📄 看唇仍会猜错词：用训练期文本约束收窄一对多映射的视频转语音
英文题目：Watch Your Speech: Text-aware Video-to-Speech Synthesis with Textual Conditioning
标签：#音视频语音合成 | #流匹配 | #注意力机制 | #音视频 | #语音
评分：8.3/10 | 创新 1.5/2 | 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 1.2/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Gunwoo Lee：机构信息未在 arXiv HTML 中可靠披露
- Yoori Oh：机构信息未在 arXiv HTML 中可靠披露
- Yoseob Han：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
视频到语音需从静音说话人视频生成语音，难点在于相似唇形对应多个音素的一对多映射，仅靠视觉难以确定内容。Watch Your Speech 在训练时用与视频片段按词级时间戳对齐的真实文本提供语言约束，推理时用预训练唇读模型 Auto-AVSR 从完整视频估计伪文本，再分别由文本编码器、视频编码器与人脸身份编码器抽取特征。注意力融合模块先做模态内自注意力精化，再做视频与文本双向交叉注意力对齐并拼接广播后的身份特征，形成统一条件向量。条件流匹配模型以该向量为条件学习从噪声到梅尔谱的速度场，并用无分类器引导增强约束，最后由冻结 HiFi-GAN 声码器合成波形。与仅推理期用外部分类器引导的 LipVoicer 相比，该训练期融合避免了外部判别器干扰生成过程。在 LRS2 上该方法取得 20.1321% 词错误率与 7.5032 同步置信度，在内容精度略低于 LipVoicer 的同时同步指标领先；在 LRS3 上趋势一致。该结论依赖 LRS2 与 LRS3 的英语广播演讲数据，对噪声文本与跨语种外推尚未验证。原文未披露训练时长与部署成本。
🔗 开源与复现资源
代码相关资源：https://github.com/gunwoo5034/Watch-your-Speech — 链接可访问（HTTP 200）
第三方资源：https://github.com/1adrianb/face-alignment — 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，输出要保留什么？
这篇论文研究的输入是一段无声的说话人脸视频，目标是生成一段听起来自然、内容准确、并且与嘴形对齐的语音。必须保留的信息有 3 类：说什么，即文本内容；何时说，即每 1 帧唇动对应的时间位置；谁在说，即说话人的音色身份。输出是一段波形，中间经过梅尔谱，再由声码器转成波形。
初学者容易把这个任务误解为给视频配任意好听的声音，实际上可核对的标准是生成语音被语音识别转写后能否回到原句，以及唇音是否同步。论文把难点明确为视觉歧义：相似唇形可能对应多个音素，例如 bat 与 mat 在双唇动作上几乎不可分，只看视频就无法唯一确定答案。 为理解这种歧义，先看论文给出的 1 对多示意图。左侧是连续无声帧与唇部放大，右侧是一个真值句派生出的多个可预测句，它们只有个别辅音不同但唇形相近。
该图的作用是把学习依赖讲清：如果没有文本约束，模型只能在多个合理句子之间猜测。
看图路径： 1. 先看左侧三帧无声视频的唇部放大框，确认唇形随时间的变化幅度；2. 再看右侧大括号列出的五个候选句，比较首音与尾音的字母差异；3. 最后把顶部真值句中的 bat 与候选句中的 bag、back、map、mat、pack 对应起来
论文图 1。原论文 Figure 1:：“The one-to-many mapping problem: visually similar lip movements for bilabial phonemes (/b/, /m/, /p/) lead to ambiguous speech predictions.”。
