英文题目：WhisperVC-AV: Audio-Visual Content Restoration for Noise-Robust Whisper-to-Normal Voice Conversion
标签：#语音转换 | #多模态学习 | #音视频 | #鲁棒性
评分：6.0/10 | 创新 1.2/2 | 技术严谨 1.3/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Ziyue Yin：机构信息未在 arXiv HTML 中可靠披露
- Dong Liu：机构信息未在 arXiv HTML 中可靠披露
- Ming Li：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
耳语到正常语音转换（Whisper-to-Normal Voice Conversion，W2N）需从缺乏周期激励的耳语中恢复语言内容与说话人身份，而环境噪声会进一步淹没本已脆弱的声学内容线索。WhisperVC-AV 先用冻结的声学编码器抽取含噪内容特征并结合同步唇动视频做输入侧修复，再将修复特征送入冻结的 WhisperVC 对齐网络与生成器完成跨发音映射与波形重建。修复环节先由时序卷积构建声学上下文并以其为查询在邻域内注意力选择视觉特征，再由声视上下文联合预测门控残差并叠加回原特征。与直接在转换器内融合视觉的方案不同，该设计将噪声鲁棒性与已学映射解耦，保留了预训练转换能力。在 AISHELL6-Whisper 视频子集 2248 条测试语音上，以 Qwen3-ASR 评估时 0 dB MUSAN 噪声下字符错误率（Character Error Rate，CER）由 WhisperVC 的 36.29% 降至 28.88%，6 种信噪比噪声平均由 20.43% 降至 16.58%。该结论限于近场同步唇视频与干净注册语音条件，未验证无约束视频、混响、含噪注册与人耳听感外推。原文未披露优化器、学习率、批量大小、训练轮数、硬件与推理成本。
🔗 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，输出是什么，哪些信息不能丢？
本文任务是耳语转正常语音转换，输入是带环境噪声的耳语音频加同步唇部视频，输出是听起来像正常发音的语音。必须保留两类信息，一是语言内容，也就是说了哪些字，二是说话人身份，也就是听起来像谁。耳语本身缺少声带周期振动，能量分布与正常语音不同，识别和转换都更难。噪声进一步遮盖本已微弱的声学内容线索，导致转换器拿到的特征不可靠。论文把问题定位为输入侧的内容恢复，而不是重新学习整个耳语到正常的映射。
评价围绕内容保留展开，用字错率衡量转换后语音能否被识别，同时检查预测语音质量和说话人相似度是否维持。推理时还需要一段同说话人的正常语音注册，用于提供说话人嵌入，目标语音重建以该嵌入为条件。训练时还需要内容相同但句子时长不一定相同的正常语音作为目标，以及干净耳语作为修复目标。理解这条输入到表示再到目标再到输出的链条，是后面理解冻结与训练划分的基础。
初学者如何复述这篇方法的关键动作？
复述时按样本链条说。输入带噪耳语与唇视频，编码器分别给出内容特征与唇特征。声学分支做投影与时域卷积得到查询，视觉分支做投影与插值得到键值，注意力在正负 80 毫秒邻域内取出视觉上下文。声视上下文共同决定门控与残差，加到原始特征上得到修复特征。修复特征进入冻结的对齐与生成模块，在注册语音条件下合成正常语音。
训练用干净耳语做修复目标，用内容匹配正常语音做对齐目标，掩蔽只指导损失权重。评测用 3 套识别看字错率，用预测质量与相似度看副作用，用消融与错配控制确认视觉归因。记住冻结范围、邻域宽度、损失权重与公平起点，就抓住了可核对的核心。
已有路线如何处理耳语转换和噪声？
