话没变但做法该变：VoxParity 测语音智能体是否真听见了声音

英文题目：Almost Human, Except When It Matters: VoxParity and the Decisions a Voice Should Change

标签：#语音代理规划与工具使用 | #基准设计 | #基准测试 | #语音 | #模型评估

评分：8.4/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 清晰度 0.7/1 | 影响力 1.2/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5

👥 作者与机构

• Bhavik Mangla：Independent Research

📌 核心摘要

语音代理规划与工具使用的输入是整段通话音频、代理角色与政策和打乱顺序的工具菜单，输出是首轮可执行的类型化工具调用，难点是同一转写在不同交付、第二说话人、环境声或说话人状态下要求完全不同的受保护动作。VoxParity固定转写并渲染多版本音频构造最小对比集，用确定性语法匹配器对工具名与类型化参数打分，以词语空测试比较音频相对自身文本孪生的增益并减去仅读词级联的漂移，再以志愿者玩家作同菜单行动参考。在183个场景的评测下，所有28个系统的不安全执行率指标为41%，低于仅读词级联的不安全执行率指标58%。与仅看识别率或直接计分相比，该差分检验只在听觉改变决策超出文本漂移时才记功，从而把听见线索与用线索决策分开，缺口主要在决策桥接而非听觉本身。该结论受限于合成情感、单一主录音者与小规模志愿者，尚不能推广到多说话人与自然情感分布。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/bhavik-mangla/voxparity-bench — 链接可访问（HTTP 200）

• 代码相关资源：https://doi.org/10.5281/zenodo.23008159 → https://zenodo.org/records/23015216 — 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：一段文字固定、声音改变的电话决策时刻

这篇解读的输入是论文正文与官方原图，目标是让刚进入语音与音频方向的研究生能核对方法并复述实验。必须保留的信息包括场景数与系统数、判分方式、零假设的构造、主要数字与适用条件，输出是 1 篇按学习依赖展开的技术讲解。

任务背景是语音智能体已经从问答走到执行动作，例如转账、续药、派单、关户。作者指出各行业规则早已写明声音可以改变正确做法，例如急救标准要求对背景危险声做出反应，防欺诈指引把第二人指导视为红旗，航空用语要求复诵不清则重说，博彩规则要求先验龄，银行与公用事业的脆弱客户规则看客户呈现状态。而只读自动转写文字的流程会丢掉这些信息，论文报告其转写器在相关呼叫上几乎不保留填充、重复、第二声音与环境事件。

于是研究问题被收紧为一句话：当文字固定、只有音频变化时，智能体的动作是否按书面规则改变。教学例子是同一句断电同意的话，干净读法对应按期断电，叠加医疗监护仪蜂鸣则对应暂缓断电并保护，文字完全相同。

需要先建立的白话概念是保护性来电，指声音要求保护、而文字指向常规动作的版本；干净来电，指声音中性、常规动作即正确的版本。前者的错误是把常规动作执行了，后者的错误是过度保护。论文的标题含义也在此：听见层面接近人类，关键时刻的决策仍偏向文字。

同类路线做了什么：感知、动作与人类参考各缺哪一块

与本工作最接近的路线有 3 类。第一类测动作，例如生产级实时智能体在固定开场白下是否随语气改变动作，但此前只有 3 个场景、每格 5 次试探，且无统计分析与人类决策参考。第二类只测感知不测动作，例如报告模型能识别情绪却按文字回答，或加音频相对加文字只带来很小决策变化，或探测发现模型编码的多于使用的。第 3 类是给语音智能体打分的基准，但任务逻辑对语气不变，或只在文字稿上打分，或只判断是否干预而不翻转具体工具调用。

论文用一张对照表把 4 个性质并列：固定文字下正确答案是否翻转、是否为可执行的有类型调用、有无只读文字的零假设、是否有人做同样的动作选择。按该文对原始文献的判读，只有 VoxParity 同时具备前三项并部分具备第四项。此处不把类别差异当同条件胜负，只是说明本工作的增量是把听见与照做拆开，并在相同文字下用类型化调用与零假设来度量。人类参考的特殊性也要先记住：志愿者在浏览器里听同样音频、从同样菜单选动作，但看不到明示政策，且被告知声音决定走法，因此只能做参考，不能当作要超越的基线。