这张图左侧 3 组人物侧脸帧各带红色方框并用虚线引出唇部放大，下方以省略号表示连续无声序列，上方标注真值句 He passed me the bat，其中 b 标红；右侧大括号收拢 5 个可预测句 He passed me the bag、back、map、mat、pack，差异集中在词尾辅音与词首双唇音。教学例子是：只看嘴形时，bat、bag、back、map、mat、pack 都可能是合理解，模型需要额外信息才能收敛到其中一个。论文因此提出在训练期就引入文本条件，而不是只在推理时纠偏。
同输入同目标的路线有何不同？
同输入同目标的视频转语音路线包括基于卷积的早期方法、基于生成对抗网络的方法，以及近期的扩散与流模型。论文点名的对照有 VCA-GAN、SVTS、DiffV2S、IntelligibleL2S、LipVoicer、V2SFlow、FTV 与 AlignDiT。区分它们的关键不是谁更新，而是文本信息在何时以何种方式进入。SVTS 与 DiffV2S 利用音视频预训练表示但缺少显式文本约束，生成语音的内容准确性仍然受限。LipVoicer 在推理期用唇读模型的分类器引导注入文本，训练期没有文本，依赖外部辅助分类器，可能干扰生成过程的自然度。
本文选择的是从训练期就融合文本的无分类器引导路线。做法是训练用真值文本，推理用预训练唇读模型估计文本，再通过注意力融合模块把视频与文本对齐，最后用条件流匹配生成。与 LipVoicer 的区别在于监督来源不同：一个是训练期就学习音视频文对齐，一个是训练后在采样轨迹上加外部纠偏。与纯视频驱动的 V2SFlow-V 的区别在于是否允许文本参与条件，从而在相同无声输入下比较同步与内容指标是否同时改善。
术语分工上，视频转语音合成界定任务目标：由无声说话人脸视频生成自然且与嘴形对齐的语音；1 对多映射刻画该任务的根本歧义：相似唇形可对应多个不同音素，只看视频无法唯一确定语句。二者必须组合的原因在于：只有把文本条件在训练期就作为显式语言约束融合，才能把 1 对多映射空间收窄到唯一可读句，同时保留同步与自然度，而推理期才纠偏的路线难以同时兼顾。
视频转语音合成 × 一对多映射： 视频转语音合成负责把无声唇部视频变成可听语音，一对多映射指相似唇形可对应多个不同音素的分歧现象，二者搭配的原因是只看视频时 bat 与 mat 这类双唇音难以区分，组合意义在于必须引入文本这类语言约束才能把映射空间收窄到可发音的正确候选。
要解决的歧义如何形式化？
问题可以写成：给定视频 X，目标梅尔谱 M 的后验存在多个高概率模式，视觉似然不足以区分它们。论文用语言条件 T 把映射空间收窄，即学习以视频、文本与说话人身份为条件的分布。训练时 T 是与采样视频片段时间对齐的真值文本，推理时 T 是唇读模型对整段视频的预测文本。这种信息条件的变化是复现时必须保留的：不能用推理期的真值文本代替预测文本去报告可部署收益，否则会高估内容准确性。 另一个形式化细节是时间对齐。
训练用词级时间戳把视频帧范围内的词选出来并留小边距，保证视频段与文本段对齐；推理直接用整句。这种构造意味着训练样本是子采样片段，推理样本是完整序列，长度与切分方式不同，复现时要按附录的数据处理流程实现，而不是随机切分。
一个样本如何走完输入到输出？
沿一个样本走一遍：输入是一段人脸视频 X。前端做两件事，一是唇区裁剪得到唇部序列，二是从视频中采样 1 帧人脸做身份参考。文本分支在训练用对齐真值，在推理用唇读预测。后端把 3 路嵌入融合成 1 个条件向量，再驱动流模型从噪声出发迭代去噪得到梅尔谱，最后用预训练 HiFi-GAN 声码器转成波形。整个链条的监督来自真值梅尔谱，文本只作为条件出现，不直接作为重建目标。
下图把训练前端、推理前端与共享后端放在一起，绿色、蓝色、红色箭头分别对应身份帧、唇视频与文本 3 路走向，后端内部标出可训练与冻结。读图时注意训练与推理只有前端文本来源不同，后端结构共享。
看图路径： 1. 先沿左侧训练前端看真值文本与唇区裁剪视频如何进入子集采样；2. 再比较中间推理前端新增的唇读模型分支取代了哪条文本输入；3. 最后看右侧后端三个编码器如何汇入融合模块再指向流模型
