📄 转录词盖住声音时：用可编辑概念查语音情感判定的依赖
英文题目：From Speech to Editable Concepts: Probing Emotion Recognition with Concept Bottleneck Models
标签：#语音情感识别 | #SFT | #可解释性 | #语音 | #大语言模型
评分：5.7/10 | 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 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5
👥 作者与机构
- Hezhao Zhang：机构信息未在 arXiv HTML 中可靠披露
- Thomas Hain：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
语音情感识别需从话语语音判定离散情感标签，难点在于词汇语义与音高强度语速等韵律线索相互纠缠且大音频语言模型直接消费音频导致决策依据不可追溯。语音概念瓶颈先由独立工具分别抽取转录文本与音高强度语速离散等级及说话人年龄性别等可读概念，其输出文本直接作为下一步输入。随后将所选概念组填入统一提示模板并交由文本大语言模型仅依据概念文本预测标签，干预时固定已微调预测器并删除单个声学概念以观察输出变化。相比保留音频输入或生成事后推理文本，该设计使输入完全文本化且可编辑可控，因而能区分聚合指标变化与个体预测迁移并定位决定性概念等级。在CREMA-D语料零样本设置下，声学加转录组合的Macro-F1为5.87%，低于仅声学概念的Macro-F1 27.88%。微调后转录与声学结合回升至45.10%左右，且删除语速使48%的中性预测转向厌恶而聚合指标仅小幅波动，说明总体分数掩盖了个体层面迁移。该结论适用边界受限于脚本化与对话语料分布差异与离散分箱及抽取噪声，向自然对话与跨语种场景的外推尚未验证。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，目标是什么，必须保留什么？
这篇解读的对象是刚进入语音与情感识别的研究生，输入是论文原文给出的任务定义、方法安排、实验条件和数字证据，目标是让你能复述它做了什么、怎么做的、在什么条件下成立。必须保留的信息有 3 类。第一是任务口径：语音情感识别是对每条语音输出一个固定集合中的情感标签，评价用宏平均 F1，无法解析成标签的输出计为错误并采用贪心解码。
第二是信息条件：预测器看不到原始音频，只能看到由独立工具抽出的文字化概念，包括转录文本、音高水平与变化、强度水平与变化、语速，以及估计年龄与预测性别，提示词只给所选概念组和允许标签，不告诉模型概念值与情感的关系。第三是比较口径：概念组合的增减分别在零样本和各自微调后评测，单概念删除则固定已在全概念上微调好的预测器，只改输入不改参数。
资源状态方面，本次没有发现来源绑定且完成安全验证的资源，因此不得声称代码、模型或数据已公开，复现只能按论文文字描述的工具名、划分与超参数去重建。全文按学习依赖展开，先讲任务与相关路线，再讲方法全景与组件计算，然后讲训练与实验条件，最后讲结果、反证与复现要点。凡是教学用的举例会明确标为例子，不引入无源数值。
已有路线解决了什么，还缺哪一步？
早期语音情感系统在精心挑选的声学特征上训练分类器，例如音高、能量与频谱描述子，后来神经网络直接从波形学习声学表示，自监督语音表示又成为更好的分类器输入。由于语音同时携带词汇内容，后续系统把语音表示与转录文本特征结合。近期研究采用大型音频语言模型，用音频编码器扩展大语言模型，给定文本指令直接从音频预测情感标签，但论文报告许多语料上性能仍然偏低，且直接音频输入不说明依赖了哪部分信息。
为了让输入变得具体，已有工作把声学信息写成文本形式。一种做法是保留音频输入并生成描述韵律的推理文本再给标签，另一种做法是从音频抽出声学描述并与转录文本一起交给文本大语言模型。论文指出这两类做法都没有回答固定预测器的判定依赖哪条描述：去掉某条描述重训会换掉预测器本身，互换描述难以定位单条作用，生成的推理文本也可能不忠实反映模型实际如何得到预测。