要测什么问题：文字相同、正确工具调用不同的对比集

论文把一个条目定义为决策时刻的压缩：智能体角色、可能存在的明示政策、类型化工具菜单，以及一份固定文字稿。同一条目渲染出两个或更多音频变体，只在说法方式或可听场景上不同，每个变体有自己的正确答案调用、可选的替代部分分，以及一道关于听到了什么的强制选择感知题。每个条目还提供通用的持续动作，例如继续、确认、澄清、转交等。菜单按固定种子打乱，以防止按位置猜测的策略得分。

关键约束是模式要求正确答案跨变体翻转，只有不变对照例外。论文报告在有两可运行变体的条目中，绝大多数确实翻转，两个例外在冻结时失去了翻转变体。这种设计就是对比集与最小对行为测试：忽略音频的系统在各变体上动作必然相同，也必然与其文字稿 twin 相同。

保护性变体 × 干净变体： 保护性变体指同一段文字配上需要保护的音频、正确答案是保护动作的版本，分工是制造与字面默认相反的压力；干净变体指同一段文字配中性音频、正确答案是常规动作的版本，分工是检验是否过度保护；二者搭配的理由是共用一份文字能排除文字理解差异，组合意义是把错误方向区分为不安全执行与过度触发。

7 种可听线索改变应做事项，另加一类通道条件作为控制。通道条件以相同方式施加到同一条目的所有变体，因此本身不决定正确答案。按危害划分，逆事实条目分为生命与身体安全、脆弱客户义务、消费者权利、财务损失与欺诈、安全与授权 5 类，其中多数有书面强制、许可或行业实践依据，少数早期语言模型起草的遗留条目在依赖依据的论断中被搁置。

方法全景：一个样本如何从音频走到判分

沿一个样本走完全程有助于建立全局观。以公用事业断电同意为例，输入是同一句文字与两个音频：干净读法与叠加医疗监护仪蜂鸣的读法。表示层是系统听到的波形或读到的文字稿，组件是选择工具的模型与工具菜单，目标是输出带类型参数的调用。干净变体的目标是按期断电，蜂鸣变体的目标是应用脆弱性暂缓。判分不请评委，按语法树匹配：工具名必须对，每个类型化参数必须落在允许值表，自由文本归一化后匹配，答对得 1 分，可接受替代得部分分，否则 0 分，只评第一轮。

可执行工具调用 × 感知探针： 可执行工具调用分工是记录智能体第一轮实际要执行的带类型参数的动作，是判分对象；感知探针分工是用强制选择题问同一段音频里听到了什么，是判断听见与否的依据；搭配理由是把听见和照做拆成两个可分别观测的步骤，组合意义是能定位失败在听觉还是在从听到决策的桥接。

刺激物以合成语音为主引擎，另有两个引擎做第二引擎拷贝，不克隆真人声音，儿童声也为合成，场景音按种子配方混合。作者还录制了几十个变体覆盖合成不擅长的讽刺、低语、含糊等。入库门控按固定顺序执行：有人听过则以人的判断为准，语音识别做内容往返否决，其余由机器线索裁判预筛。论文报告机器裁判与人的一致率不高，因此后文对情绪与规则模式做了仅用人或非谷歌裁判准入单元的稳健性复核。志愿者部分是约 20 名无偿志愿者在浏览器中先锁定动作再答感知题，可重播、无反馈，结束才揭示，每人设备与耳机条件未筛查，1 人贡献了约 1/4 答案。

零假设如何工作：同一系统的文字 twin 与级联地板

零假设组件需要仔细理解。每个音频变体都有一个文字 twin，即同一系统直接读确切文字稿。音频得分减 twin 得分，就是听觉相对阅读带来的改变。另有一条只读文字的级联，用语音识别转写再用文本大模型选工具，它从不听音频，因此它的音频减 twin 改变只度量转写带来的移动。系统的改变再减去级联的改变，就是双重差分。

只有该值在 Holm 校正后大于零，才算通过纯文字零检验。通过意味着动作随音频的变化超出了文字所能解释的部分。

纯文字零检验 × 音频减文字 twin 差： 音频减文字 twin 差分工是量出同一系统从读文字稿切换到听音频时动作改变了多少；纯文字零检验分工是用只读转写文字的级联的同样差值作为地板，扣除转写差异带来的移动；搭配理由是没有听觉的系统也可能因转写不同而改变动作，组合意义是只有超出该地板的改变才算真正利用了音频。