早期耳语转换路线包括对抗映射、变分自编码器和源滤波器建模，近年则借助自监督语音表示扩大训练或做伪平行数据。WhisperVC 的思路是把跨发音对齐与语音生成分开，先对齐内容特征再生成波形。本文继承该转换器并冻结它，只在输入端做修复。噪声处理有另一条路线，先做波形增强再做转换。论文测试了两套现成增强级联，发现它们在该任务上反而升高字错率，说明通用增强不等于转换器需要的特征修复。
音视路线在语音增强、重合成和表示学习中已有应用，特点是加性噪声不直接污染视频。识别侧有视觉上下文注意力和门控视觉注意力的例子。耳语转换侧已有视频条件变分自编码器方法，把声视隐变量相加后解码，并在干净和带噪耳语下评测。本文与它的区别是不同时学习音视转换，而是用唇信息修复送入预训练转换器的声学表示，从而保留已学好的转换映射。
论文称未能获得该对照方法的可运行模型与数据，因此用同训练子集和同视觉特征实现的直接音视适配作为系统级对照。
为什么噪声下的耳语内容最难保住？
举一个教学例子帮助定位难度，例子不代表论文数值。假设某帧耳语的摩擦和共振峰本来就弱，叠加人群或车辆噪声后，编码器提取的内容特征会偏离干净耳语的位置。如果直接把偏离的特征送入对齐网络，对齐结果也会偏离正常语音目标，最终合成语音出现替换、删除或插入错误。论文的假设是转换主干本身没有坏，坏的是输入特征。
因此要解决的问题可以写成，给定带噪耳语的内容特征 H 和同步唇特征，求一个同空间的修复特征 H 帽，使它接近干净耳语特征，同时能被冻结的对齐与生成模块使用。唇视频的价值在于提供与发音动作同步但不受加性噪声直接影响的证据。关键约束是不能要求测试时有干净音频，只能用带噪语音、唇视频和注册语音完成推理。训练时才允许看到干净耳语和内容匹配的正常语音，用于构造监督。
整体链路如何分工，哪里冻结哪里训练？
先沿一个样本走完链路。带噪耳语经过微调过的 Whisper Large-V3 编码器得到内容特征 H，同步唇视频经过冻结的噪声鲁棒 AV-HuBERT 视觉编码器得到唇特征。修复模块把 H 与唇特征融合成 H 帽，H 帽进入 WhisperVC 的域对齐网络得到对齐特征，再与说话人嵌入一起进入语音生成与声码器得到重建语音。干净耳语分支和内容匹配的正常语音分支只在训练时出现，分别提供修复目标和对齐目标。编码器和转换主干全部冻结，只有修复模块被训练。
对齐网络虽然冻结但保持可微，来自它的软动态时间规整损失和散度正则梯度可以穿过 H 帽传回修复模块，用于更新修复参数而不改变对齐权重。这种设计把噪声鲁棒性与耳语到正常映射分开，复用已有转换能力。下面这段先说明全景，再看原图确认分支汇合与训练专用虚线。
耳语转正常语音转换 × 内容修复： 耳语转正常语音转换负责把耳语音频变成可懂的正常语音并保留说话人身份，内容修复负责在进入转换器之前把被噪声污染的内容特征 H 修成更干净的 H 帽。二者搭配的原因是转换器已经学会跨发音映射，不必重训，只需让输入更可靠；组合意义在于把噪声鲁棒性与耳语到正常的映射解耦，冻结主干而只训练修复模块。
下图是系统总览，阅读时先看中间主路，再看唇分支在修复模块处汇入，最后区分训练专用虚线。图中蓝色框是唯一可训练的修复模块，灰色带雪花标记的是冻结模块。
看图路径： 1. 沿中间主路看 noisy whisper 到内容特征 H 再到修复特征 H 帽再到对齐与生成的箭头；2. 看上方唇视频分支在何处汇入修复模块；3. 区分实线前向路径与下方虚线训练专用目标路径；4. 确认标有雪花冻结标记的编码器与转换模块
论文图 1。原论文 Figure 1:：“Overview of WhisperVC-AV. Acoustic and visual cues restore content features while the original WhisperVC conversion module remains unchanged.”。
从像素可见，中间一行是带噪耳语经微调 Whisper 编码器得到内容特征 H，再经音视内容修复得到 H 帽，再经 WhisperVC 域对齐与语音生成得到重建语音。上方唇视频经视觉编码器后向下汇入修复模块。下方干净耳语分支指向修复损失，上方散度损失指向对齐模块，右下方正常语音分支指向软动态时间规整损失。图例明确区分前向实线、训练专用虚线和特征损失线。推理时只需要带噪语音、唇视频和注册语音，不需要干净目标。