要回答依赖问题，需要能控制模型输入并且知道输入代表什么，因此希望模型的输入本身就是人类可读形式。图像分类曾面临同样问题并提出概念瓶颈模型，先把图像映射到人类可读概念，再只用这些概念预测标签，使每个预测都能追溯到具体概念并可通过编辑概念来改变。本文把这一思想搬到语音情感识别，区别在于输入是一条语音，概念是说话内容、语调快慢与说话人属性的文字描述。
论文真正要回答的两个问题是什么？
论文把研究问题收敛为两问。第一问是每一组概念对识别的贡献在不同语料、微调前后如何变化，具体做法是比较拿到不同概念组合的预测器，加入一组描述带来的增益即视为该组的贡献，分别在零样本与微调后观察。第二问是判定依赖哪些声学概念以及这种依赖如何随语料变化，具体做法是把在全概念上微调好的预测器固定，对同一条语音分别给出有与没有某个声学概念的输入，观察宏平均 F1 变化与改判方向。
举例说明：比如一条语音的概念包括转录文本很中性、语速很快、强度中等，问题不是重训一个不用语速的模型考多少分，而是同一个已训练好的模型在提示词里删掉语速那一行后，是否把原来判为中性的结果改判为厌恶。论文在 3 个语料上检验，12 个固定中性句子在 6 种情感下表演的语料只让声音带情感，日常对话与电视剧多方对话语料则让词也带情感。预测器用 3 个开放指令微调模型，另以一个模型直接听音频作为参照条件。
这样的设计把可解释性操作定义为可执行的输入编辑，而不是事后看注意力或让模型自己解释。
方法全景：一条语音如何走完瓶颈？
沿一条样本走完全程最容易建立整体感。输入是一条待判情感的语音，先经过 3 个相互独立的概念抽取通道，分别得到转录文本、5 个声学量与两个说话人属性，再按所选组合拼成提示词，预测器大语言模型只读这段文字并返回一个允许标签。
声学量包括音高水平、音高变化、强度水平、强度变化与语速，水平用整句均值表示，变化用整句标准差表示，语速用转录文本词数除以语音时长表示，每个声学度量按训练集分位数离散成五档并用很低到很高或很慢到很快的文字描述写入提示词。说话人概念包括估计年龄与预测性别，年龄分成 6 个十年段。提示词模板还包括预测情感的指令与允许标签集合，并要求只返回一个标签而不解释。未被选中的组直接省略，不留空位。
语音情感识别 × 概念瓶颈模型： 语音情感识别负责把一句话判成一个固定情感标签，概念瓶颈模型负责把判定必须经过的一组人类可读中间描述，二者搭配的理由是直接音频输入无法指出依赖了哪部分信息，而瓶颈把声音先变成转录文本、音高与强度与语速、年龄与性别等文字概念，再只用这些概念预测，从而让删掉某一个概念就能观察同一预测器改判了哪些样本。
符号与计算目标需要先说清。记输入语音为输入，记抽出的概念集合为概念，记预测器输出为预测标签，则全过程可写成先抽概念再由概念预测标签的形式，干预操作是固定预测器只改其中一个概念并观察预测标签是否变化。
\[\hat{y}=f(c),\qquad c=g(x).\]这里的公式不是要优化的新损失，而是对 2 阶段级联的记法，左半是预测器只以概念为输入，右半是概念来自抽取器。原文没有为瓶颈本身给出额外可训练目标，训练只发生在预测器的大语言模型微调上，抽取器是现成工具且未用情感标签训练，这一点决定了依赖分析的可归因性。
概念从哪里来，质量如何交代？
论文明确表示研究重点是预测器如何使用概念，而不是如何抽取概念，因此每个概念都用独立的现成工具以保证质量。转录文本由语音识别模型产生，音高与强度用量测工具计算，说话人年龄与性别由说话人属性模型预测。年龄只有部分语料有元数据可核对，性别可用元数据核对一致率。论文报告预测性别与元数据的一致率在两个语料上超过 95%，年龄预测在有元数据的语料上准确落入正确年龄段的比例不高，但在相邻一段内的比例较高。
这意味着说话人概念本身带有噪声，后文加入说话人概念后分数变化小且方向不一致，需要结合这种噪声来理解，不能把小幅波动解读为说话人信息无用或有用。声学离散化的分位数阈值在每个数据集与每个划分的训练集上拟合，这是复现时容易忽略的细节：阈值不能跨语料共用，也不能用测试集拟合，否则五档的含义会漂移。提示词不解释概念值与情感的关系，避免把先验规则灌给模型，使零样本偏向与微调纠偏都来自模型自身行为。