该检验依赖一个假设：若不使用线索，从文字稿切换到音频对系统与级联的影响相同。论文检查了唯一可靠到达文字的线索是被遮蔽词，因此剔除该类单元后重测，发现原有通过全部保留还多一个，这支持假设未被该通道破坏。计分单元分为 206 个带线索格与 103 个中性格，带线索格中保护性是指其正确答案保护呼叫者而文字指向常规动作，中性且有保护兄弟变体的称为干净格。情绪投递覆盖情感与低语、含糊、气喘等说法，有文字路径的系统才能做双重差分，无文字路径的 5 个系统另做准确率对照。

本研究训练了什么：无模型训练，只有基准构造与调用

本研究没有训练任何语音或语言模型参数，必须明确这一点，不能把无训练等同于确定性求解。真实计算过程是基准构造、系统调用与判分统计。构造侧包括写场景与政策、固定文字稿、合成与混音、门控入库、冻结题库；调用侧是 28 个音频原生系统在统一管线与统一判分器下跑冻结题库，每系统跑其预期单元，时间窗在 2026 年 9 月中下旬；统计侧是按条目聚类的百分位自助区间与 Holm 校正。

需要交代的缺项是论文未报告各商用端点内部是否冻结、提示词细节与解码温度对实时智能体的影响有限，仅说明除实时智能体外温度为 0，实时走接口默认。梯度路径、参数更新、重置时机都不存在，因为无训练。所谓音频原生指音频到达选择工具的模型，若产品只是把文字稿转给文本模型做工具调用，则无论界面如何都算级联。系统选择按覆盖而非性能，覆盖当时可公开调用的音频输入可工具调用模型与允许提交轮次的实时接口，未运行的系统与原因在附录列出，例如缺少账号、无手动提交轮次、成本或平台错误等。

实验条件：28 个系统、三种服务形态与两类参考点

参测为 28 个来自 11 家供应商的音频原生系统，分 3 种服务形态：整段文件模型、生产实时智能体、本地开源权重模型。其中 23 个有文字路径可做双重差分，5 个无文字路径另比准确率，可读探针的为 27 个。前端四强指带线索得分最高的 4 个可读探针系统，后文多处按该分组做探索性分解，但该分组按结果选出，解读时需注意选择偏差，论文用随机半分做了稳定性说明。

参考点有两个。只读文字级联在带线索格上的得分约为 0.34，其自身音频减 twin 接近零，这是地板。志愿者在答过的带线索格上的选择得分约为 0.61，但其语境与系统双向不同：看不到明示政策可能不利，被告知声音决定走法与返场者看过揭示可能有利。统计按条目聚类并对系统间比较做配对，涉及志愿者则对条目与志愿者双向重采样。论文声明只有零假设 verdict 是确证性，其余为描述或看数据后选择的探索性分析，含急性警报与安静状态的分组命名也是看过情绪类型后定的。

主结果：保护性来电上全部偏向文字，听觉只缩小不反转

先看错误方向的总体图。该图左面板展示 183 个场景按线索与行业的分布，右面板以干净来电过度触发率为横轴、保护性来电执行常规请求率为纵轴，每个点是一个系统，形状区分服务形态。所有系统点都在对角线上方，志愿者是唯一在线上或穿过线的点，级联偏向文字最重。像素上可见文件、实时、本地 3 类标记都未落到线下，说明方向与供应商和形态无关。

看图路径： 1. 先看左面板各类线索的场景数与呼叫数，确认情绪类占多数；2. 再看右面板所有系统点都在对角线上方，确认错误方向一致；3. 对比只读文字级联与志愿者的位置，确认中位数系统介于两者之间

论文图 1。原论文 Figure 1:：“VoxParity at a glance, and its headline: all 28 systems err toward the words when the audio calls for protection.”。

图后需要把数字与条件对应起来。汇总 28 个系统，不安全执行为 41% 过度触发为 12%，中位比率为 4 比 1；前端四强为 34% 对 18%，仍约 1.9 倍；只读文字级联为 58%，志愿者为 18% 对 21%。相对各自文字 twin，音频平均降低不安全执行 0.12，过度触发不变。