修复模块如何用声学查询挑选唇部邻帧？
修复模块的计算分 4 步。第一步是降维与上下文建模，把 1280 维的 H 投影到 256 维，再经 3 层残差时域卷积得到声学上下文 u，卷积核为 5，空洞率为 1、2、4，用于吸收邻帧信息。第二步是视觉准备，冻结的 AV-HuBERT 在关闭音频后从 25 帧每秒视频提取 1024 维唇特征，经层归一化和学习投影到 256 维，再经线性插值对齐到 50 赫兹声学序列得到 z。第三步是上下文引导注意，以 u 为查询，以 z 为键和值，每个查询只注意当前帧前后各 4 帧构成的邻域，覆盖约正负 80 毫秒，边界无效位置被掩掉，得到视觉上下文 c。
第 4 步是门控残差，用 u 与 c 拼接算出每帧标量门 g，再把 u 加 c 经投影 R 映射回输入特征空间并乘以门，与原始 H 相加得到 H 帽。R 零初始化使训练起点保持恒等输出。
声学上下文 × 视觉上下文： 声学上下文是对内容特征做时域卷积后得到的邻帧信息，用于判断当前帧需要什么帮助；视觉上下文是用声学上下文做查询从邻近唇特征中加权取出的信息，用于补充噪声下缺失的发音证据。二者搭配的原因是噪声不直接污染视频，唇动可以在声学不可靠时提供互补线索；组合意义是二者拼接后共同决定门控和残差修正量。
下图是修复模块内部，阅读时先沿左侧两条输入线看中间汇合，再看右侧加号处的恒等与残差合并。
看图路径： 1. 看左侧内容特征 H 分出的恒等直通与下方声学网络两条线；2. 看声学上下文 u 作为查询指向上下文引导注意力的箭头；3. 看视觉上下文 c 与声学上下文 u 共同进入门控残差框；4. 看最右侧加号把恒等路径与残差合并为修复特征 H 帽
论文图 2。原论文 Figure 2:：“Context-guided content restoration. Acoustic queries attend to projected lip features z within \mathcalN(t).”。
从像素可见，左侧内容特征 H 向上分出恒等直通，向下进入声学投影与时域网络得到声学上下文 u。唇特征经视觉投影与时间插值得到 z 后，与声学查询一起进入上下文引导注意力得到视觉上下文 c。u 与 c 共同进入门控残差框，最右侧加号把恒等路径与残差相加得到 H 帽。图注与正文一致，强调门控残差由声视上下文共同决定。
门控残差修正 × 恒等路径： 门控残差修正是根据声视上下文算出的增量，用于纠正被污染的特征；恒等路径是把原始内容特征 H 直接送到输出的通路，用于保留不需要改的部分。二者搭配的原因是大部分帧只需小幅修正，门控可以按帧控制修正强度；组合意义是输出等于原始特征加门控后的残差，初始化为恒等映射，训练更稳定。
纯音频消融去掉视觉投影与注意力路径，使门控残差只依赖声学上下文 u，其声学网络、监督与训练计划保持不变。这个对照用于分离视觉增量，后文结果节会用它量化加视觉前后的字错率差。
训练用什么对、损失如何加权、梯度走哪条路？
训练把带噪耳语与其干净 counterpart 配对。带噪输入在特征提取前以 0.5 概率做波形时间掩蔽，随机放置 0.2 秒到 0.6 秒的片段直到掩掉 20% 波形样本，重叠合并并按剩余预算截断，每个带噪输入缓存一个掩蔽版本。干净输入不掩蔽。特征帧掩蔽按 20 毫秒间隔从波形掩蔽采样，与声学序列对齐。修复损失对掩蔽帧与未掩蔽帧分别取平均平滑 L1 误差，再按 0.75 和 0.25 加权，以共享冻结编码器与归一化得到的干净特征为目标。
若无掩蔽帧则用整体平均。掩蔽只指导损失，不作为模块输入。下游兼容性通过保留 WhisperVC 的对齐与隐变量目标实现，软动态时间规整比较对齐特征与内容匹配的正常语音目标，不假设时长相同，散度正则把耳语路径后验约束向标准正态。总目标是三项加权和，原文权重为散度项 0.1、修复项 50，理由是修复损失是帧平均后数值较小，需要放大才能与软动态时间规整有效并列。对齐网络冻结但可微，梯度经 H 帽回传到修复模块。