概念抽取器 × 预测器： 概念抽取器分工是把原始语音变成文本形式的概念值，且不用情感标签训练，预测器分工是只读这些概念文本并输出一个允许标签，二者搭配的原因是抽取与判定分离后可以固定预测器只改输入，组合意义是每一次改判都能归因到被删掉的那个概念，而不是换了一个模型。
转录与声学各自承担什么，为什么要分开给？
转录文本概念承担词义线索，例如对话语料中词语本身随情感变化；声学概念承担发音方式线索，例如固定文本语料中只能靠语调、响度与快慢区分情感；说话人概念承担表达与感知随年龄性别变化的背景调节。分开给的理由是只有分开才能做加法比较：只给转录、只给声学、两者都给、三者都给，分别在零样本与微调后评测，才能看出哪组在何时起作用。若把所有信息混成一段不可拆的向量，就无法执行删掉某一行的干预。
论文用 4 种组合覆盖这种加法，记转录为一类、声学为一类、说话人为一类，组合包括单转录、单声学、转录加声学、三者全加。教学例子：固定文本语料中同一句话以中性和厌恶两种方式说出，转录行完全相同，只有声学行不同，理想的预测器此时应忽略转录行而依赖声学行；对话语料中同一情感可用不同词语表达，转录行本身就有区分力，预测器可以同时用两类信息。
转录文本概念 × 声学概念： 转录文本概念分工是承载词义带来的情感线索，声学概念分工是承载语调与响度和快慢带来的情感线索，二者搭配的原因是语音里词和声音常常同时带情感但比例随语料不同，组合意义是可以在同一预测器下比较只给词、只给声音、两者都给时的分数，从而看出零样本偏向词、微调后学会用声音的过程。
预测器如何训练，哪些参数在动？
预测器是 3 个开放指令微调大语言模型，其中一个还可直接接收音频作为参照条件。微调使用低秩适配方法，只更新注意力与前馈投影上的适配参数，秩与缩放系数与丢弃率按原文给定，优化器用带权重衰减的自适应方法，学习率、预热比例与线性衰减、训练轮数与批量大小与半精度格式都按原文给定。每个模型在每种概念组合上单独微调并用 3 个随机种子重复，对话语料还按会话做五折交叉验证，折内平均方式按原文说明处理。
直接音频参照条件的微调还会适配编码器与投影层，这是概念输入与音频输入不完全对等的根源，比较两者差距时必须记住训练范围不同。论文未报告梯度路径的逐层细节与硬件耗时，也未给出搜索过程的最优选择，因此复现时应按原文超参数直接运行，不自行放大秩或延长轮数。干预阶段不做任何训练，只是用已在全概念上微调好的预测器分别评估完整输入与删掉一个声学概念的输入，分数变化相对同一轮次的完整输入分数计算。
零样本预测 × 微调预测： 零样本预测分工是直接用指令让大语言模型读概念并输出标签，不更新参数，微调预测分工是在每种概念组合上各自更新少量参数后再评测，二者搭配的原因是前者暴露模型原有的词偏向，后者检验这种偏向能否被纠正，组合意义是同一组概念增减在两种条件下方向可能相反，不能只看一种条件就下结论。
数据、划分与指标如何保证可比？
3 个语料的任务口径不同，复现必须逐个核对。固定文本表演语料有 6 类情感且说话人互不重叠划分，对话表演语料有 4 类情感且按会话做五折，电视剧对话语料有 7 类情感且用官方划分。类别数不同直接影响宏平均 F1 的基线高低，不能跨语料比较绝对分数高低，只能比较同一语料内不同输入条件的相对变化。
转录文本与声学离散化阈值都依赖训练集，折划分与种子平均方式也影响结果稳定性，原文报告微调为 3 轮均值并给出种子标准差范围，对话语料为五折均值。评价采用贪心解码，无法解析为标签的输出计为错误，这比只统计可解析输出更严格。参照条件用同一模型的直接音频输入，分别在零样本与微调后与概念输入的最佳组合比较，用于衡量文字化瓶颈丢失了多少信息。
需要特别说明的是，原文表格的表头单位已写明测试宏平均 F1 为百分比，数据格为裸数值，解读时应保留这种写法而不逐格追加百分号，也不把不同指标的差值混入同一列。资源可达性方面，本次未获得可验证的公开链接，因此不声称代码权重数据可下载。
转录偏向何时有害，何时无害？
先提出比较问题：在零样本下加入转录文本是否总是帮助识别，微调后方向是否反转，公平条件是同一模型、同一语料、同一评价指标，只改变概念组合，指标方向是宏平均 F1 越高越好。下表整理固定文本语料上的关键对照，覆盖只给转录、只给声学、两者结合在零样本与微调后的变化，表中数值保留原文裸值写法，单位见表前说明为百分比下的宏平均 F1。表前已交代比较问题与公平条件，表后将解释收益与代价。