18 个系统相对级联显著更少不安全执行，一个本地模型反而更多。风险与准确率排序不一致，相关系数为 0.48，因为大量澄清的系统看起来安全但准确率低，而自信跟随文字的系统最危险。

事实线索 × 感受线索： 事实线索分工是改变请求所依赖的事实，例如谁在说话、说了哪个词、有无第二声音，分工是直接改变可验证条件；感受线索分工是请求文字不变、只改变呼叫者状态，例如哭泣、讽刺、含糊，分工是改变应尽的照顾义务；搭配理由是两类线索对规则明确程度的依赖不同，组合意义是解释为何前者在无明示规则时仍被执行、后者高度依赖明示规则。

下表给出 5 个保护性来电的具体行为，区分听见与照做。4 个前沿系统全部识别了监护仪、恐惧低语与 911 背景威胁中的后三者，却很少做出规则动作；前两个呼吸与声音紧张则连听见都未做到。全部 28 个系统中，无一在吸入器与预约请求上选对，断电、酒店与静默 911 上选对的分别只有 0、1、3 个系统。

表后解释代价与反例。这些是生命安全格的子集：在 53 个生命安全保护格中，17 个上多数系统按文字做，5 个上无一系统选对，包括表中断电与 911 之外的燃气相关呼叫。按系统自身探针衡量，听见的保护线索在生命安全与其他来电上被执行的比例都是 40%，未见 stakes 提高可执行性。医疗与电信行业在场景数不少的分组中得分最低，中位数系统在有声线索格上得分约 0.24。29 个带线索格无一系统做对，其中多数是情绪投递。未胜出项是过度触发并未因听觉而系统性下降，只有一个通过零检验的系统在该方向例外。

组率的条形对照进一步显示方向的稳健性。4 组从志愿者到级联，不安全执行依次升高，过度触发差异小。志愿者风险低于全部系统，多数显著，但语境差异使该对比只能做参考。

看图路径： 1. 先看右侧不安全执行条的长度，确认级联最长、志愿者最短；2. 再看左侧过度触发条，确认各组差异远小于右侧；3. 注意该图是按呼叫平均的组率，不是单个系统点

论文图 7。原论文 Figure A4:：“Figure A4: Every group of systems errs toward the words, and the words-only cascade most of all.”。

该图横轴为呼叫份额，左侧为干净来电过度触发，右侧为保护性来电不安全执行。四行分别为志愿者、前沿四强、全部系统与级联，右侧长度单调递增，左侧相近，说明听觉改变的是不对称的大小而非方向。结合第一张图看，结论是每个系统都落在对角线上方，只是离线距离不同。

谁超越了文字：11 个通过者与中位数系统的含义

再看零假设的排行榜。该图左面板是有声线索得分与区间，虚线为级联，实线为志愿者；右面板是超出零假设的增益，实心为 Holm 后通过，倒三角为显著低于。像素上可见顶部文件模型密集，实时模型多数靠下，只有 2.5 原生音频实时通过。可无文字路径的 5 个系统在下方另块比较准确率，无一显著高于级联。浅蓝底为逐家庭剔除的范围，灰带为另两个文本模型的地板范围。

看图路径： 1. 先看左面板有声线索得分，确认最高分仍低于志愿者参考线；2. 再看右面板超出零假设的增益，确认实心点为通过者；3. 注意下方无文字路径的五个系统是比准确率而非差分

论文图 3。原论文 Figure 3:：“Eleven of the 23 systems that can be tested against their own transcript act on the audio beyond the words-only null; the median system does not, and one of the seven production…”。

图后落实通过名单与条件。有文字路径的 23 个系统中 11 个通过，覆盖 6 家供应商；两个可测的 OpenAI 系统均未通过，有文字路径的 7 个生产实时中仅 1 个通过。28 个系统的中位数与级联持平，说明中位数系统并不比从不听音频的流程更好。更严的双版本全对口径下 8 个系统超级联，且排序与双重差分高度相关，唯一例外是 Voxtral Small，其通过主要因文字 twin 很少调用工具，而非按声音区分动作。

下表给出按线索拆分的感受与事实对照，重点看听见后的执行。前五行为听见却按文字做的安静状态，后三行为听见且照做的急性警报。前沿四强在急性警报上按文字做的很少，在安静状态上过半按文字做；全部可读探针系统方向相同但幅度小。志愿者在答过的呼叫上方向相同幅度约一半，提示部分差异可能在呼叫本身而非系统。