\[\mathcal{L}=\mathcal{L}_{\mathrm{DTW}}+\lambda_{\mathrm{KL}}\mathcal{L}_{\mathrm{KL}}+\lambda_{\mathrm{rest}}\mathcal{L}_{\mathrm{rest}}.\]上式中第一项是软动态时间规整损失，第二项是散度正则，第三项是修复损失。符号含义按正文交代，H 帽是修复输出，目标分别来自干净耳语特征和内容匹配正常语音特征。论文未报告优化器、学习率与训练轮数的完整细节，复现时这部分属于缺项，只能按原文给出的损失权重、掩蔽概率与冻结范围先搭建监督与梯度路径。
软动态时间规整损失 × 修复损失： 软动态时间规整损失比较对齐后特征与内容相同但时长不同的正常语音目标，不要求帧级对齐；修复损失比较修复后特征与干净耳语目标，要求在同一声学空间内接近。二者搭配的原因是前者保证下游转换兼容，后者直接监督去噪修复；组合意义是修复模块同时学会干净耳语的样子和可被转换器使用的样子。
数据、噪声、注册语音和指标如何保证可比？
数据沿用 AISHELL6-Whisper 的原始划分边界，只用有视频覆盖的子集，训练 9494 条来自 81 个说话人，验证 2235 条来自 19 个说话人，测试 2248 条来自 20 个说话人，干净与每个噪声条件共用同一批测试语句。论文说明基线指标是在该子集上重算的，原 WhisperVC 论文用了更广测试集与不同识别模型，因此不能直接跨论文比较数字。噪声用 MUSAN 噪声子集中的 FreeSound 与 SoundBible 录音，排除音乐与语音子集，噪声文件在划分间不重叠。混合信噪比为 0、5、10、15、20、25 分贝，覆盖人群、拨号音、门吱呀等环境声。
每个信噪比单独采样噪声文件与起始偏移，同一条件下所有系统从同一段带噪录音起步。另评干净输入。内容匹配的正常录音来自同一说话人，用于训练目标，但不做帧级对齐。注册语音是同一说话人说的另一个不同句子，训练与推理都用不同句，评测时每条测试语句在各系统与各信噪比下共用同一段注册录音，目标与注册保持干净。指标方面，字错率在全部测试语句上累加替换删除插入后除以参考总字数，方向为越低越好，共用 3 套识别系统以检验一致性。
预测质量用多套 MOS 预测器，相似性用多套说话人与参考一致性指标，方向为越高越好。显著性用配对标签置换与配对自助法，论文报告以每条语句的 6 个条件为组。
零样本噪声如何检验没有记住训练噪声？
要检验的问题是修复是否只记住 MUSAN 噪声。做法是不重训不适配，直接在 DEMAND 的厨房、地铁站与公交录音上按同混合协议测 0、5、10 分贝。指标方向仍为字错率越低越好，比较对象保留原始 WhisperVC 与纯音频消融。下表用原文连续句整理代表数字，条件保留原文写法。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 0 分贝 | 字错率 | 24.72% | 19.71% | 未见噪声 |
| 10 分贝 | 字错率 | 13.78% | 11.90% | 未见噪声 |
| 三档平均 | 字错率差 | 0.59 | 0.63 | 纯音频消融 |
表后解释支持与限制。Qwen3 识别下 0 分贝从 24.72% 降到 19.71%，10 分贝从 13.78% 降到 11.90%，且每档都优于纯音频版本，三档平均对纯音频下降约 0.59 与 0.63 个百分点。支持的判断是视觉增益延续到未见噪声，且在 0 分贝最大。限制是仍为人工混合的加性背景噪声，未覆盖混响、真实远场与带噪注册，泛化结论待验证。
主结果在哪些条件下降低字错率，代价是什么？
要回答的问题是，在公平起点下修复是否带来可运行的转换收益。公平条件是同一测试子集、同一带噪录音、同一注册录音，指标方向为字错率越低越好。下表选择 Qwen3 识别下的基线、纯音频修复与本文音视修复，保留干净、0 分贝、5 分贝与噪声平均四列，用于同时看到低信噪比与平均趋势。完整六档与另两套识别系统见原文大表。