| 条件 | 指标 | 零样本只给转录 | 零样本只给声学 | 零样本转录加声学 | 微调只给声学 | 微调转录加声学 |
|---|---|---|---|---|---|---|
| 固定文本语料 | 测试宏平均 F1 | 4.26 | 27.88 | 5.87 | 41.87 | 45.10 |
| 固定文本语料 | 行为描述 | 全判为中性 | 声学可分 | 加转录回落 | 声学为主 | 加转录反升 |
表后解释需要同时给出收益与反例。零样本下只给转录在固定文本语料上把所有句子判为中性，因为文本本身中性且在每种情感下重复出现，此时只给声学已能达到较高分数，但加入转录又把分数拉回低位，说明模型强烈偏向转录且这种偏向有害。微调后模式反转，只给声学成为主要依据，只给转录仍然很低，但把转录加到声学上反而提升，表明微调纠正了偏向并学会了组合使用。
未胜出项是零样本的转录加声学与三者全加，它们并未超越单声学，不能因为多给了信息就默认更好。另一类细节是说话人概念的加入在微调后各语料变化不足两分且方向不一致，这与年龄预测噪声与说话人内变化有限有关，论文对此只给有限解释，应表述为支持而非因果定论。
词带情感的语料上组合还有效吗？
再提出第二个比较问题：在词本身带情感的对话语料上，转录与声学的组合是否依然带来一致增益，概念输入与直接音频的差距如何随语料变化，公平条件仍是同一模型与同一指标，只比较输入形式，指标方向同样是越高越好。下表整理对话语料与电视剧语料的对照以及概念与音频参照的差距，数值同样保留原文裸值，单位为百分比下的宏平均 F1。表前已说明问题与条件，表后解释适用边界。
| 条件 | 指标 | 只给声学 | 只给转录 | 两者结合 | 概念最佳 | 直接音频 | 差距含义 |
|---|---|---|---|---|---|---|---|
| 对话语料零样本 | 测试宏平均 F1 | 36.49 | 46.11 | 51.71 | 51.99 | 69.32 | 转录有益 |
| 对话语料微调 | 测试宏平均 F1 | 45.49 | 69.90 | 74.37 | 74.97 | 82.66 | 声学仍有增益 |
| 电视剧语料微调 | 测试宏平均 F1 | 13.51 | 37.20 | 37.03 | 38.48 | 41.07 | 增益小且不稳定 |
| 固定文本微调参照 | 测试宏平均 F1 | 42.18 | 11.28 | 44.51 | 45.57 | 78.67 | 差距最大 |
表后解释要区分适用条件。在对话语料上零样本转录已能识别情感，加入转录是把声学分数往上抬，与固定文本语料上往下拉方向相反，说明同一偏向在不同数据分布下后果不同。微调后两者结合在对话语料上明显超过单转录，但在电视剧语料上几乎无增益且跨模型不一致，表明声学文字化在噪声更大、说话方式更接近的对话中区分力有限。
概念与直接音频的差距在固定文本语料上最大，在词带情感的语料上缩小，报告显示情感越藏在声音里，文字化瓶颈丢失越多。未评测边界是直接音频参照只给了一个模型的分数，不能推广为所有预测器都有相同差距，也不能把差距完全归因于离散化，还可能来自韵律细节丢失与抽取误差。
固定预测器删掉一个声学概念，总分怎么动？
本节的导读是固定预测器、只删输入的操作定义。对象是已在 3 组全概念上微调好的预测器，条件是同一轮次的完整输入分数为基准，时间范围是 3 轮重复的均值与标准差，对话语料折内先平均再跨折处理。纵轴是删除后相对完整输入的宏平均 F1 变化，负值表示变差，正值表示变好，不能把横轴零点左侧直接理解为模型整体不可用，它只是单概念缺失的代价。下图展示 5 个声学概念各自删除后的分数变化，图前已交代对象条件与纵轴含义，图后将结合数值解释 corpus 依赖。
看图路径： 1. 先看三列语料面板的横轴零点，再看每个声学概念点的偏离方向和误差线长度；2. 对比 CREMA-D 上五个点都明显左偏，而 MELD 上五个点都贴近零点的差异；3. 再看同一概念下三个模型点的相对顺序是否一致