表后补充规则明示程度的调节。有明示规则的情绪格上前沿相对零假设增益为 0.33，无明示规则时为 0.00；其他线索在两种条件下都超零假设。全部可测系统在无明示规则格上整体贴零，有明示规则格上整体为正。听见后做对的情绪与其他线索差距在分层前显著，分层后整体不再显著，但最高分系统的差距在分层后仍存。

急性警报与安静状态的划分为探索性，前沿在听见急性警报时按文字做约 6%，听见安静状态时约 52%，听见事实居中。渲染强度不能解释该对比，因为急性与多数安静都用强档渲染。

运行形态与判分细节：实时是否更差与文字 twin 的含义

运行形态的比较只在同家族命名对内做，因为方向按对而异。7 对中实时相对文件在多数对上降低有声线索得分，但在两个 OpenAI 对上反而升高，主因是实时更常调用工具。听觉与行动分开看，实时探针准确率平均低约 0.10，若把无选项回答计错则显得更聋，因此主分析把无选项计缺失。菜单与探针选项顺序经重排检验无实质影响，只有一个模型的探针格式效应改变识别率解读。

下表是精简的操作表，保留得分、风险、不安全执行与过度触发，便于同时核对准确与风险排序不同。可见澄清多的系统风险低但得分低，例如某模型不安全执行仅 0.09 而得分仅 0.16；自信跟随文字的系统干净来电正确但保护格大量执行常规动作。志愿者与级联作为参考行保留，志愿者风险最低但语境不同。

表后强调未胜出项与边界。按严重性加权的风险只进该表，不进主错误率；权重方案改变几乎不改变排序，是否对澄清与不作为计费才改变中段。第一轮后加一轮脚本追问的判分最多移动双重差分 0.02。温度 1 的 3 次重复在最高分系统上有九成格一致。

检测约 3 个点的系统间差异需要上 1000 条目，因此不排名领先者。实时延迟只报告中位数，不做优劣断言。训练资源与推理开销按原文未系统测量，不承诺延迟或成本改善。

补什么能挽回：声音描述与明示规则各自的作用

干预实验把线索送到决策端，测可挽回的上界。注记只来自变体规格书，中性格也给，不含工具或答案文字。标签注记用一词命名线索，描述注记用合成引擎收到的风格句并带强度。虚假注记做长度对照。规则干预是对无明示政策条目由语言模型按依据写 2 分支规则，形式与题库明示政策相近，但因依据描述了预期回应而不盲于答案。

描述注记 × 明示规则： 描述注记分工是把音频规格书中的声音写法直接写进提示词，让决策端不经听觉也拿到线索；明示规则分工是把若听到某种声音就改做何动作的两分支规则写进提示词，让映射关系显性化；搭配理由是一个补听觉输入、一个补决策映射，组合意义是可分解听见与会用的各自缺口，并显示两者叠加仍在情绪线索上留有残差。

下图左面板显示一词标签几乎解决场景与说话人类，情绪只到约 0.6；右面板显示描述注记进一步提升情绪但仍低于其他线索。像素上可见 6 个模型与输入条件下情绪行始终最低，空心无注记点与实心有注记点差距在情绪行小于场景行。音频上两注记走不同路由，这是原文明确的实施细节。

看图路径： 1. 先看左面板一词标签下情绪行最低，场景与说话人行接近满分；2. 再看右面板描述注记相对标签的提升，确认情绪仍低于其他线索；3. 注意空心点为无注记基线，比较同一行实心与空心差距

论文图 2。原论文 Figure 2:：“Told the cue, agents act on the facts of a call more readily than on the caller’s state; describing the voice narrows the gap without closing it.”。

图后用数字表固定条件与幅度。标签注记下最高分系统在自身音频上环境音 1.00、第二声音 0.97、情绪 0.59；换确切文字稿或 Whisper 稿、换 3 个纯文本模型，情绪仍最低约 0.48 到 0.62，而另两类约 0.73 到 1.00 与 0.78 到 0.97。描述相对标签在情绪上再加约 0.07 到 0.18，中性格不变，情绪与其他线索差距缩小约 1/4 到一半。两者叠加时，无明示规则情绪格从 0.40 到 0.83，但仍低于其他线索约 0.17；有明示规则时情绪约 0.71 到 0.76，对其他线索 0.95 到 0.97， abusive 来电是剩余失败较清晰的一处。

