的 Wasserstein 损失与平均绝对误差联合训练；跨域增强用重构损失加对齐损失再加 Wasserstein 判别器做最小最大训练；声文迁移用声学编码器加语言编码器加适配器，用 Sinkhorn 耦合算对齐损失再与分类或连接时序分类损失加权训练，推理只保留声学支路。
第二类是本教程自身的构造：整理公式、历史与应用脉络，不更新网络参数，不做梯度下降，不重置优化器。凡原文未报告学习率、批量、冻结层与更新范围处，均视为缺项，不从模型名称推定实现。例如 x-vector 作为固定特征的说法只说明输入来源，不等于整个适配网络冻结；BERT 作为文本编码器时原文未明确是否微调，复现时需把冻结与否记为待确认。不能把无训练等同于确定性求解，推理仍受采样与数值误差影响。
实验条件如何交代：数据、划分、指标与成本的原文口径
原文未提供统一可比的新实验表格，所有语音结论都是对已有研究的转述，因此本节按问题组织条件而非给出新数字。语音增强条件是训练测试失配与回归保结构难，指标方向是感知质量与可懂度越高越好，提到与 PESQ 与 STOI 高相关，但未给出本教程可复算的划分与聚合口径。说话人与语种识别条件是源与目标域的通道、语言与环境漂移，输入为预训练 x-vector，架构为共享权重的孪生网络，在特征与分类器两层做适配，可视化用 t-SNE 看类簇是否靠拢但保持可分。
情感与反欺骗条件是跨语种、跨录音环境与多攻击算法，强调同一模型难覆盖所有伪造域，需要跨域适配。语音识别的声文迁移条件是配对语音文本序列，声学长度与文本长度不同，权重无先验时取均匀，代价用余弦距离，推理不需要文本。
成本方面原文只给出定性判断：直接解稠密最优传输约为立方复杂度，熵正则与 GPU 并行显著降低成本，对数域、代价缩放与吸收常数用于稳定，低秩、稀疏与小批量是未来可扩展方向，但未报告具体硬件、时长与帧率，复现时需补测延迟与内存。
结果显示什么：各任务报告的支持与限制
按原文措辞区分报告与推测。报告的是机制存在性与定性改进：感知损失把分布映射与样本映射结合，在 wav2vec 隐空间用对偶形式算 Wasserstein 距离，有助于保留音素可分性；判别器约束的传输网络是首个纯无监督增强域适配做法，报告优于已有弱监督做法；声文迁移通过耦合把声学投影到语言空间再算余弦对齐，配合不同层对齐与 Sinkhorn 注意力取得好的识别效果，超参数调整下耦合呈现分段与单调结构；语种与说话人适配后源与目标同类特征被推到邻近且保持判别结构。
反欺骗跨域同样获得显著增益。支持的是几何感知与拆分对齐确实缓解了支撑集不重叠与异构不可比的问题。限制是原文未给出统一数值表，无法比较提升幅度、显著性与失败率，也未测量误判、延迟与成本，因此不能承诺这些量得到改善。总体趋势不等于每组都成立，换代价函数、正则系数与数据划分后结论可能变化。下表把计算侧的权衡整理成可核对的对照，表中复杂度与参数语义来自原文连续句，最后一列为按原文适用场景的归纳而非新评测。
表前问题是：在语音长序列下选哪种求解器，公平条件是同一耦合定义与同一正则含义，指标方向是精度越高、稳定越好、成本越低越好。
| 算法 | 求解对象 | 正则或约束 | 计算特点 | 适用语音场景 |
|---|---|---|---|---|
| 线性规划单纯形 | 离散耦合矩阵 | 严格边缘守恒 | 立方复杂度，难扩展 | 中小规模教学验证 |
| 熵正则 Sinkhorn | 近似耦合 | 熵系数控制平滑 | 对角缩放，可 GPU 并行 | 长序列声文对齐 |
| 融合 GW | 点边联合耦合 | 系数平衡节点与结构 | 兼顾内容与时序 | 跨模态知识迁移 |
| 非平衡传输 | 松弛耦合 | 双系数控制边缘 | 可丢弃噪声帧 | 含噪声的声文对齐 |
| 神经传输 | 凸势与映射 | 凸网络参数化 | 高维可扩展，需调参 | 生成与域适配 |
表后解释主要收益与代价。