论文图 2。原论文 Figure 2:：“Overview of the proposed WYS framework: (a) training front-end using GT text \mathbfT, (b) inference front-end predicting text \hat\mathbfT via a lip-reading model, and (c)…”。
从像素看，左侧训练面板下方有真值句与子集采样器，中间推理面板多了唇读模型框，右侧后端有图像编码器、视频编码器、文本编码器、融合模块与流生成器。这种安排的理由是让模型在训练期就学会在视频时间结构下去取文本内容，而不是推理时临时纠正。项目页面在原文中给出，当前可用，已公开，地址为官方仓库链接，复现时可先核对代码与权重说明。
三个编码器各自算什么？
文本编码器以预训练 BERT 为骨干，参数冻结，只用低秩适配做领域适配。输入是训练期真值或推理期预测文本，输出是长度为 L、维度为 512 的文本嵌入。视频编码器先做唇区裁剪，再用 3D 卷积加 ShuffleNet 加时间卷积网络提取空时特征，训练输入是随机子采样片段，推理输入是完整序列，输出同样是序列长度 L 的视频嵌入。图像编码器用 ResNet18 从单帧人脸提取全局说话人表示，输出是单步向量。原文给出文本与视觉维度均为 512，图像为 128，融合模块用 6 个注意力块、8 头、隐藏维度 512。
符号与输入先说清：波浪线 T 表示当前阶段使用的文本，星号参数表示冻结，LoRA 参数表示可训练适配。文本嵌入的计算目标是把离散词序列变成可与视频帧对齐的连续向量，同时保留预训练语言知识。
\[\mathbf{e}_{\text{txt}}=\mathcal{T}(\tilde{\mathbf{T}};~\mathbf{\theta}_{\text{BERT}}^{*},\mathbf{\theta}_{\text{LoRA}}),\]该式把文本、冻结 BERT 参数与 LoRA 参数映射为文本嵌入，后续与视频嵌入一起进入融合。
文本编码器 × 视频编码器： 文本编码器负责把句子变成语言嵌入，视频编码器负责把唇区序列变成时序视觉嵌入，二者搭配的原因是前者给内容约束、后者给时间对齐，组合意义是让每一帧唇动都能去语言序列中取到对应的音素线索，而不是各自独立生成语音。
下图展示后端细节，左侧三列分别是文本、图像、视频编码器，右侧是融合与身份注入，底部图例区分加法、拼接、查询与键值。注意文本分支有冻结雪花标记与火焰标记的适配分支，视频分支强调 3D 到 2D 与时序建模。
看图路径： 1. 先看(a) 文本分支中冻结与可训练部分如何相加；2. 再看(d) 中间四个注意力分支的查询与键值箭头颜色区分；3. 最后看右侧说话人分支的重复扩展如何与同步嵌入拼接
论文图 3。原论文 Figure 3:：“Details of the back-end components: (a) Text Encoder, (b) Image Encoder for speaker identity, (c) Video Encoder for lip movements, (d) embedding fusion module that aligns video…”。
从像素看，(a) 顶部是分词器，下方左右分别是冻结 BERT 与 LoRA 再相加过 MLP；(c) 自上而下是 3D 卷积、维度转换、ShuffleNet 与 TCN；(d) 中间有 4 个并行的注意力塔，蓝色表示查询、红色表示键值，最终拼接为同步嵌入再与重复扩展的身份向量拼接。
注意力融合如何对齐视频与文本？
融合分两步。第一步是模态内自注意力，各自用多头自注意力加前馈、残差与层归一化提炼上下文，得到视频自注意力嵌入与文本自注意力嵌入。第二步是模态间交叉注意力，一个模态做查询，另一个做键值，双向交换，得到视频查文本与文本查视频两种交叉嵌入。最后把 4 个表示拼成同步嵌入，再把单步身份向量按时间重复扩展后拼接，得到最终条件向量。 关键方向是视频做查询去查文本。
原文消融显示该方向大幅降低词错率，而文本做查询去查视频则无法把内容锚定到视觉时间线上。双向都用时内容准确性进一步提升，自注意力特征则帮助保留各自上下文。这种组合的理由是视频提供时间骨架，文本提供内容约束，两者缺一都会让映射重新变宽。