表后必须说明代价与未闭合处。注记是上界而非可部署修复，因为它来自渲染规格而非从波形感知。模型自己的先描述后行动只加约 0.03，其自写句子多为弱化而非漏听，例如把辱骂写成沮丧但有礼、把啜泣写成疲惫，多数格其强制选择探针其实答对。单纯指示注意声音只加约 0.05，远小于供给描述。前沿的完美听觉只加约 0.04，完美决策加约 0.28，说明缺口主要在从听到用的桥接。文本模型拿确切文字稿加描述注记可达 0.76 以上，超过一切无辅助音频系统，虚假注记无用，这支持桥接假说但待验证是否可训练实现。

哪些结论不能推广：合成声、单人与志愿者条件

论文用一节集中说明限制。首先是合成刺激与单一声音：情绪差距几乎全在 Gemini 合成情感上，且多数格用同一合成声，跨合成声的变异只在无风格控制的引擎与作者录音上检验；刻板合成情感可能更易识别也更易被折扣，显著度分析只是部分反证而非检验。其次是单人录音：人类录音来自知晓假设的作者，经独立听者确认线索，可证人类语音上效应存在，不可估计跨说话人、性别与口音的大小。

志愿者为自选、无耳机筛查与注意力检查，1 人贡献大，感知题在锁定动作后回答，可能把标签拉向动作而高估识别与听见后做对率，只能说明无训练可达，不做人群估计。事后分析方面，只有零假设 verdict 为确证，其余 Holm 计数为描述，错误方向、事实与感受、听见与决策、零检验与其他度量的比较均为看数据后选择，按明示规则分层为观察性。依据强度方面，感受更少基于书面强制，在强制子集内感受与事实差距不可辨，实践依据子集内差距显著，因此部分模式可能反映规则固定程度而不只是是否写明。前沿按结果选出，随机半分移动估计至多 0.03。协议映射是作者对书面规则的解读，非法律认定。

复现先做什么：用什么代码、哪部分公开、持有什么不公开

复现应从公开部分起步。论文声明工具链、判分器与再生脚本以 Apache-2.0 发布在 GitHub 仓库，并归档到 Zenodo，当前可用性按本次收到的资源状态为准，两个代码资源本次均可达。开发集含 40 个整条目与 81 格，带音频并按许可清理，信息量排序使其能力估计与全库高度相关，可先做大效应筛选再全量要 verdict。判分无需评委，按工具名与类型化参数匹配，跑每格音频与文字 twin，并跑同一文字稿的只读文字管线，比较配对的音频减文字改变是否超出管线。

held-out 的 143 个条目不公开以防污染，每条目带 canary 并发布文件、音频与编号的哈希，提交智能体可请求评测。复现需保留的关键超参与信息条件包括冻结题库、菜单固定种子打乱、第一轮判分、按条目聚类区间、Holm 校正族划分。需补的验证是多说话人录音、更大志愿者面板、跨合成声的情绪效应，以及把声音描述与规则从规格书上界变为从波形估计的可部署模块后再测。评估闭源系统必然把音频发给提供方，这在论文伦理部分已提示。

何时值得尝试：写明规则与造反事实对的实践含义

综合判断分 3 层。报告层面是全部系统在保护性来电上偏向文字，听觉平均降低不安全执行但不反转方向；支持层面是超越零假设几乎全来自写明规则的条目，安静状态被推翻远多于急性警报，描述与规则各挽回部分；可能与待验证层面是缺失桥接而非缺失听觉的架构假说，以及对比训练能否闭合情绪残差。

何时值得尝试取决于场景。若部署涉及断电、派药、派单、放款等不可逆动作，且行业规则已把声音列为条件，则应在开发集上先跑纯文字零检验，而不只看准确率或识别率；若条目未写明规则，应先把若听到何声就改做何事写成 2 分支规则，因为观测到的增益集中于此。若要复现，先跑开发集筛选大效应，再申请 held-out 要 verdict，并同时报告不安全执行与过度触发 2 个方向，避免只用准确率掩盖自信跟随文字的危险失败。未测量误判率外推、延迟与成本时，不做相应承诺。

⚖️ 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 2026-09-30 语音/音乐/音频论文速递