熵正则与 Sinkhorn 是语音中最可直接复用的组合，收益是可微与可并行，代价是熵系数与数值稳定需要仔细处理；融合与非平衡收益是更符合语音先验，代价是系数增多且原文未给出统一选择准则；神经传输收益是高维可行，代价是训练不稳定与理论假设强。未胜出项是经典单纯形与内点法在大规模语音中因成本被放弃；未评测边界是实时增强的帧级延迟与流式识别的增量耦合，原文未覆盖。
超参数改变什么：结构、时序与平滑的可视行为
本节承担把原文用 3 组可视行为讲的消融思想转成可操作检查。第一组是融合系数：调大结构项权重时，声文耦合从碎小片段变为清晰的分段块，说明边一致性压住了纯点相似的抖动。第二组是时序权重：增大对角偏离惩罚时，对齐带收紧为单调带，说明时序先验在起作用，但过强会压住真实的非单调如重复与停顿，需要在开发集上看对齐错误率。第 3 组是熵系数：增大时耦合铺开变平滑，减小时变稀疏变尖锐，前者鲁棒但模糊，后者精确但易受野点影响。
非平衡系数则控制覆盖偏向：保证文本全覆盖时放松声学边缘以跳过噪声，保证声学全覆盖时反向设置以鼓励双向一致。复述时强调这些都是原文对行为的描述，没有给出统一最优值，复现时应固定其他系数每次只动一个，并在同一划分下报告对齐可视与下游任务的双重变化，避免把可视变清晰直接等同于识别率提升。
边界在哪里：未验证、易误解与不可用资源
缺失证据不是技术错误，但必须点明。第一，原文未提供可复算的定量主结果表，本文的两张表是按原文连续句整理的概念与行为对照，不是新评测，不能替代基线比较。第二，原文未报告划分、采样、聚合、统计显著性与硬件预算，复现时需自行补齐并明确口径，百分点与相对百分比不可混用，不同指标差值不可并列。第三，资源状态为未发现可验证的开源声明，不得声称代码、模型或数据已公开，复现应从公式与算法描述起步，先实现 Sinkhorn 与代价计算，再接语音前后端。
常见误解是把 Wasserstein 曲线下降直接读成性能变好，正确做法是先确认纵轴是原始指标、相对改变量还是改善量，再结合升降方向判断；把末步结果推广到全程也是错误的，分布插值中间态可能更差。另一个误解是把对抗对齐等同于几何对齐，前者判别域不可分，后者保持类内关系，二者目标不同。
复现先做什么：最小可运行链路与检查点
复现顺序按学习依赖排。先实现推前与离散耦合的约束检查：随机生成源与目标权重，构造余弦或欧氏代价，用 Sinkhorn 迭代求耦合，检查行列和是否回到给定边缘，记录熵系数变化时耦合稀疏度的变化。接着在小规模声文数据上复现对齐损失：声学帧经线性层投影到文本维度，算代价矩阵，加时序平方距离，对 Sinkhorn 后的耦合转置乘声学矩阵得到投影，再算与文本的余弦对齐损失，与分类损失加权训练，推理只走声学支路。
然后在跨域分类上复现域不变表示：固定特征提取器输出，用 Wasserstein 对偶做域差异损失加源分类损失联合训练，检查 t-SNE 是否出现同类靠拢而异类仍分开。关键超参数保留原文符号含义：熵系数、时序权重、融合系数与非平衡双系数，调参时每次只动一个并保存耦合热图。信息条件是配对语音文本、源域标签与目标域无标签，缺任一条件则对应方法不可运行，需改用其他监督设定。
何时值得尝试：收束判断与下一步验证
当问题可写成分布比较或分布搬运，且支撑集不重叠或空间不可比时值得尝试最优传输。语音增强中想在隐空间保留音素结构时，可试感知 Wasserstein 损失与平均绝对误差的组合；跨域增强与识别中域漂移明显但目标无标签时，可试耦合对齐加判别器约束；声文迁移中声 text 长度不等且有时序单调时，可试时序保持与非平衡的组合。代价是系数增多、代价函数选择敏感与长序列成本高，需预留稳定化与小批量实现。
下一步验证应补三项：在同一划分下报告可运行基线与本方法的双指标，包括任务指标与对齐质量；报告延迟、内存与训练时长，区分训练资源、推理开销与实际延迟；公开划分、聚合与统计方法，使他人可重放。本文未收到可验证的开源资源，不做可用性承诺，所有判断以原文证据为准，可能之处用可能表述，待验证之处留待实验确认。
📎 论文与评分元数据
排名：前50% | 文档类型：综述 | 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