\[\mathbf{e}_{\text{syn}}=\left[~{\mathbf{e}}_{\text{vid}}^{\text{self}}\parallel{\mathbf{e}}_{\text{txt}}^{\text{self}}\parallel{\mathbf{e}}_{\text{vid}\to\text{txt}}^{\text{cross}}\parallel{\mathbf{e}}_{\text{txt}\to\text{vid}}^{\text{cross}}~\right],\]该式把 4 个嵌入拼接为同步嵌入，符号下标区分自注意力与交叉方向，拼接维度是各分支维度之和。
交叉注意力 × 自注意力： 自注意力负责在单一模态内提炼上下文，交叉注意力负责以一种模态为查询去另一种模态取键值，二者搭配的原因是先各自理顺时序再跨模态对齐，组合意义是同时保留视频时序结构和文本语义约束，形成同步嵌入。
流匹配如何训练与采样？
训练目标是条件流匹配加无分类器引导。设真值梅尔谱为起点与终点之一，高斯噪声为另一端，中间路径按时间插值，模型用 DiffWave 骨干估计速度场。训练时以 0.1 概率把融合条件替换为空标记，同时学习条件与无条件分布。优化器用 Adam，学习率 2 乘 10 的负 4 次方，批量 64，在单张 RTX PRO 6000 上迭代 1,000,000 次。推理用 1 阶欧拉求解器走 100 步，引导尺度 2.0，从噪声出发按引导速度迭代更新梅尔谱，再经声码器得到波形。
先解释符号：Mt 是时刻 t 的插值谱，efus 是融合条件，空集符号是无条件，omega 是引导尺度。计算目标是让预测速度接近两端点之差，推理目标是用条件与无条件预测的插值增强对文本与视觉约束的服从。
\[\bar{v}_{\theta}(\mathbf{M}_{t},t)=(1+\omega)\cdot v_{\theta}(\mathbf{M}_{t},t,\textbf{e}_{\text{fus}})-\omega\cdot v_{\theta}(\mathbf{M}_{t},t,\emptyset),\]该式是推理期的引导速度，把条件预测与无条件预测按权重组合，omega 越大越服从条件，但过大可能下降。
\[\textbf{M}_{t-\Delta t}=\textbf{M}_{t}-\Delta t\cdot\bar{v}_{\theta}(\textbf{M}_{t},t).\]该式是欧拉更新，按步长沿引导速度回退，最终得到估计梅尔谱。
\[\hat{\mathbf{Y}}=\text{Vocoder}(\hat{\mathbf{M}}).\]该式把梅尔谱经声码器转成波形，声码器为预训练 HiFi-GAN。
条件流匹配 × 无分类器引导： 条件流匹配负责学习从噪声到梅尔谱的速度场，无分类器引导负责在训练时随机丢弃条件以同时学会条件与无条件预测，二者搭配的原因是不依赖外部唇读分类器做推理期纠偏，组合意义是在采样时用两者插值增强对融合条件的服从，同时保持声学自然度。
数据、预处理与指标如何核对？
数据用 LRS2 与 LRS3。LRS2 来自 BBC 广播，约 14.4 万片段、224 小时、词汇超 13,000；LRS3 来自 TED 演讲，约 15.1 万片段、475 小时、词汇超 40,000，说话人、口音与录制条件更多变。视频 25 帧每秒，音频 16 千赫。预处理用 FaceAlignment 提取 68 关键点，裁 96 乘 96 灰度唇区。
身份帧随机采样 1 帧，缩放到 224 乘 224 保留 RGB。训练按词级时间戳选对齐文本并留边距，推理用整句。唇读骨干选 Auto-AVSR，原文报告其在 2 数据集的词错率低于 AV-HuBERT。 指标分 3 类：内容准确性用预训练语音识别转写后算词错率，越低越好；同步用预训练 SyncNet 的 LSE-C 越高越好、LSE-D 越低越好。