论文图 1。原论文 Figure 1:：“Changes in Macro-F1 relative to the fine-tuned TAP scores in Table 2, after removing one acoustic concept while keeping the predictor fixed.”。
图中可见内容支持论文报告的模式。固定文本语料上删掉任一概念都让分数下降，下降幅度在数分之间，其中语速代价最大；对话语料上 3 个概念下降不足 1 分，只有强度水平与变化带来约两分的下降；电视剧语料上任一删除变化都不超过零点几。像素上三列面板的点群位置差异明显，左侧面板点群整体左偏且误差线较长，右侧面板点群贴近零线，中间面板介于两者之间。
论文进一步用分布差异解释这种依赖：固定文本语料中语速区分中性与厌恶，快速档多为中性而慢速档多为厌恶；对话语料中强度区分悲伤与中性，最低强度档中悲伤占比明显高于中性；电视剧语料中各情感在语速强度音高上的平均档差很小，即使相距最远的两类在语速上也只差零点几档，因此声学概念难以分离类别。同一模式在 3 个模型上成立，只是个别概念的排序略有差异，这支持结论的稳健性但不等同于每轮都成立。
总体分数变化 × 个体预测变化： 总体分数变化分工是用宏平均 F1 的升降概括删除概念的平均代价，个体预测变化分工是跟踪哪一类判成哪一类以及发生在概念的哪一档，二者搭配的原因是平均分可能掩盖大量互相抵消的改判，组合意义是即使宏平均 F1 只动零点几，仍可能有百分之几的某类预测系统性转向另一类，这才是可解释性要回答的问题。
总分几乎不动时，个体预测动了吗？
本节导读关注被平均分掩盖的改判。对象是删除代价最大的概念在固定文本与对话语料上的改判，以及为对比而在电视剧语料上删除强度水平后的改判，条件是按被删概念的五档拆分改判来源，纵轴是改判数占第一类全部预测的百分比。下表先给出论文直接报告的改判比例与分数变化的对照，数值保留原文写法，百分比符号只出现在原文明确写出的改判描述中，分数变化保留裸值。表前问题是总分变化能否代表个体影响，公平条件是同一固定预测器与同一删除操作，指标包括总体差值与分档改判率。
| 条件 | 总体变化 | 改判方向 | 改判比例 | 发生档位 | 含义 |
|---|---|---|---|---|---|
| 固定文本删语速 | 下降 2.49 至 6.30 | 中性转向厌恶 | 48% | 最快两档 | 高语速中性被改判 |
| 对话语料删强度水平 | 下降 2.12 与 1.93 | 悲伤转向中性 | 6% | 最低两档 | 低强度悲伤被改判 |
| 电视剧删强度水平 | 变化不足 0.3 | 愉悦转向中性 | 7% | 最响两档为主 | 总分掩盖改判 |
| 电视剧删强度水平 | 变化不足 0.3 | 中性转向愉悦 | 有改判 | 对应档位 | 双向移动相互抵消 |
表后解释必须点出代价与反例。主要收益是定位到了可操作的依赖：没有语速时近半数中性预测变为厌恶且全部来自最快两档，没有强度水平时悲伤变中性全部来自最低两档，愤怒与愉悦向中性的移动同样来自最响档，说明改判几乎都来自两端档位而很少来自中间档位。具体代价是电视剧语料上总体变化很小，但仍有百分之几的愉悦预测变为中性且多来自最响两档，同时存在反向的中性变愉悦，二者相互抵消使总分几乎不动。
若只看总分会得出声学概念无用的错误结论，而分档改判显示预测器仍在用它。这也回答了论文标题中可编辑的含义：编辑不是为了刷分，而是为了让依赖变得可见。未胜出项是中间档位的改判很少，不能用两端规律推广到所有语速与强度取值。
以下图像与证据清单 FIGURE_2 一一对应，条形高度即上述改判比例按档位的拆分，图前已说明标题含义与横轴档位，图后解释像素细节。
看图路径： 1. 先确认每列标题写的是哪类转向哪类，再看横轴 1 到 5 档的高度分布；2. 观察 CREMA-D 第 4 与第 5 档高条形与中间档几乎为零的对比；3. 观察 IEMOCAP 与 MELD 的改判是否同样集中在最低或最高两档
论文图 2。原论文 Figure 2:：“Predictions that change when one concept is removed, as a share of all predictions of the first class (%), by the utterance’s level of the removed concept.”。