| ASR | System | Clean | 0 dB | 5 dB | Noisy avg. |
|---|---|---|---|---|---|
| Qwen3-ASR | WhisperVC [11] | 11.47 | 36.29 | 26.23 | 20.43 |
| WhisperVC-A | 10.11 | 30.92 | 21.76 | 17.43 | |
| WhisperVC-AV (ours) | 9.86 | 28.88 | 20.60 | 16.58 |
表后解释主要收益与代价。表中 Qwen3 识别下，WhisperVC-AV 在干净输入把字错率从 11.47% 降到 9.86%，在 0 分贝从 36.29% 降到 28.88%，噪声平均从 20.43% 降到 16.58%。纯音频版本已能降到噪声平均 17.43%，加视觉再降到 16.58%，说明修复本身贡献大，视觉在最难的低信噪比处增量更明显。代价是需要同步唇视频与注册语音，偏离纯音频部署。未胜出项也应看到，现成波形增强级联在该任务上反而更差，原文中较强的 MP-SENet 级联把噪声平均 Qwen3 字错率升到 27.43%，SEMamba 更高，说明通用增强不能替代面向转换器的特征修复。另一点限制是 3 套识别系统绝对值不同，但排序一致，结论依赖自动识别而非人工听音。
平均增益的统计支持见下表，比较对象包括原始 WhisperVC、直接音视适配与纯音频消融，数值为六档噪声平均的字错率下降百分点与逐点 95% 置信区间。
| ASR | Compared with | Reduction [95% CI] |
|---|---|---|
| Qwen3-ASR | WhisperVC | 3.85 [3.57, 4.13] |
| Direct AV adaptation | 0.68 [0.48, 0.88] | |
| WhisperVC-A | 0.85 [0.73, 0.97] |
表后需要强调，9 组双侧配对检验的原始与校正后 p 值都很小，置信区间全部为正。以 Qwen3 识别为例，对 WhisperVC 平均下降 3.85 个百分点，对直接音视适配下降 0.68 个百分点，对纯音频下降 0.85 个百分点。论文还报告按说话人重采样的视觉增益区间仍为正，说明不是少数说话人驱动。但统计显著不等于每条语句都变好，总体趋势不能推广为每组每步成立。
视觉分支的增益能否归因于当前句子的唇动？
要回答的问题是，增益究竟来自当前句子的同步唇动，还是加了视频分支后的通用正则。论文用两类证据回答。第一类是单独训练的纯音频消融，已在上节看到加视觉后噪声平均与各档均下降。第二类是固定已训练模型只改视觉输入的控制实验，包括去掉视觉上下文、换同说话人但不同句子的唇动、前后平移约 400 毫秒。参数与声学输入固定，只有视觉输入变化，因此差异可以直接归因于唇内容。下表用原文连续句整理控制实验与质量变化的代表数字，条件与对象保留原文写法，不做跨指标合并。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 0 分贝 | 字错率 | 31.12% | 28.88% | 去掉视觉上下文 |
| 0 分贝 | 字错率 | 31.78% | 28.88% | 同说话人错配唇动 |
| 噪声平均 | 语音质量 | 3.05 | 3.16 | 预测语音质量 |
| 噪声平均 | 语音质量 | 2.76 | 2.89 | 预测语音质量 |
表后解释反证含义。在 0 分贝下，去掉视觉上下文使字错率从 28.88% 升到 31.12%，换成同说话人但内容错配的唇动升到 31.78%，错配比无视觉更差，说明保留说话人身份不够，必须是当前句子的发音内容。2 个方向约 400 毫秒的时移也都升高字错率，支持时间对应重要。质量侧，噪声平均预测质量从 3.05 升到 3.16，另一预测器从 2.76 升到 2.89，同时说话人与参考相似度维持或略升，纯音频与音视版本质量接近而音视字错率更低，说明视觉主要改善内容保留而非单纯提质量。未评测边界是 uncontrolled 视频、混响、带噪注册与其他语言，仍待验证。