感知质量用 STOI-Net 越高越好与 DNSMOS 越高越好。主观评测用亚马逊土耳其机器人，100 人评 10 个随机样本，对比本文与 4 个基线，从质量、对齐、可懂度、同步、自然度五项打 5 分制。硬件与成本按原文交代：单卡训练，推理步数与每样本秒数在消融中报告，不能把训练卡数与推理延迟混为一谈。
主结果支持什么，又没赢哪里？
要回答的问题是：在相同无声视频输入下，训练期文本约束是否在不牺牲同步与质量的前提下改善内容。比较对象包括 VCA-GAN、SVTS、DiffV2S、IntelligibleL2S、LipVoicer、V2SFlow-V 等，条件是推理都用预测文本的可运行策略，真值文本只用于测上界。指标方向按上一节，词错率低好，同步与质量高好或距离低好。 下表聚焦词错率，比较本文与推理期引导的 LipVoicer 在 2 数据集的可运行表现。表前已说明公平条件：都是预测文本驱动，不是真值文本。
| 数据集与条件 | 指标 | LipVoicer | 本文 WYS |
|---|---|---|---|
| LRS2 预测文本推理 | 词错率 | 18.8991% | 20.1321% |
| LRS3 预测文本推理 | 词错率 | 22.2423% | 23.7349% |
表后解释：报告显示 LipVoicer 词错率略低，本文在 LRS2 落后约 1.2 个百分点，在 LRS3 落后约 1.5 个百分点，但原文报告本文在同步与感知质量上更优。这种取舍支持的判断是外部推理期纠偏能压低词错率，却可能打乱唇音对齐与声学保真。未胜出项必须保留：内容准确性单项不是本文最高。 下图是 LRS2 单样本梅尔谱对照，六格分别是 4 个基线、本文与真值，下方是识别文本，错误词标红。
看图路径： 1. 先比较六张梅尔谱中谐波横纹的清晰程度；2. 再看每张图下方识别文本，找出标红的错误词；3. 最后把(v) 本文方法与(vi) 真值的纹理走向对照起来
论文图 4。原论文 Figure 4:：“Qualitative comparison of mel-spectrograms on LRS2.”。
从像素看，(iii) 把首词误为 Name 并标红，(i)(ii)(iv) 虽词对但中段谐波模糊或断裂，(v) 本文的横纹走向与(vi) 真值最接近，红色箭头所指的中段共振峰连续性更好。这支持融合策略在保持结构保真度的同时维持内容。
词错率 × 音视频同步： 词错率负责衡量生成语音被语音识别转写后与真值文本的内容差距，音视频同步负责衡量唇动与语音在时间上的对齐置信与距离，二者搭配的原因是内容对不等于嘴形对，组合意义是同时看两者才能判断文本约束是否以牺牲同步为代价换来了低词错率。
下表是本文最终融合在 LRS2 的同步与质量数值，用于核对内容与声学的平衡点。
| 条件 | 词错率 | 同步置信 | 同步距离 | 可懂度 | 质量 |
|---|---|---|---|---|---|
| LRS2 本文融合 | 20.1321% | 7.5032 | 6.8118 | 0.9144 | 3.0927 |
表后解释：该组数显示词错率降到 20% 附近时，同步置信与距离仍保持竞争力，可懂度与质量达到该系列最高。这支持训练期融合比单纯拼接更能兼顾语言精度与声学自然度，但不能推广为每一样本都成立，失败案例在附录中仍存在唇读错误导致的重建偏差。
拿掉对齐方向与文本质量会发生什么？
要回答的操作问题是：融合中哪部分真正负责内容，文本噪声如何传导。比较条件固定在 LRS2，指标方向同前。先看注意力方向，下表列出不同融合配置的词错率，数字全部来自正文连续句，不是表格抄写。
| 条件 | 指标 | 简单拼接 | 仅自注意力 | 文本查视频 | 视频查文本 | 双向交叉 | 本文完整融合 |
|---|---|---|---|---|---|---|---|
| LRS2 融合消融 | 词错率 | 50.6510% | 52.3977% | 80.8254% | 21.0629% | 20.8882% | 20.1321% |
表后解释：主要收益来自视频查文本方向，从 50% 以上降到 21% 附近，而反方向单独使用时高达 80% 以上，说明时间骨架必须做查询。