图中 3 个面板分别对应上述三行，左侧面板最高条形远高于其他档位并标注三十多，次高条形十余，其余档位几乎为零；中间与右侧面板条形整体矮很多但同样集中在两端。这种像素分布与文字报告一致，支持改判集中在概念两端的判断。3 个模型的条形 pooled 后用须线表示跨模型范围，论文报告跨模型差异主要体现在固定文本最高档的大小变化，其余 levels 与方向一致，因此在复述时应说方向一致而幅度有波动，避免把单轮数值当作确定值。
哪些结论还不能下，缺了什么验证？
首先区分直接报告、有限解释与未验证推测。直接报告的是转录偏向在固定文本语料上有害而微调后可纠正、声学删除代价随语料变化、改判集中在两端档位、电视剧语料上总分不动但个体仍动。有限解释的是用类别在某概念上的分布差异来说明为何某概念代价最大，这只是分布相关性的支持，不是因果证明，因为删除操作改变了提示词长度与上下文，不能排除模型对缺失行的一般敏感性。
其次是未验证部分：说话人概念增益小可能来自抽取误差与说话人内变化有限，但论文没有做按说话人分层或用金标准年龄性别替换的对照，因此不能断定说话人信息本身无用。年龄预测准确率偏低更提醒复现时不要把估计年龄当作真值使用。还有测量缺项：论文未测量误判率之外的延迟、推理开销与训练成本，未报告超参数搜索空间，因此不能承诺该方法改善延迟或成本，也不能把总体趋势推广到每一组、每一步都成立。
最后是证据冲突处理：本次 3 张原表因表头与行身份等原因被判定为不可直接选择，解读中改用全文连续原句逐字覆盖数字的整理表承担宽表要求，未自行补列或改数字，凡单位只在表头出现而数据格为裸值处均保留裸值写法。
要复现，先做什么，再补哪项验证？
何时值得尝试这种瓶颈取决于研究目的。如果目标是刷最高分，直接音频参照在 3 个语料上都高于概念输入，尤其在固定文本语料上差距最大，此时瓶颈不占优；如果目标是回答判定依赖了哪部分信息、做可控的单概念删除并定位改判档位，则值得尝试，因为直接音频无法提供这种归因。复现先做什么可以列成可执行顺序。第一步按划分重建数据：固定文本语料做说话人互斥划分，对话语料做会话五折，电视剧语料用官方划分，并记录类别集合差异。
第二步重建概念：用语音识别得到转录，用量测工具计算音高与强度的均值与标准差，用词数除以时长得到语速，在训练集上拟合五档分位数阈值并保存，年龄分 6 段，性别取二值，提示词只放所选组与允许标签且不写情感规则。第三步按原文超参数做低秩微调并做 3 种子重复，对话语料按折平均，评价用贪心解码且不可解析计错。第四步固定全概念微调器，逐个删除声学概念并计算相对同一轮次完整输入的变化，再按被删概念档位统计改判去向。
还需补的验证包括用金标准转录与金标准年龄性别替换以分离抽取误差，报告删除空白行或无关行的基线以排除对缺失格式的敏感，以及补报推理延迟与参数量，才能完整评估可解释性带来的代价。
一句话收束：该记住什么，该忘掉什么？
该记住的是方法论结论而非单个分数。概念瓶颈把不可拆的音频判定变成了可编辑的文字判定，使固定预测器下的单概念删除成为可能；零样本偏向转录在固定文本上把分数从二十多拉到个位数，微调后转录反而把声学分数从四十出头抬到四十五左右，这种反转说明偏向可纠正且组合有增益。
删除声学概念的代价随语料变化，固定文本上语速最贵，对话语料上强度最贵，电视剧语料上总分几乎不动但仍有百分之几的系统性改判且集中在两端档位，因此平均分不能代替个体分析。该忘掉的是无源推广：不要把转录有害或声学无用当作通用标签，它们只在特定数据分布与特定信息条件下成立；不要把分布差异当作因果证明；不要把概念与音频的差距理解为离散化一家的责任，抽取误差与编码器适配范围不同都在起作用。
对于刚入门的读者，最可迁移的习惯是每次比较都先写清数据集、模型、阶段、指标、单位与聚合对象，数值相同不等于指标相同，百分点与相对百分比不可混用，不同指标的差值不可放入同一模型列。只有在这种口径下，本文的编辑与追踪才算真正可核对。
📎 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