直接音视适配 × 纯音频消融： 直接音视适配是把视觉融合与耳语对齐分支一起训练的对照方法，用于检验是否必须保留预训练转换映射；纯音频消融是去掉视觉分支只保留声学上下文的版本，用于检验视觉是否带来额外增益。二者分工不同，前者检验架构选择，后者检验信息来源；组合起来可以把本文方法的增益拆成修复本身和视觉补充两部分。
哪些结论还不能下，缺了什么验证？
论文直接报告的是自动字错率下降与预测质量提升，支持在测试条件与噪声协议内噪声鲁棒性更好。有限解释是视觉提供互补发音证据，尤其在声学最不可靠的低信噪比处作用更大，这得到消融与控制实验的双重支持。未验证推测是实际助听或低音量通信效果，因为没有人工听音测试，也未测量误判率、延迟与计算开销，不能承诺这些量得到改善。数据侧只用有视频覆盖的 AISHELL6-Whisper 子集与中文内容，跨语言泛化未知。
噪声侧训练用 MUSAN，零样本测试用 DEMAND 厨房、地铁站与公交录音，但仍是人工混合的加性噪声加固定信噪比，没有混响与真实远场录音。视频侧要求同步唇视频，缺失、遮挡或不同步时的回退行为只通过控制实验部分触及，未给出部署阈值。资源状态方面，未发现来源绑定且完成验证的资源，不得声称代码模型或数据已公开，复现需按论文描述自行实现。
原文表格与正文个别编号存在冲突，例如质量表与控制表在正文中被交错引用，阅读时应以表格内容与指标方向为准，不自行编造聚合口径。
复现先做什么，需要哪些信息条件？
复现的第一步是重建数据与评测对齐。按原文保留划分边界与视频覆盖子集，测试用同一 2248 条语句，同一带噪录音与同一注册录音起步，信噪比覆盖 0 到 25 分贝六档与干净输入。噪声文件按划分隔离，音乐与语音子集排除，DEMAND 零样本测试用厨房、地铁站与公交在 0、5、10 分贝下按同协议混合。第二步是冻结与可训练划分。冻结微调 Whisper Large-V3 编码器、冻结 AV-HuBERT 视觉编码器并关闭音频、冻结 WhisperVC 对齐生成与声码器，只训练修复模块的投影、时域卷积、注意力、门控与输出投影。
注意实例归一化沿时间按通道做，仿射参数继承 WhisperVC 并冻结，干净目标独立归一化。第三步是监督搭建。修复损失用干净耳语特征为目标并按掩蔽加权，对齐损失用内容匹配正常语音为目标并用软动态时间规整处理时长差异，散度权重 0.1，修复权重 50。波形掩蔽概率 0.5，片段 0.2 秒到 0.6 秒，总量 20%。第 4 步是评测。
用 3 套识别在语句级累加算字错率，同时报告预测质量与相似度，避免只看单一识别器。还需补的验证是人工听音、真实噪声与混响、带噪注册、无视频回退，以及训练与推理开销的实测。
何时值得尝试这种不动主干的修复？
当已有转换器在干净输入上表现可用，但带噪输入下内容错误明显上升，且能拿到同步唇视频与同说话人注册语音时，本文的输入侧修复值得尝试。它的优点是保留已学映射，训练量集中在小修复模块，且视觉增益在低信噪比下相对更大。零样本噪声实验显示，未重训也能在 DEMAND 三档信噪比下低于基线与纯音频版本，提示修复学到的是较通用的内容先验而非只记住 MUSAN 噪声。
但若部署没有摄像头、视频不同步或注册语音带噪，则不应直接套用本文数字，需要先补对应验证。教学上最易误解的是把波形增强等同于特征修复，本文反例表明现成增强反而升高转换字错率。另一个误解是把平均增益当成每句必胜，原文统计支持的是平均与多数说话人趋势。总体判断是，同步唇线索可以作为声学修复的补充，但前提是内容同步与时间对应正确，错配唇动可能比不用视觉更差。
📎 论文与评分元数据
排名：前50% | 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