双向加自注意进一步降到 20.13% 附近，代价是同步指标略有回落，原文明确提到双向在 LSE 上轻微下降。反例是简单拼接与仅自注意力保持了尚可的同步却无法恢复内容，证明同步好不等于词对。 再看文本来源。下表比较推理与训练文本的影响，保留可运行与上界区分。
| 实验 | 指标 | 真值文本 | 预测文本 | 备注 |
|---|---|---|---|---|
| LRS2 推理文本来源 | 词错率 | 9.9784% | 20.1321% | 推理用真值仅为上界 |
| LRS2 训练文本来源 | 词错率 | 20.1 | 40.9 | 训练用预测文本会翻倍 |
| LRS2 推理步数 | 每样本秒数 | 8.8 隐含对应 100 步 | 0.7 | 10 步加速，84.2 对应 1000 步 |
| 身份模块 | 说话人相似度下降 | 10.0839% | 0.6823 对应本文 | 去身份主要影响音色 |
表后解释：推理用真值把词错率从 20% 降到 10% 以内，说明唇读精度是当前上限；训练若用预测文本则词错率升到 40% 附近，支持训练必须用可靠监督，否则模型会学会不信任文本。
采样 10 步仅 0.7 秒每样本而质量尚可，1000 步则 84.2 秒且无实质增益，总体趋势不等于每步都单调。身份置零主要让相似度掉 10% 附近，而内容与同步波动小，支持功能解耦。原文对引导尺度的报告是 2.0 最优，负 1 即无条件时崩溃，3.0 开始回落。
哪些边界尚未验证？
论文明确的局限是推理依赖唇读准确率。当唇读词错率高时，本文词错率也随之上升，在严重损坏组与其他模型一样升到 78% 附近，但同步与质量仍保持相对稳定。这意味着文本噪声主要损伤语言监督，而不是直接破坏对齐，复现时不能把低同步归因于文本错误。 未验证的边界包括：跨数据集从 LRS3 到 LRS2 时本文仍最好，但词错率绝对值升到 34% 附近，说明域偏移下内容泛化仍有限。
唇读加 TTS 流水线在同步上远差，证明视频时间信息不可替代，但该比较用的零样本 TTS 质量分较高，不能据此说本文音质全面胜出；主观 MOS 显示本文领先，但样本仅每数据集 10 个、每任务 10 人，统计力度有限。未测量每帧延迟与实时误判率时，不承诺延迟改善，10 步的 0.7 秒是离线每样本耗时，不是流式延迟。
复现先做什么，需要什么条件？
先做数据与文本对齐：按附录用词级时间戳切训练子片段并留边距，唇区 96 乘 96 灰度，身份帧 224 乘 224 彩色，视频 25 帧、音频 16 千赫。文本分支用冻结 BERT 加 LoRA，视觉分支按 3D 卷积加 ShuffleNet 加 TCN 实现，融合按自注意力加双向交叉再拼接身份扩展。训练用真值文本，推理用 Auto-AVSR 预测文本，不要混用。超参数起点是嵌入 512、身份 128、6 块 8 头、Adam 学习率 2 乘 10 的负 4 次方、批量 64、空条件概率 0.1、推理 100 步引导 2.0。声码器用预训练 HiFi-GAN，评估用同一语音识别与 SyncNet 版本算词错率与同步。
代码层面，官方仓库当前可用，已公开，可先跑通前端裁剪与时间戳对齐，再验证融合维度拼接是否匹配。还需补的验证是：在你自己的说话人与录制条件下重测同步与词错率，并报告预测文本的唇读词错率分布，因为主结果的可部署收益依赖该分布。若要降延迟，先试 10 步配置并同时记录同步与词错率，而不是只看主观听感。
何时值得尝试这种文本约束？
当任务是无声视频必须恢复可懂语句，且能拿到训练期真值文本与推理期唇读文本时，值得尝试从训练期就融合文本的路线。它用视频定时间、用文本定内容、用身份定音色，适合会议补音、口语辅助等对同步要求高的场景。当没有可靠文本监督，或推理唇读质量极差时，不宜期待词错率大幅下降，此时更应先升级唇读模型，因为上界实验显示内容增益几乎随文本质量线性变化。
复述方法的关键句是：训练用对齐真值学视频查文本的对齐，推理用预测文本驱动同一融合，流模型在无分类器引导下生成梅尔谱。与仅推理纠偏的区别在于对齐发生在训练期，与纯视频生成的区别在于多了语言约束。记住同步好不等于词对，词对也不等于同步好，两者要分别核对。
📎 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